原文来源于：
http://blog.51cto.com/qianqiansun/1964097
注：对其中numpy.ascontiguousarray增加了一个总结性的文章链接
ndarray是一个包含了相同元素类型和大小的多维数组。
创建数组：
1、使用系统方法
empty(shape[, dtype, order]) # 根据给定的参数创建一个ndarray数组，值用随机数填充
例：
| 1 2
扫描二维码关注公众号，回复：
2837167 查看本文章
3 |
>>> np.empty([2, 2])
array([[ -9.74499359e+001, 6.69583040e-309],
[ 2.13182611e-314, 3.06959433e-309]])
|
empty_like(a[, dtype, order, subok]) #和empty不同的是，需要给出一个array的模板，就是a参数，新生成的ndarray继承了a的shape和dtype
例：
| 1 2 3 4 |
>>> a = ([1,2,3], [4,5,6])
>>> np.empty_like(a)
array([[-1073741821, -1073741821, 3], #random
[ 0, 0, -1073741821]])
|
eye(N[, M, k, dtype]) #生成一个N行M列的数组，K指定一条斜线，这条斜线上的值都是1,数组的其他元素维0
例：生成一个5行4列的数组，索引为1的斜线上全部是1,其他元素为0
| 1 2 3 4 5 6 |
>>> np.eye(5,4,1)
array([[ 0., 1., 0., 0.],
[ 0., 0., 1., 0.],
[ 0., 0., 0., 1.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
|
identity(n[, dtype]) #生成一个正方形的数组即N×N类型的数组，且索引万恶哦0的斜线上维1,其他元素维0
例：
| 1 2 3 4 |
>>> np.identity(3)
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]])
|
ones(shape[, dtype, order]) #生成一个指定shape和dtype的数组，用1填充
例：
| 1 2 3 4 5 |
>>> np.ones(5)
array([ 1., 1., 1., 1., 1.])
>>> np.ones((2, 1))
array([[ 1.],
[ 1.]])
|
ones_like(a[, dtype, order, subok]) #和ones的区别就是需要给定一个dnarray模板，新生成的array继承了a的shape和dtype
例：
| 1 2 3 4 5 6 7 8 |
>>> x = np.arange(6)
>>> x = x.reshape((2, 3))
>>> x
array([[0, 1, 2],
[3, 4, 5]])
>>> np.ones_like(x)
array([[1, 1, 1],
[1, 1, 1]])
|
zeros(shape[, dtype, order]) #根据给定的shape，和dtype生成一个由0填充的数组
例：
| 1 2 |
>>> np.zeros(5)
array([ 0., 0., 0., 0., 0.])
|
zeros_like(a[, dtype, order, subok]) #根据a模板生成一个新的用0 填充的ndarray数组
例：
| 1 2 3 4 5 6 7 8 |
>>> x = np.arange(6)
>>> x = x.reshape((2, 3))
>>> x
array([[0, 1, 2],
[3, 4, 5]])
>>> np.zeros_like(x)
array([[0, 0, 0],
[0, 0, 0]])
|
full(shape, fill_value[, dtype, order]) #用指定的值填充数组
例：
| 1 2 3 |
>>> np.full((2, 2), 10)
array([[10, 10],
[10, 10]])
|
full_like(a, fill_value[, dtype, order, subok]) #根据a模板的shape和dtype生成一个数组，如果指定的填充数不是a的dtype类型，会向下取整，这时候也可以指定新数组的dtype类型。
例：
| 1 2 3 4 5 6 7 8 9 |
>>> x = np.arange(6, dtype=np.int)
>>> np.full_like(x, 1)
array([1, 1, 1, 1, 1, 1])
>>> np.full_like(x, 0.1) #如果full_value设置为1.2则就是用1填充
array([0, 0, 0, 0, 0, 0])
>>> np.full_like(x, 0.1, dtype=np.double)
array([ 0.1, 0.1, 0.1, 0.1, 0.1, 0.1])
>>> np.full_like(x, np.nan, dtype=np.double)
array([ nan, nan, nan, nan, nan, nan])
|
2、用指定的数据填充
array(object[, dtype, copy, order, subok, ndmin]) #用对象直接填充数组
例：
| 1 2 3 4 5 6 7 8 9 10 |
>>> np.array([1, 2, 3]) #一维数组
array([1, 2, 3])
>>> np.array([[1, 2], [3, 4]]) #二维数组
array([[1, 2],
[3, 4]])
>>> np.array([1, 2, 3], ndmin=2) #只有一个元素的二维数组
array([[1, 2, 3]])
>>> np.array(np.mat('1 2; 3 4')) #从子类创建
array([[1, 2],
[3, 4]])
|
asarray(a[, dtype, order]) #把lists, lists of tuples, tuples, tuples of tuples, tuples of lists and ndarrays转化为array
例：
| 1 2 3 |
>>> a = [1, 2]
>>> np.asarray(a)
array([1, 2])
|
asanyarray(a[, dtype, order]) #通过ndarray的子类创建array
| 1 2 3 |
