《超简单：用 Python 让 Excel 飞起来》读书笔记：3.4.2 数组的创建：np.array、np.arange、随机数与 reshape

🔥
个人主页：
杨利杰YJlio

❄️
个人专栏：
《Sysinternals实战教程》
《Windows PowerShell 实战》
《WINDOWS教程》
《IOS教程》

《微信助手》
《锤子助手》
《Python》
《Kali Linux》

《那些年未解决的Windows疑难杂症》
🌟
让复杂的事情更简单，让重复的工作自动化

《超简单：用 Python 让 Excel 飞起来》读书笔记：3.4.2 数组的创建：np.array、np.arange、随机数与 reshape

• 1. 写在前面：为什么办公自动化要先学会创建数组
• 2. np.array()：把 list 变成真正适合计算的数组
• 3. np.arange()：快速生成连续数字序列
• • 3.1 一个参数：np.arange(stop)
  • 3.2 两个参数：np.arange(start, stop)
  • 3.3 三个参数：np.arange(start, stop, step)
• 4. reshape()：把一维序列变成二维表格
• 5. np.random.randn()：生成正态分布随机数
• 6. np.random.randint()：生成更像业务数据的随机整数表
• 7. 快速生成一张可以写入 Excel 的测试表
• 8. 常见问题与踩坑提醒
• • 8.1 np.arange() 为什么不包含 stop
  • 8.2 reshape() 为什么会报错
  • 8.3 randint() 的 high 为什么不包含
  • 8.4 随机数每次都变，教程截图对不上怎么办
  • 8.5 二维数组写入 Excel 时为什么位置不对
• 9. 我的总结：数组创建是 Excel 自动化的数据准备层

1. 写在前面：为什么办公自动化要先学会创建数组

V4修正版进度标记：本篇为 06月13日 第2篇，承接 06月07日第2篇“2.7.2 自定义函数”之后继续更新。

  本文是我阅读《超简单：用 Python 让 Excel 飞起来》时整理的读书笔记，对应书中第 3 章 Python 模块里的 3.4.2 数组的创建。这一节看起来是在讲 NumPy 的基础函数，但如果放到 Excel 自动化场景里看，它其实是在解决一个非常实际的问题：怎样快速准备一批可以计算、可以变形、可以写入 Excel 的数据。

  很多人刚开始学 Python 办公自动化时，会直接从 Excel 读写开始。但真正处理数据时，你迟早会遇到这些需求：把已有列表转成可计算的数组，快速生成一列序号，造一组测试数据，生成一个二维表格，再把它写入 Excel 工作表。

  NumPy 数组的价值，不是“比列表高级”，而是它更适合做批量计算、表格型数据组织和测试数据生成。如果后面要继续学习 pandas、xlwings、批量报表，这一节就是底层铺垫。

  这张图展示的是本篇文章的整体主题：通过 np.array()、np.arange()、随机数函数和 reshape() 创建不同形态的 NumPy 数组，并服务于 Excel 自动化处理。

  从图中可以看出，数组创建并不是一个孤立语法点。它连接了几个常见办公场景：已有数据转数组、生成连续序号、生成随机测试数据、把一维数据整理成二维表格。最后这些数据都可以继续进入 Excel 写入、统计分析和报表生成流程。

  我建议把这一节理解成“造数据”和“整理数据形状”的基础课。只要把数组创建方式掌握清楚，后面再看 pandas 的 DataFrame，就不会觉得表格数据是突然冒出来的。

