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.]
