标准数据生成

数据是多变的，不光是数据的形态多变，里面的数值也是多变的。通常，我们在创建一个 Numpy Array 的时候， 是想带着一些数值来初始化的，比如我想先要一个全零的 Array。

所以这节内容，我想来说说怎么带着数值初始化，可以带着怎样的数值初始化。

• 创建统一数据
  • np.zeros(), np.ones(), np.full()
  • np.zeros_like(), np.ones_like(), np.full_like()
• 创建规则数据
  • np.arange(), np.linspace()
• 快速创建再添加值
  • np.empty(), np.empty_like()

创建统一数据¶

首先来点简单的，初始化 Array 的时候，让他们全部都为某数。最简单的就是全 0 或者全 1 的数据。

你会发现，创建这些数据时，我们不光光可以给定要创建的具体数值是 0 还是 1，而且还能指定这个数据的 shape 是什么。 创建出来后，你就可以把它当成普通的 Array 数据使用就好了，要 reshape, transpose, 还是 sum 等操作，都是可以进行的。不信你就在上面的代码框试试。

我们可以创建 0 或 1 的数据，那我们能不能创建其它数值的数据的？答案是肯定的，用 np.full() 功能就好了。 同样，我们先输入这份数据的 shape，然后指定这份数据要全是什么数值。

在处理 shape 的时候，有件有趣的事。如果我们手头已经有一份数据，我们想创建一个和它类型一样，大小一样的另一份数据， 我们可以调用 np.xxx_like 这种形式的功能。看看下面这个例子，你就明白我的意思了。

因为 dtype 和 shape 都和源数据一样，那么它们俩之间做加减乘除运算就很契合了。 从上面的案例看出，其实 ones_like 其实算是一种偷懒功能，少写一些字而已。

同理，我们还有 np.zeros_like() 和 np.full_like() 这两种。

创建统一数值的数据就是这么简单。

创建规则数据¶

而创建有些规律的数据也是 Numpy 的拿手好戏。首先我要说一个最常见的，arange 功能，这就有点像 Python 里的 range 功能，用来得到一个序列，我举个例子。

同样，np.arange() 也可以像 range() 一样，对范围做自定义更变或跳跃取值。

还有一个也是用来取一段数字中的值，这个我也比较常用，特别是在画折线图的时候，我想要连续在一个区间内取间隔一致的数据点。 里面的参数分别代表从 start 的值到 end 的值，一共返回这中间 num 个数据点。

更厉害的是，有时候我们会很纠结，上面是在-1 至 1 之间分了 4 个区域。 而我们想在-1 至 1 之间分 5 个区域，怎么搞？加一个 endpoint=False 就可以返回这 5 个区域的结节点了。

还有很多做特殊规则的数据的方式，比如 np.identity(), np.eye(), np.logspace() 等等， 这个教学我先介绍一些常用的，当你有需要的时候，你再单个搜索就行了。

快速创建再添加值¶

和 np.ones() 这种很相似的，有一个叫 np.empty() 功能，我想单独拎出来介绍一下。 如果你对运算速度有要求，你就得仔细听一下。

np.empty() 功能，不会初始化新建 array 里面的数值，所以你会看到这里面的数值都是乱乱的。 注意，虽然乱乱的，但是它不是随机数哦，你不能把它当随机数使用。 想用随机数的话，我后面有单独一个教学讲随机数。

那又不能当随机数，又没有具体数值，这个 empty 到底为什么存在呢？

1. 首先，可以当成一个 placeholder，一个容器先放着，之后慢慢放数据
2. 创建起来比 ones, zeros, full 都快一点点

所以在这种情况下，我们才想使用 np.empty()。我们来对比一下创建速度。

我这里的结果是：还是可以快了几倍的速度。看完速度，我给你看看我一般是怎么使用的吧：

所以一般当我有一个数据要根据另一份数据生成的时候，无论我初始化是什么值，到最终都要全部被替换的时候，我就喜欢用 np.empty()。 ok，最后说一句，有 np.empty()，我们也有 np.empty_like() 用法和 np.zeros_like() 这种类似，很方便用的。

总结¶

不容易，你有多了解了一点 Numpy 作为数据怪兽的新功能。能够按自己的想法初始化最符合你需要的数据啦。