本文完整示例：完整示例代码
本文介绍了基础的、常用的创建ndarrary的多种方法，附带示例代码。
一、通过ndarray创建
import numpy as np
1.1 一维数组
a = np.array([1, 2, 3])
a
array([1, 2, 3])
1.2 二维数组
np.array([[1, 2, 3, 4],
[2, 3, 4, 5]])
array([[1, 2, 3, 4],
[2, 3, 4, 5]])
1.3 三维数组
arr1 = np.array([
[
[1, 2, 32, 23],
[23, 3, 23, 3]
],
[
[1, 2, 3, 4],
[23, 3, 4, 32]
]
])
print(arr1)
print(type(arr1))
arr1
[[[ 1 2 32 23]
[23 3 23 3]]
[[ 1 2 3 4]
[23 3 4 32]]]
<class 'numpy.ndarray'>
array([[[ 1, 2, 32, 23],
[23, 3, 23, 3]],
[[ 1, 2, 3, 4],
[23, 3, 4, 32]]])
二、创建ndarrary的常见函数
2. zeros()函数，指定一个维度元组（形状参数），返回全0的ndarrary
arr2 = np.zeros((2, 4))
arr2
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
3. ones()函数，指定一个维度元组（形状参数），返回全1的ndarrary
arr3 = np.ones((4, 4))
arr3
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])
4. empty()函数，指定一个维度元组（形状参数），返回一个值（垃圾值）为被初始化的ndarrary
arr4 = np.empty((2, 2))
arr4
array([[ 7.89119642e-312, 4.22795269e-307],
[ 9.34608432e-307, 1.11258854e-306]])
三、其他创建ndarrary的方式
5. numpy.arange([start ], stop[, step ], dtype=None)函数，左开右闭
arr5 = np.arange(1, 10, 1)
arr5
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
6. numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)函数， 产生一个等差数列，左闭右闭
arr6 = np.linspace(0, 4, 5)
arr6
array([ 0., 1., 2., 3., 4.])
7. numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)函数，底数默认为10
arr7 = np.logspace(0, 4, 5, base=2)
arr7
array([ 1., 2., 4., 8., 16.])
8. numpy.eye(N, M=None, k=0, dtype=<type ‘float’>)函数，生成NxM的单位矩阵
Return a 2-D array with ones on the diagonal and zeros elsewhere.
arr8 = np.eye(4, 3)
arr8
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.],
[ 0., 0., 0.]])
9. numpy.zeros_like(a, dtype=None, order=’K’, subok=True)函数，返回一个与a的形状参数一样的元素全部为0的数组
Return an array of zeros with the same shape and type as a given array.
参数subok,是否继承a的数据类型；
参数order，指定返回的结果在内存中的存储布局，默认是'K'，表示尽可能与a相同。
# 返回一个与arr8形状应的全0数组
arr9 = np.zeros_like(arr8)
arr9
array([[ 0., 0., 0.],
[ 0., 0., 0.],
[ 0., 0., 0.],
[ 0., 0., 0.]])
10. numpy.ones_like(a, dtype=None, order=’K’, subok=True)函数，
返回一个与a的形状参数一样且元素全为0的数组
# 返回一个与ar9形状应的全0数组
arr10 = np.ones_like(arr9)
arr10
array([[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.]])
11. numpy.empty_like(a, dtype=None, order=’K’, subok=True)函数，返回一个与a形状相同且全部值为垃圾值（随机值）的数组
Return a new array with the same shape and type as a given array.
arr11 = np.empty_like(np.ones((5,4)))
arr11
array([[ 7.89102294e-312, 6.27463370e-322, 0.00000000e+000,
0.00000000e+000],
[ 8.45593933e-307, 5.30276956e+180, 7.70748458e-043,
4.57487963e-071],
[ 3.45618033e-086, 3.35860426e-143, 6.01433264e+175,
6.93885958e+218],
[ 5.56218858e+180, 3.94356143e+180, 4.75084178e-037,
1.24689504e-047],
[ 3.85156077e-057, 2.06073242e+184, 4.71530148e-143,
1.50008929e+248]])
12. numpy.copy(a, order=’K’)函数，返回与a一样的数组
Return an array copy of the given object.
