Numpy 是用于数据科学计算的基础，不但能够完成科学计算任务，还能被
用作高效地多维数据容器。用于存储和处理大型矩阵。
Python 提供了一个 array 模块，和 list 不同，它直接保存数值，但是由于 Python的 array 模块不支持多维，也没有各种运算函数。
Numpy 弥补了这一遗憾。Numpy 提供了一种存储单一数据类型的多维数组——ndarray

创建数组：
1.array()函数

a1 = np.array([1,2,3,4])
a2 = np.array([(1,2),(3,4)])
a3 = np.array([[1,2],[3,4]])
print(a1)
print(a2)
pritn(a3)

2.arange(开始值,终止值,步长,)函数
缺点：一些无法轻易预测获得的元素个数，需要提前计算步长

a4 = np.arange(0,1,0.125)
print('a4::::::',a4)

3 linspace(开始值,终止值,元素个数)函数

a5 = np.linspace(0.1,1,10)
print('a5::::::',a5)
a6 = np.linspace(1,10,9)
print('a6::::::',a6)

4 logspace()函数创建等比数列
例如：生成10^1 ~ 10^3之间的3个等比数列

a7 = np.logspace(1,3,4)
print(a7)

扩展：
通常，数据的元素开始都是未知的，但是它的大小是已知的，因此，numpy提供一些使用占位符创建的数组函数。
这最小化了扩展数组的需要和高昂的运算代价
1.zeros()函数

a8 = np.zeros((2,3))
print(a8)

2.ones()函数

a9 = np.ones((2,3))
print(a9)

3.empty()函数
创建一个内容随机并且依赖于内存状态的数组

a10 = np.empty((2,3))
print(a10)

4.eye(N)函数
生成N阶矩阵，并且对角线元素为1

a11 = np.eye(3)
print('a11:::::\n',a11)

5.diag()函数

a12 = np.diag([1,2,3,4])
print('a12:::::\n',a12)