52做网站如何对seo进行优化

一维数据：向量
二位数据：矩阵
维度超过三维的数据：张量
这些数据在numpy中统称array

(1)使用穷举法创建多为数据,接受列表或者元组类型的数据

a = numpy.array([1, 2, 3])
b = numpy.array([[1, 2, 3], (4, 5, 6), [7, 8, 9]])

(2)创建所有元素为0的array

def zeros(shape, dtype=None, order='C', like=None)

shape:形状参数提供数据的维度尺寸，维度从左至右依次为 最外侧维度->最内侧维度（最大维度->最小维度）

dtype:数据元素类型

order： {'C', 'F'}可选,行优先(C-style),列优先(Fortran-style)

zero_data = np.zeros((2, 3, 5))   提供了shape（形状）参数

(3)创建所有元素为1的array

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

one_data = np.ones((3, 4, 7, 2))

(4)空array,即数组的元素不初始化，而是包含随机数据，切默认类型为float

empty(shape, dtype=float, order='C', *, like=None)

empty_data = np.empty((3, 4))

(5)步进array(只能是向量)，区间左闭右开

arange(start, stop, step, dtype=None, *, like=None)

arange_array = np.arange(10, 30, 5)

（6）reshape()，重新定义数据的形状。

-1：未知尺寸,表示自动识别所在维度的大小，所以reshape(-1, 1)常用于将一个向量重构成一个二维一列的矩阵（立起来）；使用-1不能超过1个。

t_array = arange_array.reshape(-1, 1)
t1_array = empty_data.reshape(2, -1, 3)

（7）array的属性

维度：ndim

ndim1 = t1_array.ndim

尺寸：size,既所有元素的个数，也是各维度尺寸的乘积

size1 = one_data.size

元素类型：dtype

dtype1 = t1_array.dtype