#mermaid-svg-iawHMtKQDN7DsIEd{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-iawHMtKQDN7DsIEd .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-iawHMtKQDN7DsIEd .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-iawHMtKQDN7DsIEd .error-icon{fill:#552222;}#mermaid-svg-iawHMtKQDN7DsIEd .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-iawHMtKQDN7DsIEd .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-iawHMtKQDN7DsIEd .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-iawHMtKQDN7DsIEd .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-iawHMtKQDN7DsIEd .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-iawHMtKQDN7DsIEd .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-iawHMtKQDN7DsIEd .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-iawHMtKQDN7DsIEd .marker{fill:#333333;stroke:#333333;}#mermaid-svg-iawHMtKQDN7DsIEd .marker.cross{stroke:#333333;}#mermaid-svg-iawHMtKQDN7DsIEd svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-iawHMtKQDN7DsIEd p{margin:0;}#mermaid-svg-iawHMtKQDN7DsIEd .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-iawHMtKQDN7DsIEd .cluster-label text{fill:#333;}#mermaid-svg-iawHMtKQDN7DsIEd .cluster-label span{color:#333;}#mermaid-svg-iawHMtKQDN7DsIEd .cluster-label span p{background-color:transparent;}#mermaid-svg-iawHMtKQDN7DsIEd .label text,#mermaid-svg-iawHMtKQDN7DsIEd span{fill:#333;color:#333;}#mermaid-svg-iawHMtKQDN7DsIEd .node rect,#mermaid-svg-iawHMtKQDN7DsIEd .node circle,#mermaid-svg-iawHMtKQDN7DsIEd .node ellipse,#mermaid-svg-iawHMtKQDN7DsIEd .node polygon,#mermaid-svg-iawHMtKQDN7DsIEd .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-iawHMtKQDN7DsIEd .rough-node .label text,#mermaid-svg-iawHMtKQDN7DsIEd .node .label text,#mermaid-svg-iawHMtKQDN7DsIEd .image-shape .label,#mermaid-svg-iawHMtKQDN7DsIEd .icon-shape .label{text-anchor:middle;}#mermaid-svg-iawHMtKQDN7DsIEd .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-iawHMtKQDN7DsIEd .rough-node .label,#mermaid-svg-iawHMtKQDN7DsIEd .node .label,#mermaid-svg-iawHMtKQDN7DsIEd .image-shape .label,#mermaid-svg-iawHMtKQDN7DsIEd .icon-shape .label{text-align:center;}#mermaid-svg-iawHMtKQDN7DsIEd .node.clickable{cursor:pointer;}#mermaid-svg-iawHMtKQDN7DsIEd .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-iawHMtKQDN7DsIEd .arrowheadPath{fill:#333333;}#mermaid-svg-iawHMtKQDN7DsIEd .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-iawHMtKQDN7DsIEd .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-iawHMtKQDN7DsIEd .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-iawHMtKQDN7DsIEd .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-iawHMtKQDN7DsIEd .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-iawHMtKQDN7DsIEd .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-iawHMtKQDN7DsIEd .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-iawHMtKQDN7DsIEd .cluster text{fill:#333;}#mermaid-svg-iawHMtKQDN7DsIEd .cluster span{color:#333;}#mermaid-svg-iawHMtKQDN7DsIEd div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-iawHMtKQDN7DsIEd .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-iawHMtKQDN7DsIEd rect.text{fill:none;stroke-width:0;}#mermaid-svg-iawHMtKQDN7DsIEd .icon-shape,#mermaid-svg-iawHMtKQDN7DsIEd .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-iawHMtKQDN7DsIEd .icon-shape p,#mermaid-svg-iawHMtKQDN7DsIEd .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-iawHMtKQDN7DsIEd .icon-shape .label rect,#mermaid-svg-iawHMtKQDN7DsIEd .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-iawHMtKQDN7DsIEd .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-iawHMtKQDN7DsIEd .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-iawHMtKQDN7DsIEd :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

已有 list / 二维 list

np.array 转成 ndarray

需要连续序列

np.arange 生成序列

reshape 转成二维表格

需要模拟数据

randn / randint 生成随机数组

批量计算 / 清洗 / 统计

写入 Excel / 生成测试表 / 输出报表

  这张流程图可以先帮我们建立主线：数组创建不是为了“会背函数”，而是为了给后续数据处理准备结构化数据。

2. np.array()：把 list 变成真正适合计算的数组

  np.array() 是创建 NumPy 数组最基础、也最容易理解的方法。它的作用是把 Python 原生的列表转换成 NumPy 的 ndarray。

  先看一维列表转数组：

import numpy as np

a = np.array([1, 2, 3, 4, 5])

print(a)
print(type(a))

