NumPy(Numerical Python)可以将图像、声音、文本等数字化。
张量（Tensor）与NumPy可以互相转换。
NumPy提供了两种基本对象：ndarray（n-dimensional array object, 多维数组对象）和ufunc（universal function object，通用函数对象）。
ndarray是存储单一数据类型的多维数组，ufunc为数组处理提供了丰富的函数。
生成NumPy数组
查看np库中的内容：
按Ctrl键，同时鼠标左键点击函数名称，即可跳转到官方的权威解释。
或者
dir(函数名称)：该函数中有什么东西可以使用（注：函数名称不需要加括号）
help(函数名称)：该函数的具体使用方法（注：函数名称不需要加括号）
生成ndarray的几种方式：利用已有数据生成，利用random模块生成，生成特定形状的多维数组，使用arrange函数生成等。
在机器学习中，图像、自然语言、语音等内容在输入模型之前都是需要数字化的。
实操：
打开PyCharm底部的Terminal窗口并进入对应的环境：
dir()和help()的使用：
使用cv2(OpenCV 2)把一个汽车图像转换为NumPy多维数组，并查看该多维数组的基本属性：
# 使用OpenCV开源库读取图像数据
import cv2
from matplotlib import pyplot as plt
# %matplotlib inline # 是IPython的内置magic函数，Pycharm中是不支持，可以直接注释掉
# 读取一张照片，把图像转换为二维的NumPy数组
img = cv2.imread('./data/car.jpg')
# 使用plt显示图像
plt.imshow(img) # 对图片image只做数据处理
plt.show() # 显示图片，在PyCharm中加该行
# 显示img的数据类型及大小
print("数据类型：{}，形状：{}".format(type(img), img.shape))运行结果：
显示图片：
报错：
解决：
数组的属性：
ndarray.ndim：数组的维度（轴）的个数。
ndarray.shape：数组的维度，一个整数元组，值代表所对应的轴的长度。
类比二维数组：（二维数组的个数，二维数组的行数，二维数组的列数）
ndarray.dtype：数组中数据元素的数据类型。
print("-----------数组属性------------")
print("img数组的维度：", img.ndim)
print("img数组的形状：", img.shape)
print("img数组的数据类型:", img.dtype)
print("------------------------------")
print("img数组的维度：{}".format(img.ndim))
print("img数组的形状：{}".format(img.shape))
print("img数组的数据类型：{}".format(img.dtype))运行结果：
利用已有数据（如列表、元组等）生成数组
import numpy as np
print("---使用一维列表生成数组---")
list1 = [3.14, 2.17, 0, 1, 2]
nd1 = np.array(list1)
print(nd1)
print(type(nd1))
print("---使用二维列表生成数组---")
list2 = [[3.14, 2.17, 0, 1, 2], [1, 2, 3, 4, 5]]
nd2 = np.array(list2)
print(nd2)
print(type(nd2))
print("---使用一维元组生成数组---")
list1 = (3.14, 2.17, 0, 1, 2)
nd1 = np.array(list1)
print(nd1)
print(type(nd1))
print("---使用二维元组生成数组---")
list2 = ((3.14, 2.17, 0, 1, 2), (1, 2, 3, 4, 5))
nd2 = np.array(list2)
print(nd2)
print(type(nd2))运行结果：
利用random模块生成数组
np.random.random：生成从0到1之间的随机数
np.random.uniform：生成均匀分布的随机数
np.random.randn：生成标准正态分布的随机数（n：normal）
np.random.randint：生成随机的整数
import numpy as np
print('生成形状（4，4），值在0-1之间的随机数：')
print(np.random.random((4, 4)), end='\n\n') # end='\n\n':两次换行，隔行打印
# 产生一个取值范围在[1, 50）之间的数组，数组的形状是（3， 3）
# 参数的起始值（low）默认为0，终止值（high）默认为1
print('生成形状（3， 3），值在low到high之间的随机整数：')
print(np.random.randint(low=1, high=50, size=(3, 3)), end='\n\n')
print('产生的数组元素是均匀分布的随机数：')
print(np.random.uniform(low=1, high=3, size=(3, 3)), end='\n\n')
print('生成满足正态分布的形状为（3， 3）的矩阵：')
print(np.random.randn(3, 3))运行结果：
多次生成同一份数据：
import numpy as np
np.random.seed(10)
