前传

由于，某人在上智能相关课程的时候，总想着一大堆的事情，统计股市涨跌，行业关联度等。
所以，为了不挂科，还是总结一些东西会比较好。
好啦，现在要开始了。
我们先要引入numpy。

import numpy as np

直接创建数组

就只是创建数组

1. np.array()

通过list创建数组，这里要用到np.array()

按照官方的语法，如下：

np.array(object, dtype=None, *, copy=True, 
		order='K', subok=False, ndmin=0, like=None)

我觉得有一些可以解释一下：

• object：列表类型的东西
• dtype：想要的数据类型
• copy：是否可以复制
• ndmin：维度

a = np.array([1, 2, 3])

# array([1, 2, 3])

当然，也可以这样

ar = [1, 2, 4]
a = np.array(ar)

# array([1, 2, 4])

这也是可行的。

2. np.arange()

这个函数类似于Python原生的range()，所以，就存在两种形式：

1. np.arange(n)：直接生成从0~n-1的数组
2. np.arange(begin, end)：直接生成从begin~end-1的数组

此外，还有一种创建方式：np.arange(begin, end).reshape(n, m, …, k)，这可以reshape到你想要的形状。
譬如：

a = np.arange(9).reshape(3,3)		# 创建一个`3*3`的矩阵
b = np.arange(8).reshape(2,2,2)		# 创建一个`2*2*2`的矩阵

如果要定义类型，就直接这样做：

np.arange(n, dtype='float64')

（更多数据类型见“定义数据类型”）

3. np.ones()

这个是创建一个全部都是1的数组（矩阵）的函数

按照python的help函数的解释是

np.ones(shape, dtype=None, order='C', *, like=None)

实际上要在意的是，以下的部分：

np.ones(shape, dtype=None)

4. numpy.ones_like()

创建一个像某个给定要创建相同形状的数组一样的全是1的数组。

5. np.zeros()

这个是创建一个全部都是0的数组（矩阵）的函数

np.zeros(shape, dtype=float, order='C', *, like=None)

肯定的是，值得关注的还是以下的部分：

np.zeros(shape, dtype=None)

6. numpy.zeros_like()

创建一个像某个给定要创建相同形状的数组一样的全是0的数组。

定义数据类型

我们可以通过array函数里面的dtype形参来定义，如下

ar = [1, 2, 4]
a = np.array(ar, dtype='float64')

# array([1., 2., 4.])

上面的代码表示的是创建float64类型的ndarray

除了float64之外，常见的数值数据类型还有：

1. int：整数数据类型，表示整数值，可以使用不同的位数，如int8、int16、int32、int64等。

2. uint：无符号整数数据类型，表示非负整数值，也可以使用不同的位数，如uint8、uint16、uint32、uint64等。

3. complex：复数数据类型，表示复数值，可以使用不同的精度，如complex64（由两个32位浮点数组成）、complex128（由两个64位浮点数组成）等。

4. bool：布尔数据类型，表示布尔值，只能取True或False两个值。

5. byte、rune：这两个类型实际上是uint8和int32的别名，分别用于表示ASCII字符和Unicode字符的值。

---

参考资料

暂无参考资料