  输出结果类似这样：

[1 2 3 4 5]
<class 'numpy.ndarray'>

  这里最关键的变化是：原来的 Python 列表被转换成了 NumPy 数组。表面上看，输出内容仍然是 1、2、3、4、5，但底层对象已经不一样了。

  列表更像普通容器，数组更适合做批量计算。比如你想对一组数整体加 10、乘 2、求平均值，NumPy 数组会更自然。

  这张图展示的是 np.array() 的核心作用：把一维列表或二维列表转换成 NumPy 数组。

  从图中可以看出，一维列表转换后对应一维数组，二维列表转换后则很像 Excel 中的一块单元格区域。对办公自动化来说，二维数组更接近真实表格数据。

  再看二维列表转二维数组：

import numpy as np

b = np.array([
[1, 2, 3],
[4, 5, 6]
])

print(b)
print(b.shape)

  输出结果类似这样：

[[1 2 3]
[4 5 6]]
(2, 3)

  b.shape 返回的是数组形状，这里 (2, 3) 表示 2 行 3 列。这个概念和 Excel 表格非常接近：你可以把它理解成一个 2 行 3 列的数据区域。

  在 Excel 自动化场景里，二维数组尤其重要。因为不管是后续写入工作表，还是进行批量统计，表格数据通常都是行列结构。

  需要注意的是，二维列表每一行的长度最好保持一致。如果每一行长度不一样，数组结构就会变得不规整，后面做计算和写入 Excel 时很容易出问题。

3. np.arange()：快速生成连续数字序列

  np.arange() 可以理解成 NumPy 里的“自动生成数字序列”工具。它和 Python 自带的 range() 很像，但返回的是 NumPy 数组。

  np.arange() 常见有三种写法：1 个参数、2 个参数、3 个参数。

3.1 一个参数：np.arange(stop)

  一个参数时，从 0 开始，到 stop – 1 结束。

import numpy as np

a = np.arange(5)
print(a)

  输出结果：

[0 1 2 3 4]

  注意这里不会包含 5。这就是常说的“左闭右开”。

3.2 两个参数：np.arange(start, stop)

  两个参数时，从 start 开始，到 stop – 1 结束。

import numpy as np

a = np.arange(3, 8)
print(a)

  输出结果：

[3 4 5 6 7]

3.3 三个参数：np.arange(start, stop, step)

  三个参数时，第三个参数 step 表示步长。

import numpy as np

a = np.arange(0, 10, 2)
print(a)

  输出结果：

[0 2 4 6 8]

  np.arange(start, stop, step) 的核心规则是：从 start 开始，每次增加 step，但不会包含 stop。

  这张图展示的是 np.arange() 和 reshape() 的组合逻辑：先生成一维连续序列，再把它变成二维表格。

  从图中可以看出，np.arange() 更适合生成连续数字，比如序号、月份编号、分段区间、模拟行号等；而 reshape() 可以把这些连续数字重新整理成表格结构。

  在办公自动化里，np.arange() 很适合快速生成测试序号、行号、月份序列和分组编号。这比手动写列表更省事，也更容易调整。

4. reshape()：把一维序列变成二维表格

  reshape() 的作用是改变数组形状。最常见的用法，就是把一维数组变成二维数组。

  比如我们先生成 0 到 11 共 12 个数字：

import numpy as np

a = np.arange(12)
print(a)

  输出结果是一个一维数组：

[ 0 1 2 3 4 5 6 7 8 9 10 11]

  接下来用 reshape(3, 4) 把它变成 3 行 4 列：

import numpy as np

a = np.arange(12)
b = a.reshape(3, 4)

print(b)
print(b.shape)

  输出结果：

[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
(3, 4)

