预分配会在一次调用中错误分配您所需的所有内存，而调整数组大小（通过调用append、insert、concatenate或resize）可能需要将数组复制到更大的内存块。所以你是对的，预分配比调整大小更好（而且应该更快）。
根据您想要创建的内容，有许多预分配numpy数组的“首选”方法。有np.zeros，np.ones，np.empty，np.zeros_like，np.ones_like和np.empty_like，以及许多其他创建有用数组的数组，如np.linspace和np.arange。
所以呢

ar0 = np.linspace(10, 20, 16).reshape(4, 4)

如果这最接近您想要的ar0，则可以。
但是，要使最后一列都是1，我认为首选的方法是说

ar0[:,-1]=1

由于ar0[:,-1]的形状是(4,)，因此1是broadcasted以匹配此形状。

在性能很重要的情况下，**np.empty和np.zeros**似乎是初始化numpy数组的最快方法。
下面是每种方法和其他一些方法的测试结果。值以秒为单位。

>>> timeit("np.empty(1000000)",number=1000, globals=globals())
0.033749611208094166

>>> timeit("np.zeros(1000000)",number=1000, globals=globals())
0.03421245135849915

>>> timeit("np.arange(0,1000000,1)",number=1000, globals=globals())
1.2212416112155324

>>> timeit("np.ones(1000000)",number=1000, globals=globals())
2.2877375495381145

>>> timeit("np.linspace(0,1000000,1000000)",number=1000, globals=globals())
3.0824269766860652

根据我的经验，numpy.empty()是预分配HUGE阵列的最快方法。我所说的数组的形状类似于(80,80,300000)和dtype uint8。
代码如下：

%timeit  np.empty((80,80,300000),dtype='uint8')
%timeit  np.zeros((80,80,300000),dtype='uint8')
%timeit  np.ones((80,80,300000),dtype='uint8')

和时间的结果：

10000 loops, best of 3: 83.7 µs per loop  # Much faster
1 loop, best of 3: 273 ms per loop
1 loop, best of 3: 272 ms per loop