ndarray 数组除了可以使用底层 ndarray 构造器来创建外，也可以通过以下几种方式来创建。
numpy.empty 方法用来创建一个指定形状(shape)、数据类型(dtype)且未初始化的数组：
numpy.empty(shape, dtype = float, order = 'C')
返回给定形状和类型的新数组，而无需初始化条目。
参数
prototype - 空数组的形状。dtype(可选) - 数组所需的输出数据类型，例如numpy.int8。默认值为 numpy.float64。order(可选，默认：'C') - 有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。
返回值：给定数组形状，但数据类型和顺序未初始化（任意）数据的数组。
>>> import numpy as np >>> np.empty([2, 2]) array([[1., 0.], [0., 1.]]) >>> np.empty([2, 2], dtype=int) array([[4607182418800017408, 0], [ 0, 4607182418800017408]]) >>>
numpy.empty 返回形状和类型与给定数组相同的新数组。
numpy.empty_like(prototype, dtype=None, order='K', subok=True, shape=None)
返回形状和类型与给定数组相同的新数组
参数
prototype - 源数组的形状和数据类型定义了返回数组的这些相同属性。dtype - 覆盖结果的数据类型。order - 覆盖结果的内存布局。如果prototypeFortran连续，则“ A”表示“ F”，否则为“ C”。“ K”表示prototype 尽可能匹配布局。subok - 如果为True，则新创建的数组将使用'a'的子类类型，否则它将是基类数组。默认为True。shape - 覆盖结果的形状。如果order ='K'并且尺寸数量不变，将尝试保持顺序，否则，则暗示order ='C'。
返回值：形状和类型与原型相同的未初始化（任意）数据数组。
>>> import numpy as np >>> a = ([1,2,3], [4,5,6]) # a is array-like >>> np.empty_like(a) array([[ 6917529027641081856, -6917520256071729910, 98], [ 0, 0, 0]]) >>> a = np.array([[1., 2., 3.],[4.,5.,6.]]) >>> np.empty_like(a) array([[ 2.68156159e+154, 2.68156159e+154, 3.32479618e+181], [ 1.78476163e+185, -1.73059781e-077, 4.21535080e-309]])
创建指定大小的数组，数组元素以 0 来填充：
numpy.zeros(shape, dtype = float, order = 'C')
参数
shape - 空数组的形状。dtype - 数组所需的输出数据类型，例如numpy.int8。默认值为 numpy.float64。order - '{'C'，'F'}，可选，默认：'C'，表示以行(C)或列(Fortran)样式的顺序存储数据在内存中。
返回值：给定数组形状，数据类型和顺序的零数组。
>>> import numpy as np
>>> np.zeros(5)
array([0., 0., 0., 0., 0.])
>>> np.zeros((5,), dtype=int)
array([0, 0, 0, 0, 0])
>>> np.zeros((2, 1))
array([[0.],
[0.]])
>>> s = (2,2)
>>> np.zeros((2,), dtype=[('x', 'i4'), ('y', 'i4')]) # custom dtype
array([(0, 0), (0, 0)], dtype=[('x', '<i4' ),="" ('y',="" 'zeros_like返回与给定数组具有相同形状和类型的零数组。
参数
a - 一个限定返回的数组形状和数据类型的属性。。dtype - 数组所需的输出数据类型。order - 覆盖结果的内存布局。subok - 如果为True，则新创建的数组将使用'a'的子类类型，否则它将是基类数组。默认为True。shapeint - 覆盖结果的形状。返回值：一个具有相同形状和类型的零的阵列。
>>> import numpy as np >>> x = np.arange(6) >>> x = x.reshape((2, 3)) >>> print(x) [[0 1 2] [3 4 5]] >>> np.zeros_like(x) array([[0, 0, 0], [0, 0, 0]]) >>> y = np.arange(3, dtype=float) >>> y array([0., 1., 2.]) >>> np.zeros_like(y) array([0., 0., 0.])
创建指定形状的数组，数组元素以 1 来填充：
numpy.ones(shape, dtype = None, order = 'C')
参数
shape - 数组形状。dtype - 数据类型，可选order - 'C' 用于 C 的行数组，或者 'F' 用于 FORTRAN 的列数组
>>> import numpy as np >>> np.ones(5) array([1., 1., 1., 1., 1.]) >>> np.ones((5,), dtype=int) array([1, 1, 1, 1, 1]) >>> np.ones((2, 1)) array([[1.], [1.]]) >>> s = (2,2) >>> np.ones(s) array([[1., 1.], [1., 1.]])
zeros_like返回形状与类型与给定数组相同的数组。
numpy.ones_like(a, dtype=None, order='K', subok=True, shape=None)
参数
a - 一个限定返回的数组形状和数据类型的属性。。dtype - 数组所需的输出数据类型。order - 覆盖结果的内存布局。subok - 如果为True，则新创建的数组将使用'a'的子类类型，否则它将是基类数组。默认为True。shape - 覆盖结果的形状。
返回值：一个具有相同形状和类型的零的阵列。
>>> import numpy as np >>> x = np.arange(6) >>> x = x.reshape((2, 3)) >>> x array([[0, 1, 2], [3, 4, 5]]) >>> np.ones_like(x) array([[1, 1, 1], [1, 1, 1]]) >>> y = np.arange(3, dtype=float) >>> y array([0., 1., 2.]) >>> np.ones_like(y) array([1., 1., 1.])