print('按指定随机种子，第1次生成随机数:')
print(np.random.randint(1, 5, (2, 3)), end='\n\n')
print('第2次生成随机数：')
print(np.random.randint(1, 5, (2, 3)))运行结果：
np.random.seed()：设置随机数种子
import numpy as np
np.random.seed(10)
print('按指定随机种子，第1次生成随机数:')
print(np.random.randint(1, 5, (2, 3)), end='\n\n')
# 想要生成同样的数组，必须再次设置相同的种子
np.random.seed(10)
print('按相同随机种子，第2次生成随机数：')
print(np.random.randint(1, 5, (2, 3)))运行结果：
生成特定形状的多维数组(特殊矩阵)
np.zeros((3, 4))：生成3×4的数组，元素全为0
np.zeros((3, 4))：生成3×4的数组，元素全为1
np.empty((2, 3))：生成2×3的空数组，空数组值并不为0，而是未初始化的随机值。
np.zeros_like(ndarr)：以ndarr相同维度生成元素全为0的数组
np.ones_like(ndarr)：以ndarr相同维度生成元素全为1的数组
np.empty_like(ndarr)：以ndarr相同维度生成空数组
np.eye(5)：该函数用于生成5×5的矩阵（单位矩阵），对角线为1， 其余为0
np.full((3, 5), 666)：生成3×5的数组，元素全为666（666为指定值）
import numpy as np
# 生成全是0的3×3矩阵
np1 = np.zeros((3, 4)) # 元组定义形状
np2 = np.zeros([3, 4]) # 列表定义形状
# 生成与np1形状一样的全0矩阵
np3 = np.zeros_like(np1)
# 生成全是1的3×3矩阵
np4 = np.ones((3, 3))
# 生成4阶的单位矩阵
np5 = np.eye(4) # 平时写单位矩阵都用大写I来表示，用eye则为I的谐音
# 生成3阶对角矩阵
np6 = np.diag([1, 2, 5]) # diagonal：对角线
np7 = np.empty((3, 3))
print("*"*6+"np1"+"*"*6)
print(np1)
print("*"*6+"np2"+"*"*6)
print(np2)
print("*"*6+"np3"+"*"*6)
print(np3)
print("*"*6+"np4"+"*"*6)
print(np4)
print("*"*6+"np5"+"*"*6)
print(np5)
print("*"*6+"np6"+"*"*6)
print(np6)
print("*"*6+"np7"+"*"*6)
print(np7)运行结果：
保存和加载生成的数据：
import numpy as np
nd8 = np.random.random((5, 5))
print("*"*27+"nd8"+"*"*27)
print(nd8)
np.savetxt(fname='./test1.txt', X=nd8) # 以文本形式保存到指定位置
nd9 = np.loadtxt(fname='./test1.txt') # 以文本形式加载
print("*"*27+"nd9"+"*"*27)
print(nd9)运行结果：
注：
利用arange、linspace函数生成数组（特定规律）
import numpy as np
# np.arange()：[start, stop) 左闭右开 步长step
print(np.arange(10))
print(np.arange(0, 10))
print(np.arange(1, 4, 0.5))
print(np.arange(9, -1, -1))运行结果：
import numpy as np
# np.linspace(）：[start, stop] 左闭右闭 个数
print(np.linspace(0, 1, 10))
# 1 2 3 4 5 左闭右闭，共5个数，但5-1=4，num也需要减1 （1-0）/ （10-1）=0.111111
print("*"*90)
print(np.linspace(0, 1, 10, retstep=True)) # 输出步长
print("*"*90)
print(np.linspace(0, 1, 10, endpoint=False, retstep=True)) # 不包含最后一个值，输出步长
# 1 2 3 4 5 左闭右开，共4个数，5-1=4，num不需要减1 （1-0）/ 10=0.1
print("*"*90)
print(np.linspace(0.1, 1, 10))
# 1 2 3 4 5 左闭右闭，共5个数，但5-1=4，num也需要减1 （1-0.1）/ （10-1）=0.1运行结果：
logspace（）函数生成特定规律的数据
import numpy as np
print("*"*90)
print(np.logspace(0, 1, 10, base=2)) # 2^1 - 2^0 = 1 1/9
# 对数函数，base：基， log以2为底x=0, x=1 log以2为底x=1, x=2
print("*"*90)
print(np.linspace(1, 2, 10)) # 1 2 共2个数，左闭右闭，但2-1=1,num-1 1/9=0.11111运行结果：
