NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。
ndarray 对象是用于存放同类型元素的多维数组。
ndarray 中的每个元素在内存中都有相同存储大小的区域。
ndarray 内部由以下内容组成：
一个指向数据（内存或内存映射文件中的一块数据）的指针。
数据类型或 dtype，描述在数组中的固定大小值的格子。
一个表示数组形状（shape）的元组，表示各维度大小的元组。
一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。
跨度可以是负数，这样会使数组在内存中后向移动，切片中 obj[::-1] 或 obj[:,::-1] 就是如此。
创建一个 ndarray 只需调用 NumPy 的 array 函数即可：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数说明：
object 数组或嵌套的数列
dtype 数组元素的数据类型，可选
copy 对象是否需要复制，可选
order 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
subok 默认返回一个与基类类型一致的数组
ndmin 指定生成数组的最小维度
实例 1
import numpy as np a = np.array([1,2,3]) print (a) [python@master test]$ python3 a.py [1 2 3]
实例2
# 多于一个维度 import numpy as np a = np.array([[1,2], [3,4]]) print (a) [python@master test]$ python3 b.py [[1 2] [3 4]]
实例3
# 最小维度 import numpy as np a = np.array([1,2,3,4,5], ndmin = 2) print (a) [python@master test]$ python3 c.py [[1 2 3 4 5]]
实例4
# dtype 参数 import numpy as np a = np.array([1,2,3], dtype = complex) print (a) [python@master test]$ python3 d.py [1.+0.j 2.+0.j 3.+0.j]
实例5
>>> import numpy as np >>> c = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) >>> c array([[ 1, 2, 3, 4], [ 5, 6, 7, 8], [ 9, 10, 11, 12]]) >>> c.shape (3, 4) #两个数字表示二维数组，第0轴长度为3，第1轴长度为4 >>> c.shape = 4,3 #将数组改为4行3列 >>> c #注意不是对数组转置，只是改变每个轴的大小，数组元素在内存中的位置并没有改变 array([[ 1, 2, 3], [ 4, 5, 6], [ 7, 8, 9], [10, 11, 12]]) >>> c.shape (4, 3) >>> c.shape = 2,-1 #第二个参数设置为-1系统会自动计算第二个参数 >>> c array([[ 1, 2, 3, 4, 5, 6], [ 7, 8, 9, 10, 11, 12]])
以上介绍的数组创建的方法都是先创建序列，在使用array()函数转化为数组，下面介绍使用专门的函数创建数组：
1.arange(开始值, 终值, 步长)：类似Python的range()，注意不包括终值：
>>> np.arange(0, 1, 0.1) array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])
2. linspace(开始值, 终值, 元素个数): 默认包括终值，可以使用endpoint设置是否包括终值
>>> np.linspace(0, 1, 8) array([0. , 0.14285714, 0.28571429, 0.42857143, 0.57142857, 0.71428571, 0.85714286, 1. ])
3. logspace(开始值, 终值, 元素个数): 创建等比数列，下面的例子产生1(10^0)到100(10^2)、有10个元素的等比数列:
>>> np.logspace(0, 2, 10) array([ 1. , 1.66810054, 2.7825594 , 4.64158883, 7.74263683, 12.91549665, 21.5443469 , 35.93813664, 59.94842503, 100. ])
4.fromstring(字符串, dtype=?)：从字节创建数组
>>> s = "mytestfromstring" >>> np.fromstring(s, dtype=np.int8) __main__:1: DeprecationWarning: The binary mode of fromstring is deprecated, as it behaves surprisingly on unicode inputs. Use frombuffer instead array([109, 121, 116, 101, 115, 116, 102, 114, 111, 109, 115, 116, 114, 105, 110, 103], dtype=int8)
5.fromfunction(计算每个数组元素的函数, 数组大小即shape)
>>> def func1(i): ... return i%4+1 ... >>> np.fromfunction(func1, (10,)) #第二个参数必须是一个序列，本例中用(10,)创建一个10元素的一维数组 array([1., 2., 3., 4., 1., 2., 3., 4., 1., 2.])
#创建一个二维数组表示九九乘法表 >>> def func2(i, j): ... return (i+1) * (j+1) ... >>> np.fromfunction(func2, (9, 9)) 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.]])
ndarray 对象由计算机内存的连续一维部分组成，并结合索引模式，将每个元素映射到内存块中的一个位置。内存块以行顺序(C样式)或列顺序(FORTRAN或MatLab风格，即前述的F样式)来保存元素。