numpy.arange（[ start，] stop，[ step，] dtype = None ）
返回给定间隔内的均匀间隔的值。
在半开间隔 （即包括start但不包括stop的间隔）内生成值。对于整数参数，该函数等效于Python内置的 range函数，但返回ndarray而不是列表。[start, stop)
参数
start - 间隔的开始。间隔包括该值。默认起始值为0。stop - 间隔结束。该间隔不包括该值，除非在某些情况下，step不是整数，并且浮点舍入会影响out的长度。step - 值之间的间距。对于任何输出出来，这是两个相邻值之间的距离，默认步长为1。dtype - 输出数组的类型。
返回值：均匀间隔的值的数组。
>>> import numpy as np >>> np.arange(3) array([0, 1, 2]) >>> np.arange(3.0) array([0., 1., 2.]) >>> np.arange(3,7) array([3, 4, 5, 6]) >>> np.arange(3,7,2) array([3, 5])
numpy.linspace 函数用于创建一个一维数组，数组是一个等差数列构成的，格式如下：
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
参数
start - 序列的起始值。stop - 序列的终止值，如果endpoint为true，该值包含于数列中。num - 要生成的等步长的样本数量，默认为50。endpoint - 该值为 true 时，数列中包含stop值，反之不包含，默认是True。retstep - 如果为 True 时，生成的数组中会显示间距，反之不显示。dtype - ndarray 的数据类型。
以下实例用到三个参数，设置起始点为 1 ，终止点为 10，数列个数为 10。
>>> import numpy as np >>> a = np.linspace(1,10,10) >>> print(a) [ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.] >>> a = np.linspace(10, 20, 5, endpoint = False) >>> print(a) [10. 12. 14. 16. 18.] >>> a =np.linspace(1,10,10,retstep= True) >>> print(a) (array([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.]), 1.0) >>> b =np.linspace(1,10,10).reshape([10,1]) >>> print(b) [[ 1.] [ 2.] [ 3.] [ 4.] [ 5.] [ 6.] [ 7.] [ 8.] [ 9.] [10.]]
直接对 Python 的基础数据类型（如列表、元组等）进行转换来生成 ndarray：
>>> import numpy as np >>> ls1 = [10, 42, 0, -17, 30] >>> nd1 =np.array(ls1) >>> print(nd1) [ 10 42 0 -17 30] >>> >>> print(type(nd1))
numpy.asarray类似 numpy.array，但 numpy.asarray 参数只有三个，比 numpy.array 少两个。
numpy.asarray(a, dtype = None, order = None)
参数
a - 任意形式的输入参数，可以是，列表, 列表的元组, 元组, 元组的元组, 元组的列表，多维数组。dtype - 数据类型，可选。order - 要生成的等步长的样本数量，默认为50。endpoint - 可选，有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。
>>> import numpy as np >>> x = [1,2,3] >>> a = np.asarray(x) >>> a array([1, 2, 3]) >>> x = (1,2,3) >>> a = np.asarray(x) >>> print (a) [1 2 3] >>> x = [(1,2,3),(4,5)] >>> a = np.asarray(x) >>> print(a) [(1, 2, 3) (4, 5)] >>> x = [1,2,3] >>> a = np.asarray(x, dtype = float) >>> print(a) [1. 2. 3.]
numpy.frombuffer 用于实现动态数组。
numpy.frombuffer 接受 buffer 输入参数，以流的形式读入转化成 ndarray 对象。
numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)
参数
buffer - 可以是任意对象，会以流的形式读入。dtype - 返回数组的数据类型，可选count - 读取的数据数量，默认为-1，读取所有数据。offset - 读取的起始位置，默认为0。
>>> import numpy as np >>> s = b'Hello Nhooo' >>> a = np.frombuffer(s, dtype = 'S1') >>> print(a) [b'H' b'e' b'l' b'l' b'o' b' ' b'L' b'i' b'd' b'i' b'h' b'u' b'o']
numpy.fromiter 方法从可迭代对象中建立 ndarray 对象，返回一维数组。
numpy.fromiter(iterable, dtype, count=-1)
参数
iterable - 可迭代对象。dtype - 返回数组的数据类型count - 读取的数据数量，默认为-1，读取所有数据。
>>> import numpy as np >>> # 使用 range 函数创建列表对象 >>> list=range(5) >>> it=iter(list) >>> x=np.fromiter(it, dtype=float) >>> print(x) [0. 1. 2. 3. 4.]
为了更有效地训练模型，提高模型的性能，有些初始化还需要满足一定的条件，如满足正态分布或均匀分布等。这里介绍了几种 np.random 模块中常用的方法，如下表所示。
| 函数 | 描述 |
| np.random.random | 生成0到1之间的随机数 |
| np.random.uniform | 生成均勻分布的随机数 |
| np.random.randn | 生成标准正态的随机数 |
| np.random.randint | 生成随机的整数 |
| np.random.normal | 生成正态分布 |
| np.random.shuffle | 随机打乱顺序 |
| np.random.seed | 设置随机数种子 |
| random_sample | 生成随机的浮点数 |
>>> import numpy as np
>>> # 生成全是 0 的 3x3 矩阵
>>> nd5 =np.zeros([3, 3])
>>> print("nd5 =\n", nd5)
nd5 =
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
>>> # 生成全是 1 的 3x3 矩阵
>>> nd6 = np.ones([3, 3])
>>> print("nd6 =\n", nd6)
nd6 =
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
>>>
>>> # 生成 4 阶的单位矩阵
>>> nd7 = np.eye(4)
>>> print("nd7 =\n", nd7)
nd7 =
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
>>> # 生成 4 阶对角矩阵
>>> nd8 = np.diag([1, 8, 3, 10])
>>> print("nd8 =\n", nd8)
nd8 =
[[ 1 0 0 0]
[ 0 8 0 0]
[ 0 0 3 0]
[ 0 0 0 10]]