摘要： 在算法中我们最经常用到的就是矩阵，我们就从矩阵开始说起吧。 NumPy中，使用二维的多维数组ndarray来存储矩阵。
Python现在是最热门的人工智能语言，各种工具的支持如Google的Tensorflow，都是首选支持Python的。
但是，与R语言不同，Python语言设计时，并没有考虑对于矩阵运算，统计计算等功能做专项支持。于是我们需要NumPy库来补足这一能力上的不足。
NumPy是Python的著名扩展库，相当于Python中的MATLAB。
如何生成多维数组
初识ndarray多维数组
在算法中我们最经常用到的就是矩阵，我们就从矩阵开始说起吧。
NumPy中，使用二维的多维数组ndarray来存储矩阵。
例：
a3 = np.array([[1,0],[0,1]])
会生成这样一个多维数组对象
array([[1, 0],
[0, 1]])
生成数组序列
通过开始值、结束值和步长值生成数组序列 - arange
可以通过arange函数来生成指定开始值，结束值和步长值的一维数组。请注意，结束值并不包含在序列中，也就是说结束值是开区间。
In [25]: a4 = np.arange(1,10,1)
In [26]: a4
Out[26]: array([1,2,3,4,5,6,7,8,9])
线性序列 - linspace
与arange类似，linspace通过给定初值、终值和元素个数来生成序列。是否包含终值可以通过endpoint属性来设置。
例：
In [37]: a8 = np.linspace(1,10,10,endpoint=True)
In [38]: a8
Out[38]: array([1.,2.,3.,4.,5.,6.,7.,8.,9.,10.])
等比序列 - logspace
除了线性的等差数列，我们也可以通过等比数列的方式来生成一维数组。
默认是以10的n次方为参数，比如logspace(0,4,3)的意思是，初值为10的0次方，即1，终值是10的4次方，即100，一共生成3个值。
例，生成[1,100,10000]
In [47]: a9 = np.logspace(0,4,3)
In [48]: a9
Out[48]: array([1.00000000e+00,1.00000000e+02,1.00000000e+04])
我们当然也可以修改基数，比如改成3：
In [53]: a10 = np.logspace(1,5,3,base=3)
In [54]: a10
Out[54]: array([3.,27.,243.])
改变多维数组的形状
如果有一个一维数组要转为多维数组，可以通过修改shape属性来实现。
我们可以先将数据存在一维数组中，可以用列表或者元组来生成一维数组，它们是等价的：
例：
In [2]: a1 = np.array([1,2,3,4])
In [3]: a1
Out[3]:array([1,2,3,4])
In [4]: a2 = np.array((1,0,0,1))
In [5]: a2
Out[5]:array([1,0,0,1])
我们通过shape属性来查看一个数组的形状：
In [14]: a1.shape
Out[14]: (4,)
In [15]: a2.shape
Out[15]: (4,)
shape属性是可以直接修改的，比如我们想把上面的a1改成2 x 2的矩阵，就直接改shape值就是了：
In [16]: a1.shape =2,2
In [17]: a1
Out[17]: array([[1,2], [3,4]])
如果能确定一个轴，另一个可以赋-1让系统自己去算。
例：
In [18]: a2.shape=2,-1
In [19]: a2
Out[19]: array([[1,0], [0,1]])
如果想保持这个数组不变，生成一个形状改变的新数组，可以调用reshape方法。
例：我们将一个25个元素的数组生成一个5x5的新数组
In [59]: a11 = np.linspace(1,100,25)
In [60]: a11
Out[60]: array([1.,5.125,9.25,13.375,17.5,21.625,25.75,29.875,34.,38.125,42.25,46.375,50.5,54.625,58.75,62.875,67.,71.125,75.25,79.375,83.5,87.625,91.75,95.875,100.])
In [61]: a12 = a11.reshape(5,-1)
In [62]: a12
Out[62]:
array([[1.,5.125,9.25,13.375,17.5], [21.625,25.75,29.875,34.,38.125], [42.25,46.375,50.5,54.625,58.75], [62.875,67.,71.125,75.25,79.375], [83.5,87.625,91.75,95.875,100.]])
直接生成多维数组
生成全0的数组
zeros生成全是0的数组，第一个参数是shape
例：
In [65]: np.zeros((10,10))
Out[65]:
array([[0.,0.,0.,0.,0.,0.,0.,0.,0.,0.], [0.,0.,0.,0.,0.,0.,0.,0.,0.,0.], [0.,0.,0.,0.,0.,0.,0.,0.,0.,0.], [0.,0.,0.,0.,0.,0.,0.,0.,0.,0.], [0.,0.,0.,0.,0.,0.,0.,0.,0.,0.], [0.,0.,0.,0.,0.,0.,0.,0.,0.,0.], [0.,0.,0.,0.,0.,0.,0.,0.,0.,0.], [0.,0.,0.,0.,0.,0.,0.,0.,0.,0.], [0.,0.,0.,0.,0.,0.,0.,0.,0.,0.], [0.,0.,0.,0.,0.,0.,0.,0.,0.,0.]])
生成全是1的数组
例：
In [66]: np.ones((5,5))
Out[66]:
array([[1.,1.,1.,1.,1.], [1.,1.,1.,1.,1.], [1.,1.,1.,1.,1.], [1.,1.,1.,1.,1.], [1.,1.,1.,1.,1.]])
只生成空数组
empty不赋初值，是最快速的方法
例：
In [67]: np.empty((3,3))
Out[67]: array([[1.,2.125,3.25], [4.375,5.5,6.625], [7.75,8.875,10.]])
通过函数来生成数组
通过fromfunction函数可以通过一个函数来生成想要的数组。
例，生成九九乘法表：
In [125]:defmul2(x,y):...:return(x+1)*(y+1) ...:
In [126]: np.fromfunction(mul2,(9,9))
Out[126]:
array([[1.,2.,3.,4.,5.,6.,7.,8.,9.], [2.,4.,6.,8.,10.,12.,14.,16.,18.], [3.,6.,9.,12.,15.,18.,21.,24.,27.], [4.,8.,12.,16.,20.,24.,28.,32.,36.], [5.,10.,15.,20.,25.,30.,35.,40.,45.], [6.,12.,18.,24.,30.,36.,42.,48.,54.], [7.,14.,21.,28.,35.,42.,49.,56.,63.], [8.,16.,24.,32.,40.,48.,56.,64.,72.], [9.,18.,27.,36.,45.,54.,63.,72.,81.]])
本文作者：lusing
阅读原文
本文为云栖社区原创内容，未经允许不得转载。