机器学习的最基础模块就是numpy模块了，而numpy模块中的数组操作又是重中之重，所以我们今天主要介绍数组的创建方法。

一、创建数组

• numpy.empty

numpy.empty 方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组：

numpy.empty(shape, dtype = float, order = 'C')
//shape	数组形状
//dtype	数据类型，可选
//order	有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。

//创建空数组
import numpy as np 
x = np.empty([2,3], dtype = int) 
print (x)

//输出
[[ 3458764513820540928 -9223363249997890790  4207488256838926340]
 [ 4640128614720080996   604961579779425155   189479273602761376]]

数组元素为随机值，因为它们未初始化。

• numpy.zeros

创建指定大小的数组，数组元素以 0 来填充

注意：默认是 float 类型的

numpy.zeros(shape, dtype = float, order = 'C')
//shape	数组形状
//dtype	数据类型，可选
//order	'C' 用于 C 的行数组，或者 'F' 用于 FORTRAN 的列数组


import numpy as np 
# 默认为浮点数
x = np.zeros(5) 
print(x)
 
# 设置类型为整数
y = np.zeros((5,), dtype = np.int) 
print(y)
 
# 自定义类型
z = np.zeros((2,2), dtype = [('x', 'i4'), ('y', 'i4')])  
print(z)

#输出
[0. 0. 0. 0. 0.]
[0 0 0 0 0]
[[(0, 0) (0, 0)]
 [(0, 0) (0, 0)]]

对比：

empty() 方法和 zeros() 方法不同，不会将数组值设置为零，因此可能会略微加快。另一方面，它要求用户手动设置数组中的所有值，并应谨慎使用。

• numpy.ones

创建指定形状的数组，数组元素以 1 来填充：

numpy.ones(shape, dtype = None, order = 'C')

//shape	数组形状
//dtype	数据类型，可选
//order	'C' 用于 C 的行数组，或者 'F' 用于 FORTRAN 的列数组

import numpy as np

# 默认为浮点数
x = np.ones(5) 
print(x)
 
# 自定义类型
x = np.ones([2,3], dtype = int)
print(x)

#输出结果为：
[1. 1. 1. 1. 1.]
[[1 1 1]
 [1 1 1]]

• numpy.full

返回给定维度和类型的新数组，填充 fill_value

numpy.full(shape, fill_value, dtype=None, order='C')
//shape	返回数组的维度
//fill_value	填充值
//dtype	返回数组的数据类型，默认值 None 指：np.array(fill_value).dtype
//order	在计算机内存中的存储元素的顺序，只支持 'C'（按行）、'F'（按列），默认 'C'

import numpy as np
a = np.full((2, 3), 9)
print(a)

#输出：
[[9 9 9]
 [9 9 9]]

二、从已有的数组创建数组

• numpy.asarray

numpy.asarray(a, dtype = None, order = None)

//a	任意形式的输入参数，可以是，列表, 列表的元组, 元组, 元组的元组, 元组的列表，多维数组
//dtype	数据类型，可选
//order	可选，有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。

#将列表转换为 ndarray:

import numpy as np 
x =  [1,2,3,4] 
a = np.asarray(x)  
print (a)

#输出结果为：
[1  2  3 4]

#将元组转换为 ndarray:
import numpy as np 
 
x =  (1,2,3,4) 
a = np.asarray(x)  
print (a)

#输出结果为：
[1  2  3 4]

#将元组列表转换为 ndarray:
import numpy as np 
 
x =  [(1,2,3),(4,5)] 
a = np.asarray(x)  
print (a)

#输出结果为：
[(1, 2, 3) (4, 5)]

#设置了 dtype 参数：
import numpy as np 
 
x =  [1,2,3] 
a = np.asarray(x, dtype =  float)  
print (a)

#输出结果为：
[ 1.  2.  3.]