>>> a = [1, 2]
>>> np.asanyarray(a)
array([1, 2])
|
ascontiguousarray(a[, dtype]) #返回一个地址连续的数组（C order）
| 1 2 3 4 5 6 |
>>> x = np.arange(6).reshape(2,3)
>>> np.ascontiguousarray(x, dtype=np.float32)
array([[ 0., 1., 2.],
[ 3., 4., 5.]], dtype=float32)
>>> x.flags['C_CONTIGUOUS']
True
|
关于numpy.ascontiguousarray有一篇总结性文章还不错放在此处吧：
https://programtalk.com/python-examples/numpy.ascontiguousarray/
asmatrix(data[, dtype]) # 把数组转化为矩阵,新的变量没有copy数据，只是指向原有的数据
| 1 2 3 4 5 |
>>> x = np.array([[1, 2], [3, 4]])
>>> m = np.asmatrix(x)
>>> x[0,0] = 5
>>> m
matrix([[5, 2], [3, 4]])
|
copy(a[, order]) #顾名思义就是复制的意思
| 1 2 3 4 5 6 7 8 |
>>> x = np.array([1, 2, 3])
>>> y = x
>>> z = np.copy(x)
>>> x[0] = 10
>>> x[0] == y[0]
True
>>> x[0] == z[0]
False
|
frombuffer(buffer[, dtype, count, offset]) #把buffer数据转化为1维数组ps:如果数据不是机器字节顺序,需要指定他的dtype类型
| 1 2 3 4 |
>>> s = 'hello world'
>>> np.frombuffer(s, dtype='S1', count=5, offset=6)
array(['w', 'o', 'r', 'l', 'd'],
dtype='|S1')
|
frombuffer(buffer[, dtype, count, offset]) #从文件读取数据 ps:该方法不长用用save替代
fromfunction(function, shape, **kwargs) #用方法计算出来的数据填充数组
| 1 2 3 4 |
>>> np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int)
array([[0, 1, 2],
[1, 2, 3],
[2, 3, 4]])
|
fromiter(iterable, dtype[, count]) #通过迭代器生成一个一维数组
| 1 2 3 |
>>> iterable = (x*x for x in range(5))
>>> np.fromiter(iterable, np.float)
array([ 0., 1., 4., 9., 16.])
|
fromstring(string[, dtype, count, sep]) #把二进制流或者字符串转化维数组
| 1 2 3 4 5 6 7 8 |
>>> np.fromstring('\x01\x02', dtype=np.uint8)
array([1, 2], dtype=uint8)
>>> np.fromstring('1 2', dtype=int, sep=' ')
array([1, 2])
>>> np.fromstring('1, 2', dtype=int, sep=',')
array([1, 2])
>>> np.fromstring('\x01\x02\x03\x04\x05', dtype=np.uint8, count=3)
array([1, 2, 3], dtype=uint8)
|
| arange([start,] stop[, step,][, dtype]) |
#根据给定的区间创建连续的值
| 1 2 3 4 5 6 7 8 |
>>> np.arange(3)
array([0, 1, 2])
>>> np.arange(3.0)
array([ 0., 1., 2.])
>>> np.arange(3,7)
array([3, 4, 5, 6])
>>> np.arange(3,7,2)
array([3, 5])
|
numpu.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None) #arrange一样,主要是生成浮点型
| 1 2 3 4 5 6 |
>>> np.linspace(2.0, 3.0, num=5)
array([ 2. , 2.25, 2.5 , 2.75, 3. ])
>>> np.linspace(2.0, 3.0, num=5, endpoint=False)
array([ 2. , 2.2, 2.4, 2.6, 2.8])
>>> np.linspace(2.0, 3.0, num=5, retstep=True)
(array([ 2. , 2.25, 2.5 , 2.75, 3. ]), 0.25)
|
numpy.logspace(start,stop,num=50,endpoint=True,base=10.0,dtype=None) #log函数.base默认值为10
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
>>> np.logspace(2.0, 3.0, num=4)
array([ 100. ,
215.443469 ,
464.15888336,
1000. ])
>>> np.logspace(2.0, 3.0, num=4, endpoint=False)
array([ 100. ,
177.827941 ,
316.22776602,
562.34132519])
>>> np.logspace(2.0, 3.0, num=4, base=2.0)
array([ 4. ,
5.0396842 ,
6.34960421,
8. ])
|
numpy.geomspace(start,stop,num=50,endpoint=True,dtype=None) #几何级增长
| 1 2 3 4 5 6 7 8 9 10 11 |
>>> np.geomspace(1, 1000, num=4)
array([ 1., 10., 100., 1000.])