  这一步非常像把一列数据重新排成 Excel 中的一块区域。原本只是一串数字，经过 reshape() 后，就有了行和列。

  不过 reshape() 有一个硬规则：变形前后的元素总数必须一致。

  比如 np.arange(12) 有 12 个元素，可以变成 3 × 4，也可以变成 2 × 6，因为元素总数都是 12。

import numpy as np

a = np.arange(12)

print(a.reshape(3, 4))
print(a.reshape(2, 6))

  但如果你这样写，就会报错：

import numpy as np

a = np.arange(10)
b = a.reshape(3, 4)

  原因很简单：np.arange(10) 只有 10 个元素，而 3 × 4 需要 12 个元素。

  记忆方式很简单：行数 × 列数 = 元素总数。只要这个等式不成立，reshape() 就不应该强行写。

5. np.random.randn()：生成正态分布随机数

  除了已有数据和连续序列，办公自动化里还有一个常见需求：快速生成测试数据。比如我想先模拟一批销量波动、误差数据、测量数据，用来验证脚本逻辑和报表格式。

  np.random.randn() 用来生成符合标准正态分布的随机数。简单理解，它生成的是一批围绕 0 上下波动的小数。

  生成一个随机数：

import numpy as np

x = np.random.randn()
print(x)

  生成一维随机数组：

import numpy as np

a = np.random.randn(5)
print(a)

  生成二维随机数组：

import numpy as np

b = np.random.randn(3, 4)

print(b)
print(b.shape)

  randn() 更适合模拟带波动的小数数据。比如误差、增长率、变化幅度、测量偏差等。

  这张图展示的是 NumPy 随机数创建方式，包括 np.random.randn() 生成正态分布随机数，以及 np.random.randint() 生成随机整数数组。

  从图中可以看出，randn() 更偏模拟“波动型数据”，而 randint() 更像真实办公中的整数数据，例如成绩、库存、销量、数量。两者都可以用来生成测试表，但适用场景不同。

  随机数每次运行通常都会变化。如果你写博客、写教程、做测试，需要让结果可复现，可以考虑设置随机种子。

import numpy as np

np.random.seed(0)

a = np.random.randn(5)
print(a)

  设置随机种子后，同样的代码多次运行会得到一致的随机结果，更适合写教程和做演示。

6. np.random.randint()：生成更像业务数据的随机整数表

  如果我们想模拟成绩、库存、销量、数量这类数据，通常不需要小数，而是需要整数。这时候就更适合使用 np.random.randint()。

  它的基本写法是：

np.random.randint(low, high, size=...)

  其中，low 表示最小值，包含在结果里；high 表示最大值，但不包含；size 表示生成数组的形状。

  比如生成一个 3 行 4 列、范围在 0 到 9 之间的随机整数表：

import numpy as np

arr = np.random.randint(0, 10, size=(3, 4))

print(arr)
print(arr.shape)

  输出结果每次可能不同，例如：

[[3 9 1 0]
[7 2 5 8]
[6 4 4 1]]
(3, 4)

  这里的 size=(3, 4) 就表示生成 3 行 4 列。这和 Excel 表格区域很像，所以它非常适合用来造一块测试数据。

  如果要模拟 5 行 3 列、范围在 0 到 100 之间的成绩或销量，可以这样写：

import numpy as np

data = np.random.randint(0, 101, size=(5, 3))

print(data)

  这种写法很适合在还没有真实业务数据时，先验证脚本结构、Excel 写入逻辑和报表样式。

  注意 high 不包含在结果中。如果你想生成 0 到 100 之间的整数，应该写 np.random.randint(0, 101)，而不是 np.random.randint(0, 100)。

7. 快速生成一张可以写入 Excel 的测试表

  前面分别讲了 np.array()、np.arange()、reshape() 和随机数函数。现在可以把它们放到 Excel 自动化场景里看：我们先生成数据，再把数据写入 Excel。

  下面这段代码生成 5 行 3 列、范围在 0 到 100 的随机整数数据：

import numpy as np

data = np.random.randint(0, 101, size=(5, 3))

print(data)
print(data.shape)

