numpy入门-数组创建

Numpy 基础知识

• Numpy的主要对象是同质的多维数组。Numpy中的元素放在[]中，其中的元素通常都是数字，并且是同样的类型，由一个正整数元组进行索引。
• 每个元素在内存中占有同样大小的空间。在Numpy中，维度被称为轴。例如对于[1, 2, 1]有一个轴，并且长度为3。而[[ 1., 0., 0.], [ 0., 1., 2.]]则有两个轴，第一个轴的长度为2，第二个轴的长度为3。
• Numpy数组类的名字叫做ndarray，经常简称为array。要注意将numpy.array与标准Python库中的array.array区分开，后者只处理一维数组，并且功能简单。

Numpy功能

• ndarray，⼀个具有⽮量算术运算和复杂⼴播能⼒的快速且节
  省空间的多维数组。
• ⽤于对整组数据进⾏快速运算的标准数学函数（⽆需编写循
  环）
• ⽤于读写磁盘数据的⼯具以及⽤于操作内存映射⽂件的⼯
  具
• 线性代数、随机数⽣成以及傅⾥叶变换功能。
  ⽤于集成由C、C++、Fortran等语⾔编写的代码的API

参数含义

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)   # np.array的定义

各参数的含义：

• object：用于生成数组的数据对象
• dtype：指定类型，可选。
• copy：可选，默认为True，对象被复制。
• order：C语言风格（按行）、FORTRAN风格（按列）或A（任意，默认）。
• subok：默认情况下，返回的数组被强制为基类数组。 如果为True，则返回子类。
• ndmin：指定返回数组的最小维数

ndarray属性

• ndarray.ndim：数组的轴数量
• ndarray.shape：数组的形状。比如对于n行m列的矩阵，其shape形状就是(n,m)。而shape元组的长度则恰恰是上面的ndim值，也就是轴数。
• ndarray.size：数组中所有元素的个数。这恰好等于shape中元素的乘积。
• ndarray.dtype：数组中元素的数据类型。除了标准的Python类型，Numpy还提供一些自有的类型。
• ndarray.itemsize：元素的字节大小。float64类型的itemsize为8（=64/8），而complex32的itemsize为4（=32/8）。
• ndarray.data：包含数组实际元素的缓冲区
• ndarray.flags: 数组对象的一些状态指示或标签

---

创建ndarray

一维或者多维数组

import numpy as np    # 国际惯例的导入方式# 一维数组
data1 = [4, 5, 9, 1]
arr1 = np.array(data1)
arr1

array([4, 5, 9, 1])

# 二维数组
data2 = [[3,41,6], [9,1,4]]
arr2 = np.array(data2)
arr2

array([[ 3, 41,  6],
       [ 9,  1,  4]])

np.array([9,'xiaoming',0])  # 数值型自动转成字符串

array(['9', 'xiaoming', '0'], dtype='<U11')

全0矩阵

# 全0
np.zeros(5)  # 全0向量

array([0., 0., 0., 0., 0.])

# 全0
arrZero = np.zeros((4,3))  # shape形状必须括起来
arrZero

array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])

np.zeros((2,4,3))

array([[[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]]])

np.empty((2, 3, 2)) # 尽量少用empty方法

array([[[1., 1.],
        [1., 1.],
        [1., 1.]],

       [[1., 1.],
        [1., 1.],
        [1., 1.]]])

全1（类似全0）

# 全1矩阵
arrOne = np.ones((4,3))  # shape 形状必须括起来
arrOne

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

arange

类似Python中的range函数

a = np.arange(15).reshape(3, 5)  # 创建3行5列的数组
a

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

单位矩阵

对角线上全是1，其余是0

np.eye(5)   # 创建单位矩阵

array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])

full

指定生成某个数的数组

np.full((3,4),5)  # 创建3*4的全部是5的数组

array([[5, 5, 5, 5],
       [5, 5, 5, 5],
       [5, 5, 5, 5]])

linspace

在指定的范围内生成数组，endpoint表示包含尾部的元素

a = np.linspace(2, 8, 10, endpoint=True, retstep=True, dtype=float)    # 自动返回步长
a

# result
(array([2.        , 2.66666667, 3.33333333, 4.        , 4.66666667,
        5.33333333, 6.        , 6.66666667, 7.33333333, 8.        ]),
 0.6666666666666666)

reshape

改成数组的形状；当参数中出现-1的时候，表示系统判断shape中的另一个参数

a = np.floor(10*np.random.random((3, 4)))  # 先用random函数随机生成3*4的数组；再每个元素乘以10；最后floor取整
a.ravel()  # 平铺成一维数组

a.reshape(6,2)  # 变成6行2列，原来的数组a是不变的
np.reshape(a, (6,2))  # 等价同上

a.reshape(4, -1)  # 系统自动判断为4行3列

resize

大部分功能和使用与reshape函数相同

常用属性

• shape：几行几列，(m,n)
• ndim：维度
• size：总元素个数，m*n
• dtype：查看数据类型
• T：表示转置

a.shape  # 数组形状，即几行几列
(3, 5)

a.ndim  # 数组的轴数，维度称为轴
2

a.dtype.name  # 数组中元素的数据类型
'int32'

a.size   # 数组中所有元素的个数
15

type(a)  # 查看类型
numpy.ndarray

b = np.array([1, 2, 3, 4])   # 生成一个数组，中括号的元素看成一个整体
b

array([1, 2, 3, 4])

c = np.array([[1, 2], [3, 4], [5, 6]])  # 注意：有两层中括号[]
c

array([[1, 2],
       [3, 4],
       [5, 6]])

# 数据类型转换
int_array = np.arange(4)  # 创建0到3的一维数组
old = np.array([3.4, 2.4, 11.3])
new = old.astype(int_array.dtype)   # 转换成整数型dtype
old

[out]:array([ 3.4,  2.4, 11.3])

np.pi  # pi
np.e  # e