2.3.2 创建NumPy数组
我们可以通过创建Python列表的方式创建NumPy矩阵，比如输入nparray=np.array（[i for i in range（10）]）命令，可以看到返回的结果是array（[0，1，2，3，4，5，6，7，8，9]）。同样，我们也可以通过Python列表的方式修改值，比如输入nparray[0]=10，再观察nparray的向量就会发现，返回的结果是array（[10，1，2，3，4，5，6，7，8，9]）。
NumPy数组也封装了其他用于创建矩阵的方法。我们先介绍np.zeros方法（从命名规则来看，这个方法用于创建数值都为0的向量）。
a = np.zeros(10)
返回结果如下。
array([ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
我们发现，每一个0后面都有一个小数点，通过调用a.dtype会发现，我们创建的这个向量的类型为dtype（‘float64’）。值得注意的是，在大部分目标检测算法的开发中，我们使用的都是float64这个类型。使用以下命令可以在创建NumPy矩阵的时候强制规定一种类型。
np.zeros(10,dtype=int)
这样，返回的结果在矩阵中的数据都是整型0了。介绍完使用np.zeros方法创建向量之后，再来看如何创建一个多维矩阵。
np.zeros(shape=(3,4)) #创建一个3行4列的矩阵，数据类型为float64
返回结果如下。
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
与np.zeros（）方法相似的还有np.ones（）方法。顾名思义，创建的矩阵数值都为1。我们来举个例子进行说明。
np.ones((3,4))
返回结果如下。
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])
读者可能会有疑问，既然我们可以创建数值全为0的矩阵，也可以创建数值全为1的矩阵，那么NumPy是否提供了一个方法可以让我们自己指定值呢？答案是肯定的，这个方法就是np.full（）方法，我们来看下边的例子。
np.full((3,5),121) #创建一个3行5列的矩阵，默认值为121
返回结果如下。
array([[121, 121, 121, 121, 121],
[121, 121, 121, 121, 121],
[121, 121, 121, 121, 121]])
我们也可以使用np.arange（）方法创建NumPy矩阵。
np.arange（0，20，2） #arange接收3个参数，与Python中的range（）方法相似，arange（）也是前闭后开的方法，第1个参数为向量的第一个值0，第2个参数为向量的最后一个值20，因为是后开，所以取的是18，第3个参数为步长，默认为1，本例为2，故最后一个值是18
返回结果如下。
array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18])
我们可以使用np.linspace（）方法（前闭后闭）对NumPy矩阵进行等分，比如我们想将0～10等分为5份，代码如下。
np.linspace(0,10,5)
返回结果如下。
array([ 0., 2.5, 5., 7.5, 10.])
我们通过下面几个例子来看在NumPy矩阵中如何生成随机数矩阵。
生成一个长度为10的向量，里面的数值都是0～10的整数。
import numpy as np np.random.randint(0,10,10)
如果不确定每个参数代表的意思，则加上参数名size。
np.random.randint(0,5,size=5) #注意是前闭后开，永远取不到5
我们也可以生成一个3行5列的整数矩阵，命令如下。
np.random.randint(4,9,size=(3,5))
如果我们不想每次生成的随机数都不固定，可以执行np.random.seed（1）命令，随机种子设为1，这以后用随机种子1生成的随机数都是固定的。
我们也可以生成0～1的浮点数的向量或者矩阵。
np.random.random(10) #生成0~1的浮点数，长度为10的向量 np.random.random((2,4)) #生成0~1的浮点数，2行4列的矩阵
np.random.normal（）的意思是一个正态分布，normal在这里是正态的意思。numpy.random.normal（loc=0，scale=1，size=shape）命令的意义如下。
1）参数loc（float）：正态分布的均值，对应这个分布的中心。loc=0说明这是一个以Y轴为对称轴的正态分布。
2）参数scale（float）：正态分布的标准差，对应分布的宽度，scale越大，正态分布的曲线越扁平，scale越小，曲线越陡峭。
3）参数size（int或者整数元组）：输出的值赋在shape里，默认为None。