python数据分析之numpy初始化（一）

以下都用numpy的标准“import numpy as np”
1.numpy是同构数据多维容器，同构即数据类型相同
2.初始化：

 2.1np.arange([start,] end [, step])#与list的range相似

 >>> np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.arange(1, 10, 2)
array([1, 3, 5, 7, 9])

  2.2 np.zeros(tupleA)#产生一个tupleA维度大小的矩阵，且初始全为0

>>> np.zeros((4))
array([ 0.,  0.,  0.,  0.])
>>> np.zeros((4,2))
array([[ 0.,  0.],
       [ 0.,  0.],
       [ 0.,  0.],
       [ 0.,  0.]])

 

2.3np.ones(tupleA)#与上面类似，只是初始化全为1

>>> np.ones((4))
array([ 1.,  1.,  1.,  1.])
>>> np.ones((4,2))
array([[ 1.,  1.],
       [ 1.,  1.],
       [ 1.,  1.],
       [ 1.,  1.]])

  2.4 np.empty(tupleA)#与上面类似，只是初始化值是不确定的（并不是你以为的0！！！！）

>>> np.empty((4))
array([  1.73154357e-316,   4.71627160e-317,   0.00000000e+000,
         4.94065646e-324])
>>> np.empty((3,2))
array([[  0.00000000e+000,   0.00000000e+000],
       [  6.94647584e-310,   6.94647586e-310],
       [  6.94647586e-310,   6.94647586e-310],

 2.5 np.array(listA)#把listA转成np，listA只是一个统称，只要是序列化的都可以，还可以是其他np

>>> np.array([[1, 2, 3], [4, 3, 2]])
array([[1, 2, 3],
       [4, 3, 2]])
>>> npA = np.array([[1, 2, 3], [4, 3, 2]])
>>> npA
array([[1, 2, 3],
       [4, 3, 2]])
>>> npB = np.array([[1, 2, 3], [4, 3, 2.0]])
>>> npB
array([[ 1.,  2.,  3.],
       [ 4.,  3.,  2.]])
  np.array会自动找到最适合listA数据类型转给np:
>>> npA.dtype
dtype('int64')
>>> npB.dtype
dtype('float64')

但其实， np初始化时没有特别说明都会被默认是float64，如前四种

 2.6其他： ones_like(npA);zeros_like(npA);empty_like(npA)

>>> npB = np.array([[1, 2, 3], [4, 3, 2.0]])
>>> np.ones_like(npB)
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.]])
>>> np.zeros_like(npB)
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])
>>> np.empty_like(npB)
array([[  0.00000000e+000,   0.00000000e+000,   1.56491143e-316],
       [  6.94647850e-310,   6.94635322e-310,   1.72361006e-316]])
>>> np.identity(3)
array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.]])
>>> np.eye(3, k = -1)#变化k的值试试看
array([[ 0.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 0.,  1.,  0.]])