>>> np.geomspace(1, 1000, num=3, endpoint=False)
array([ 1., 10., 100.])
>>> np.geomspace(1, 1000, num=4, endpoint=False)
array([ 1. ,
5.62341325,
31.6227766 ,
177.827941 ])
>>> np.geomspace(1, 256, num=9)
array([ 1., 2., 4., 8., 16., 32., 64., 128., 256.])
|
numpy.emshgrid(*xi,**kwargs) #把向量坐标转化为矩阵坐标;在二维度数组中长度为M,N的的俩个数组作为输入:如果indexing='ij',则shape(M,N)如果indexing='xy'则shape(N.M)
| 1 2 3 4 5 6 7 8 9 10 |
>>> nx, ny = (3, 2)
>>> x = np.linspace(0, 1, nx)
>>> y = np.linspace(0, 1, ny)
>>> xv, yv = np.meshgrid(x, y)
>>> xv
array([[ 0. , 0.5, 1. ],
[ 0. , 0.5, 1. ]])
>>> yv
array([[ 0., 0., 0.],
[ 1., 1., 1.]])
|
numpy.diag(v,k=0) #提取对角或构建一个对角阵
| 1 2 3 4 5 6 7 8 9 |
>>> x = np.arange(9).reshape((3,3))
>>> xarray([[0, 1, 2],
[3, 4, 5], [6, 7, 8]])
>>> np.diag(x)
array([0, 4, 8])
>>> np.diag(x, k=1)
array([1, 5])
>>> np.diag(x, k=-1
array([3, 7])
|
numpy.diagflat(v,k=0) #一个扁平输入作为一个二维数组的对角
| 1 2 3 4 5 |
>>> np.diagflat([[1,2], [3,4]])
array([[1, 0, 0, 0],
[0, 2, 0, 0],
[0, 0, 3, 0],
[0, 0, 0, 4]])
|
numpy.tri(N,M=None,k=0,dtype=<type 'float'>) #这个不会翻译,但是看数据有点映像
| 1 2 3 4 |
>>> np.tri(3, 5, 2, dtype=int)
array([[1, 1, 1, 0, 0],
[1, 1, 1, 1, 0],
[1, 1, 1, 1, 1]])
|
numpy.vander(x,N=None,incresing=False) # 范德蒙式,程序不重要,重要的是科学计算
| 1 2 3 4 5 6 7 |
>>> x = np.array([1, 2, 3, 5])
>>> N = 3
>>> np.vander(x, N)
array([[ 1, 1, 1],
[ 4, 2, 1],
[ 9, 3, 1],
[25, 5, 1]])
|
numpy.mat(data,dtype=None) #输入转化为矩阵,创建一个新变量,指向旧的数据
| 1 2 3 4 5 |
>>> x = np.array([[1, 2], [3, 4]])
>>> m = np.asmatrix(x)
>>> x[0,0] = 5
>>> m
matrix([[5, 2], [3, 4]])
|
numpy.bmat(obj,ldict=None,gdict=None) #用字符串,嵌套序列,或者数组创建矩阵
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 |
>>> A = np.mat('1 1; 1 1')
>>> B = np.mat('2 2; 2 2')
>>> C = np.mat('3 4; 5 6')
>>> D = np.mat('7 8; 9 0')
>>> np.bmat([[A, B], [C, D]])
matrix([[1, 1, 2, 2],
[1, 1, 2, 2],
[3, 4, 7, 8],
[5, 6, 9, 0]])
>>> np.bmat(np.r_[np.c_[A, B], np.c_[C, D]])
matrix([[1, 1, 2, 2],
[1, 1, 2, 2],
[3, 4, 7, 8],
[5, 6, 9, 0]])
>>> np.bmat('A,B; C,D')
matrix([[1, 1, 2, 2],
[1, 1, 2, 2],
[3, 4, 7, 8],
[5, 6, 9, 0]])
|