• numpy.frombuffer

numpy.frombuffer 用于实现动态数组。

numpy.frombuffer 接受 buffer 输入参数，以流的形式读入转化成 ndarray 对象。

numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)
//buffer 实现了 __buffer__ 方法的对象
//dtype	返回数组的数据类型，可选
//count	读取的数据数量，默认为-1，读取所有数据。
//offset	读取的起始位置，默认为0。

import numpy as np 
#buffer 是字符串的时候，Python3 默认 str 是 Unicode 类型，所以要转成 bytestring 在原 str 前加上 b。
s =  b'Hello World' 
a = np.frombuffer(s, dtype =  'S1')  
print (a)

#输出结果为：
[b'H' b'e' b'l' b'l' b'o' b' ' b'W' b'o' b'r' b'l' b'd']

• numpy.fromiter

numpy.fromiter 方法从可迭代对象中建立 ndarray 对象，返回一维数组。

numpy.fromiter(iterable, dtype, count=-1)

//iterable	可迭代对象
//dtype	返回数组的数据类型
//count	读取的数据数量，默认为-1，读取所有数据

import numpy as np 
 
# 使用 range 函数创建列表对象  
list=range(5)
it=iter(list)
# 使用迭代器创建 ndarray 
x=np.fromiter(it, dtype=float)
print(x)
#输出结果为：
[0. 1. 2. 3. 4.]

三、从数值范围创建数组

• numpy.arange

numpy 包中的使用 arange 函数创建数值范围并返回 ndarray 对象，函数格式如下：

numpy.arange(start, stop, step, dtype)
//根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray。
//start	起始值，默认为0
//stop	终止值（不包含）
//step	步长，默认为1
//dtype	返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。

#生成 0 到 5 的数组:
import numpy as np
 
x = np.arange(5)  
print (x)

#输出结果如下：
[0  1  2  3  4]


#设置返回类型位 float:
import numpy as np
 
# 设置了 dtype
x = np.arange(5, dtype =  float)  
print (x)

#输出结果如下：
[0.  1.  2.  3.  4.]


#设置了起始值、终止值及步长：
import numpy as np
x = np.arange(10,20,2)  
print (x)

#输出结果如下：
[10  12  14  16  18]

• numpy.linspace

numpy.linspace 函数用于创建一个一维数组，数组是一个等差数列构成的，格式如下：

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
//start	序列的起始值
//stop	序列的终止值，如果endpoint为true，该值包含于数列中
//num	要生成的等步长的样本数量，默认为50
//endpoint	该值为 true 时，数列中包含stop值，反之不包含，默认是True。
//retstep	如果为 True 时，生成的数组中会显示间距，反之不显示。
//dtype	ndarray 的数据类型

#以下实例用到三个参数，设置起始点为 1 ，终止点为 10，数列个数为 10。
import numpy as np
a = np.linspace(1,10,10)
print(a)
#输出结果为：
[ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]

#设置元素全部是1的等差数列：
import numpy as np
a = np.linspace(1,1,10)
print(a)

#输出结果为：
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]


#将 endpoint 设为 false，不包含终止值：
import numpy as np
 
a = np.linspace(10, 20,  5, endpoint =  False)  
print(a)

#输出结果为：
[10. 12. 14. 16. 18.]


#如果将 endpoint 设为 true，则会包含 20。以下实例设置间距。

import numpy as np
a =np.linspace(1,10,10,retstep= True)
 
print(a)

b =np.linspace(1,10,10).reshape([10,1])
print(b)

#输出结果为：
(array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.]), 1.0)
[[ 1.]
 [ 2.]
 [ 3.]
 [ 4.]
 [ 5.]
 [ 6.]
 [ 7.]
 [ 8.]
 [ 9.]
 [10.]]

• numpy.logspace

numpy.logspace 函数用于创建一个于等比数列。格式如下：

np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
//start	序列的起始值为：base ** start
//stop	序列的终止值为：base ** stop。如果endpoint为true，该值包含于数列中
#num	要生成的等步长的样本数量，默认为50
#endpoint	该值为 true 时，数列中中包含stop值，反之不包含，默认是True。
#base	对数 log 的底数。
dtype	ndarray 的数据类型
实例
import numpy as np
# 默认底数是 10
a = np.logspace(1.0,  2.0, num =  10)  
print (a)
输出结果为：
[ 10.           12.91549665     16.68100537      21.5443469  27.82559402      
  35.93813664   46.41588834     59.94842503      77.42636827    100.    ]
将对数的底数设置为 2 :
实例
import numpy as np
a = np.logspace(0,9,10,base=2)
print (a)
输出如下：
[  1.   2.   4.   8.  16.  32.  64. 128. 256. 512.]