1、numpy.array() 可以把列表转换为矩阵

numpy.array(object, dtype=None, *, copy=True, order='K', subok=False, ndmin=0, like=None)

    value = [[1, 2, 3], [1, 2, 3]]
    print(value)
    x = np.array(value)
    print(x)

[[1, 2, 3], [1, 2, 3]]
[[1 2 3]
 [1 2 3]]

2、numpy.arange() 生成一个向量，可设置三个参数，第一个为开始，第二个为结束，最后一个为步长，可省略开始与步长，默认从0开始，取值范围左闭右开

numpy.arange([start, ]stop, [step, ]dtype=None, *, like=None)

中括号的意思表示这个参数可以省略

    x = np.arange(12)
    print(x)
    y = np.arange(10, 12)
    print(y)
    z = np.arange(10, 12, 2)
    print(z)

[ 0  1  2  3  4  5  6  7  8  9 10 11]
[10 11]
[10]

3、numpy.ones() 生成一个全是1的矩阵， 里面填入矩阵范围

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

x = np.ones((3, 4))
print(x)

[[1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]]

 这里提一嘴输出里有点是因为dtype属性默认为float,如果改成int就会没有，下面的函数同理

    z = np.ones((3, 4), dtype=int)
    print(z)

[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]

4、numpy.zeros() 生成一个全是0的矩阵， 里面填入矩阵范围

numpy.zeros(shape, dtype=float, order='C', *, like=None)

    x = np.zeros((3, 4))
    print(x)

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

5、numpy.eye()  可填入两个参数分别代表行和列，也可只填一个参数，即为方阵

numpy.eye(N, M=None, k=0, dtype=<class 'float'>, order='C', *, like=None)

    x = np.eye(3)
    print(x)
    y = np.eye(3, 4)
    print(y)

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]
[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]]

6、numpy.empty() 返回一个没有经过初始化的一个矩阵

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

    x = np.empty((3, 4))
    print(x)

[[6.23042070e-307 2.22523004e-307 1.24610994e-306 1.60219035e-306]
 [1.24611674e-306 2.22522597e-306 1.33511969e-306 1.39071021e-307]
 [1.78018403e-306 1.78018403e-306 8.34426464e-308 2.22522596e-306]]

7、numpy.linspace  返回在指定的范围内确定个数的等间距的一组数的向量

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

可以看到默认是50个

    X = numpy.linspace(1, 10, 10)
    print(X)
    x = numpy.linspace(1, 50)
    print(x)

[ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]
[ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10. 11. 12. 13. 14. 15. 16. 17. 18.
 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36.
 37. 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 50.]

更多的方法以及详细内容可以移步Routines — NumPy v1.23.dev0 Manual