  如果后续配合 xlwings，就可以把这块数据一次性写入 Excel：

import numpy as np
import xlwings as xw

data = np.random.randint(0, 101, size=(5, 3))

app = xw.App(visible=True)
wb = app.books.add()
sht = wb.sheets[0]

sht.range("A1").value = data

  这张图展示的是 NumPy 创建测试表并写入 Excel 的完整链路：先创建数组，再调整形状，最后写入 Excel 工作表。

  从图中可以看出，NumPy 数组不是停留在控制台里打印结果，而是可以继续进入 Excel 自动化流程。只要数组是二维结构，就很容易对应到 Excel 的一块单元格区域。

  这也是我认为本节最重要的价值：数组创建是后续 Excel 写入、测试报表、模拟数据分析的前置动作。

  如果只是学习 NumPy，可能会觉得这些函数有点零散；但一旦放到 Excel 场景里，它们就串成了一条很清楚的路线：造数据 → 整形状 → 写表格 → 验证结果。

8. 常见问题与踩坑提醒

8.1 np.arange() 为什么不包含 stop

  np.arange() 和 Python 的 range() 一样，遵循左闭右开的规则。比如 np.arange(5) 得到的是 0、1、2、3、4，不会包含 5。

  这个规则在生成序号、分组区间时很有用。只要记住“不包含 stop”，就不容易写错边界。

8.2 reshape() 为什么会报错

  reshape() 报错最常见的原因是元素总数不匹配。比如 10 个元素不能变成 3 行 4 列，因为 3 × 4 = 12。

  写 reshape() 前必须先确认元素总数。不要只看想要几行几列，还要看原数组里到底有多少个元素。

8.3 randint() 的 high 为什么不包含

  np.random.randint(low, high) 中的 high 不包含在结果里。如果想生成 1 到 100 之间的随机整数，应该写：

import numpy as np

data = np.random.randint(1, 101, size=(5, 3))
print(data)

  如果写成 np.random.randint(1, 100)，最大只可能生成到 99。

8.4 随机数每次都变，教程截图对不上怎么办

  这是正常现象。随机数函数每次运行都会生成不同结果。如果希望教程截图、运行结果、读者复现保持一致，可以设置随机种子。

import numpy as np

np.random.seed(42)

data = np.random.randint(0, 101, size=(5, 3))
print(data)

  写教程时建议设置随机种子，做真实模拟时则根据需要决定是否固定。

8.5 二维数组写入 Excel 时为什么位置不对

  如果用 xlwings 写入二维数组，要确认起始单元格是否正确。例如 sht.range("A1").value = data 会从 A1 开始写入。如果你希望从 B2 开始，就要改成 sht.range("B2").value = data。

  NumPy 负责生成数据，Excel 写入库负责决定写到哪里。这两个边界要分清楚。

9. 我的总结：数组创建是 Excel 自动化的数据准备层

  这一节我最后记住的，不是单纯的几个函数名，而是 NumPy 在 Excel 自动化中的位置。

  Excel 自动化不是一上来就读写表格，很多时候需要先准备数据、模拟数据、整理数据形状。而 np.array()、np.arange()、reshape()、randn() 和 randint() 正好解决了这几个前置问题。

  本篇最核心的几个结论是：

  第一，np.array() 可以把 list 或二维 list 转成 NumPy 数组。

  第二，np.arange() 适合生成连续数字序列，常用于序号、行号、分段区间。

  第三，reshape() 可以把一维数组整理成二维表格，但元素总数必须一致。

  第四，np.random.randn() 适合生成波动型小数，np.random.randint() 更适合生成业务感更强的整数表。

  如果把这些数组创建方法练熟，后面学习 pandas 和 xlwings 会顺很多。因为你已经知道数据可以从哪里来、可以是什么形状、可以怎样变成 Excel 能接收的二维表格。

  对我来说，这一节真正有价值的地方，是把“创建数组”从语法记忆变成了办公自动化里的数据准备思路。以后不管是做测试表、模拟销量，还是批量写入 Excel，都可以从这些基础方法开始搭建。

🔝 返回顶部

点击回到顶部