一、创建数组

1.arange

a = numpy.arange(0, 16)# 生成0-16的数组b = numpy.arange(0, 16).reshape(4, 4)# 生成一个4x4的数组，数据为a的数据a.shape = (2, 2, 2, 2)# 修改a的维度为(2,2,2,2)a.shape = (2,-1,2,2)# -1表示自动计算该维度a.resize = (4, 4)# 修改a的维度为(4,4)

2、array和asarray

a = numpy.array([1,2,3,4])b = numpy.array([1,2,3,4], dtype=numpy.float32)c = numpy.array([[1, 2], [3, 4]])d = numpy.array(numpy.arange(1,11))e = numpy.array([numpy.arange(1,5), numpy.arange(11, 15)])

asarray用法同array，不过asarray接受的参数是numpy数组时，并不会拷贝一份，array则会拷贝，所以看实际需求吧。

3、linspace和logspace

1)numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

功能：生成一个num个数的等差数列(数组)，起始值为start，终止值为stop

endpoint：是否包含stop

retstep：为True时生成(ndarray, 间距)的元组,间距也就是数学上的公差

2)numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)

功能：生成一个num个数的等比数列(数组)。起始值为base ** start，终止值为base ** stop。

示例：https://gitee.com/kanadeblisst/CSDN/blob/master/llspace.py

4、empty、ones和zeros

numpy.empty(shape, dtype = float, order = 'C')

功能： 生成一个维度为shape的空数组，不过因为是C语言写的，未被赋值的变量会是垃圾值。

numpy.zeros(shape, dtype = float, order = 'C')

功能： 生成一个维度为shape，值全为0的数组。

numpy.ones(shape, dtype = None, order = 'C')

功能： 生成一个维度为shape，值全为1的数组

拓展：高级索引

1)a[一维行索引列表或数组, 一维列索引列表或数组]

例如：

a = np.array([[1,  2],  [3,  4],  [5,  6]]) b = a[[0, 1, 2],  [0, 1, 0]] # 相当于b是由a[0, 0]、a[1, 1]、a[2, 0]组成的新数组，即[1 4 5]

2)a[多维行索引列表或数组, 多维列索引列表或数组]

例如：

a = np.array([[  0,  1,  2],[  3,  4,  5],[  6,  7,  8],[  9,  10,  11]]) b = a[np.array([0, 0, 3 3]), np.array([0, 2, 0, 2])]# 会得到[0 2 9 11]b = a[np.array([[0, 0], [3 3]]), np.array([[0, 2], [0, 2]])]# 则会得到[[0 2] [9 11]],数据并没有变，只是结果的维度变化了

3)布尔索引

b = [False, True, True]a = numpy.array([1, 2, 3])c = a[b]

你猜结果是啥

4)花式索引

a为一维数组，索引也为一维数组

a = numpy.arange(15)b = a[range(5)]  # [0 1 2 3 4]c = a[[-1,-2,-3,-4]]  # [14 13 12 11]

那么当a为二维数组，而索引只给一个一维数组，会得到什么？

a = numpy.arange(15).reshape(5, 3)b = a[[-3,-1,-2]]

再高级一点，请看：

a = numpy.arange(15).reshape(5, 3)b = a[numpy.ix_([1,3,3],[2,0,1])]c = a[[1,3,3]][:,[2,0,1]]

这个索引的意思是先取a[[1,3,3]]，得到a的第一行和两个第三行的数组，然后分别对每一行取[2,0,1]这个索引。

numpy.ix_函数将[1,3,3],[2,0,1]打包成一个这样([[1] [3] [3]], [[2 0 1]])的元组。也就是它的作用只是让你代码显得容易理解，否则写一个a[([[1] [3] [3]], [[2 0 1]])]谁知道结果是什么。当然你非要这样写也行，和写numpy.ix_一样。写成c的形式也比较容易理解。

个人理解： 虽然花式索引看起来很酷，但因为花式索引并不是像切片和索引一样的视图，而是复制了一份新的数据，这就会多消耗一些内存，所以谨慎使用。

二、数组操作

1、基本操作(数组维度完全相同)

a = numpy.arange(1, 11)b = numpy.arange(11,21)c = a + bd = b - ae = a * b # 和矩阵的操作不同，数组间的乘法只是对应元素相乘。f = b / ag = b // ah = a > 5j = a[a>5]   # 布尔索引的应用k = a @ b  # 矩阵乘法，同a.dot(b)

2、numpy广播（数组维度不同，但有限制）

专业解释：广播的原则，如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符，或其中的一方的长度为1，则认为它们是广播兼容的。广播会在缺失和（或）长度为1的维度上进行。

大概意思是：维度为(4,3,2)的数组是可以和维度为(3,2)的数组进行操作的，当然和(3,1)和(1,2)也是可以的。

a = numpy.arange(1, 25).reshape(4,3,2)b = numpy.arange(1, 7).reshape(3,2)print('a: ', a)print('b: ', b)print(a + b)

如微信排版看的不是很舒服，可以点击原文查看我的CSDN博客。