目录

array函数——转换为数组

arrange函数——生成给定区间内的等差数组

linspace函数、logspace函数——生成等差数组、等比数组

ones函数——生成1为元素的单位数组（任意维度）

zeros函数——生成0作为元素的数组

eye函数——生成n维单位矩阵

基本使用

eye函数补充

zeros_like函数——生成维数与？相同的数组

数组和列表的主要区别

---

注意一定要先导入numpy库再进行后续程序的编写

import numpy as np

上述代码对numpy起了别称np

array函数——转换为数组

引例为建立一个三维数组

import numpy as np
a=[[1212,1342,1245],[356,87145,456],[456,78,54]]
b=np.array(a)
print(b)

 python默认进行数字末尾位对齐

arrange函数——生成给定区间内的等差数组

arange(start,stop,step,dtype)

根据上述说明，arrange后面的第一个数是起始数值，随后是结束数值，第三个位置是步长，最后一个是数据类型。

linspace函数、logspace函数——生成等差数组、等比数组

import numpy as np
s=np.linspace(1,10,9)
n=np.logspace(10,12,9,base=2)
print(s,'\n',n)

 如上图，运行改代码结果如上，linspace生成等差数列，logspace生成等比数列。

其中logspace第一个数值指的是函数幂的最小值，第二个数指的是函数幂的最大值，第三个数指的是生成的数组个数，最后一个数指的是函数底数。

ones函数——生成1为元素的单位数组（任意维度）

import numpy as np
m=np.ones((4,5))
print(m)

生成四行五列的多维数组（1为元素）

zeros函数——生成0作为元素的数组

import numpy as np
m=np.zeros((4,5))
print(m)

生成四行五列的多维数组（0作为元素）

eye函数——生成n维单位矩阵

基本使用

import numpy as np
m=np.eye((5))
print(m)

生成n维单位矩阵

eye函数补充

import numpy as np
m=np.eye(5,k=3)
print(m)

生成单位矩阵的同时，使得第k个对角线的数值为1（这里的k是从对角线往右数第k个对角线）

 

 上述代码运行后生成的即为5阶方阵，并且第三个对角线每个数值均为1

zeros_like函数——生成维数与？相同的数组

import numpy as np
a="asdsd"
m=np.eye(5,k=3)
print(m)
n=np.zeros_like(m)
print(n)

此处生成的就是和m相同的全0数组

数组和列表的主要区别

numpy中的数组和Python基本数据类型中的列表list数据类型存在几个区别：

1. 数组中的元素都必须是相同的数据类型，而list中可以出现不同数据类型。
2. 二者的切片操作基本相同
3. 二维数据列表的引用方式为a[i][j],而数组还可以写成a[i,j]
4. 数组除了可以使用一般索引外，还可以使用花式索引和布尔索引