如何使用Numpy优化数组生成代码？替代嵌套循环的最佳实践

我用嵌套循环生成了如下的8×5数组，但感觉这种写法不够规范，想知道能不能用NumPy的内置函数替代循环，有没有更高效的NumPy使用方式？

目标输出：

[[ 1.   1.5  2.   2.5  3. ]
 [ 3.5  4.   4.5  5.   5.5]
 [ 6.   6.5  7.   7.5  8. ]
 [ 8.5  9.   9.5 10.  10.5]
 [11.  11.5 12.  12.5 13. ]
 [13.5 14.  14.5 15.  15.5]
 [16.  16.5 17.  17.5 18. ]
 [18.5 19.  19.5 20.  20.5]]

当前使用的代码：

import numpy as np

list = []
x = 0.5

for i in range(8):
    temp = []
    list.append(temp)
    for j in range(5):
        x += 0.5
        temp.append(x)


array = np.array(list)

当然可以用NumPy的向量化操作完全替代嵌套循环，下面是几种更优的实现方式，都比循环写法更简洁高效：

方法1：np.arange + reshape #

这是最直接的方式，先生成连续的数值序列，再重塑成目标形状：

import numpy as np
array = np.arange(1.0, 21.0, 0.5).reshape(8, 5)

np.arange(1.0, 21.0, 0.5)会生成从1.0开始、步长0.5、直到小于21.0的序列（刚好到20.5），然后用reshape(8,5)把一维数组转成8行5列的二维数组。

方法2：np.linspace + reshape #

如果更关注元素总数而非步长，可以用linspace生成指定数量的均匀分布数值：

import numpy as np
array = np.linspace(1.0, 20.5, 8*5).reshape(8,5)

np.linspace(1.0, 20.5, 40)会生成从1.0到20.5之间的40个均匀间隔的数值，再重塑成目标形状。

方法3：利用广播机制 #

通过构造行起始值和列增量，利用NumPy的广播特性生成数组：

import numpy as np
row_starts = np.arange(1.0, 19.0, 2.5)  # [1.0, 3.5, 6.0, ..., 18.5]
cols = np.arange(0, 5)*0.5             # [0., 0.5, 1., 1.5, 2.]
array = row_starts[:, np.newaxis] + cols

先生成每一行的起始值数组，再通过[:, np.newaxis]把它转成列向量，然后和列增量数组广播相加，自动生成每行的数值。

这些方法的优势：

• 避免Python层面的循环，利用NumPy的C底层实现，处理大规模数据时效率提升明显；
• 代码简洁直观，生成逻辑一目了然；
• 符合NumPy向量化编程范式，减少手动循环的出错概率。

内容的提问来源于stack exchange，提问作者soosius