# 属于深拷贝，修改复制数组，对原数组没有影响
arr12 = np.copy(arr11)
arr12[0, 0] = 1
arr12
array([[ 1.00000000e+000, 6.27463370e-322, 0.00000000e+000,
0.00000000e+000],
[ 8.45593933e-307, 5.30276956e+180, 7.70748458e-043,
4.57487963e-071],
[ 3.45618033e-086, 3.35860426e-143, 6.01433264e+175,
6.93885958e+218],
[ 5.56218858e+180, 3.94356143e+180, 4.75084178e-037,
1.24689504e-047],
[ 3.85156077e-057, 2.06073242e+184, 4.71530148e-143,
1.50008929e+248]])
13. numpy.identity(n, dtype=None)函数，返回一个n阶单位方阵
Return the identity array.
arr13 = np.identity(4)
arr13
array([[ 1., 0., 0., 0.],
[ 0., 1., 0., 0.],
[ 0., 0., 1., 0.],
[ 0., 0., 0., 1.]])
14. numpy.fromfunction(function, shape, **kwargs)返回一个数组，元素的值由函数计算，形状由shape元组限制
注意：参数shape是一个元组，shape元组中的元素个数需要与函数中的参数个数一致，分别表示不同纬度。
arr20 = np.fromfunction(lambda x, y: x+y, shape=(3, 3))
print(arr20)
arr21 = np.fromfunction(lambda x, y, z: x+y+z, shape=(3, 3, 3))
arr21
[[ 0. 1. 2.]
[ 1. 2. 3.]
[ 2. 3. 4.]]
array([[[ 0., 1., 2.],
[ 1., 2., 3.],
[ 2., 3., 4.]],
[[ 1., 2., 3.],
[ 2., 3., 4.],
[ 3., 4., 5.]],
[[ 2., 3., 4.],
[ 3., 4., 5.],
[ 4., 5., 6.]]])
15. numpy.mgrid函数
arr14 = np.mgrid[-1:3:2] # 表示从-1开始，步长为1，取2个数字
print(arr14)
arr15 = np.mgrid[-1:3:2j] # 当加'j'时，表示左闭右闭，且取到2个数字
print(arr15)
arr16 = np.mgrid[-1:3] # 当指定两个参数时，功能与numpy.arange()函数一样
print(arr16)
arr18 = np.mgrid[0:5, 0:5] # 分别在两个维度上做填充
print(arr18)
[-1 1]
[-1. 3.]
[-1 0 1 2]
[[[0 0 0 0 0]
[1 1 1 1 1]
[2 2 2 2 2]
[3 3 3 3 3]
[4 4 4 4 4]]
[[0 1 2 3 4]
[0 1 2 3 4]
[0 1 2 3 4]
[0 1 2 3 4]
[0 1 2 3 4]]]
16. numpy.ogrid函数
arr19 = np.ogrid[1:2]
print(arr19)
arr20 = np.ogrid[0:5, 0:5]
print(arr20)
[1]
[array([[0],
[1],
[2],
[3],
[4]]), array([[0, 1, 2, 3, 4]])]
17. numpy.fromstring(string, dtype=float, count=-1, sep=’‘)函数，从字符串创建一个一维ndarrary
arr21 = np.fromstring('1 2 3 4', sep=' ')
arr21
array([ 1., 2., 3., 4.])
18. numpy.fromiter(iterable, dtype, count=-1)函数，返回一个一维数组
# 需要指定数据类型dtype
iterable = (i*i for i in range(4))
arr22 = np.fromiter(iterable,dtype=float)
arr22
array([ 0., 1., 4., 9.])
四、其他方法
19. numpy.fromfile(file, dtype=float, count=-1, sep=’‘)函数，从文本文件或二进制文件中创建ndarrary
20. numpy.loadtxt(fname, dtype=<type ‘float’>, comments=’#’, delimiter=None, converters=None,skiprows=0, usecols=None, unpack=False, ndmin=0)从文件中创建。
| 总结 |
- 本文完整示例：完整示例代码
- 能力有限，欢迎指错交流；
欢迎关注个人微信公众号WaltSmithML或新浪微博WaltSmith，公众号提供机器学习、深度学习、Hadoop、Spark、Python、数学知识等免费视频教程。本人主要方向为机器学习和深度学习。非常欢迎一起交流学习哈，除了学习，还可免费帮忙download论文或者书籍哈==============
♥♥♥微信公众号♥♥♥
♥♥♥♥
♥♥新浪微博♥♥