Numpy数组创建

numpy数组创建

numpy 提供的最重要的数据结构是ndarray，它是 python 中list的扩展。

创建

array array(p_object, dtype=None, copy=True, order=‘K’, subok=False, ndmin=0)

# 创建一维数组 a = np.array([0, 1, 2, 3, 4]) b = np.array((0, 1, 2, 3, 4)) print(a, type(a)) # [0 1 2 3 4] <class ‘numpy.ndarray’> print(b, type(b)) # [0 1 2 3 4] <class ‘numpy.ndarray’> # 创建二维数组 c = np.array([[11, 12], [21, 22]]) print(c, type(c)) # [[11 12] # [21 22]] <class ‘numpy.ndarray’>

asarray()

def asarray(a, dtype=None, order=None): return array(a, dtype, copy=False, order=order) 由定义可以看出区别：array()和asarray()主要区别就是当数据源是ndarray 时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时 asarray()不会。（注：更改为较大的dtype时，其大小必须是array的最后一个axis的总大小（以字节为单位）的除数 ）

x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]]) print(x, x.dtype) # [[1 1 1] # [1 1 1] # [1 1 1]] int32 x.dtype = np.float # ValueError: When changing to a larger dtype, its size must be a divisor of the total size in bytes of the last axis of the array.

fromfunction() fromfunction(function, shape, **kwargs) 给函数绘图的时候可能会用到fromfunction()，该函数可从函数中创建数组

def f(x, y): return 10 * x + y x = np.fromfunction(f, (5, 4), dtype=int) print(x) # [[ 0 1 2 3] # [10 11 12 13] # [20 21 22 23] # [30 31 32 33] # [40 41 42 43]] x = np.fromfunction(lambda i, j: i == j, (3, 3), dtype=int) print(x) # [[ True False False] # [False True False] # [False False True]] x = np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int) print(x) # [[0 1 2] # [1 2 3] # [2 3 4]]

零数组 zeros()函数：返回给定形状和类型的零数组。 zeros_like()函数：返回与给定数组形状和类型相同的零数组。

def zeros(shape, dtype=None, order='C'): def zeros_like(a, dtype=None, order='K', subok=True, shape=None):

示例：

x = np.zeros(5) print(x) # [0. 0. 0. 0. 0.] x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.zeros_like(x) print(y) # [[0 0 0] # [0 0 0]]

1数组 ones()函数：返回给定形状和类型的1数组。 ones_like()函数：返回与给定数组形状和类型相同的1数组 用法与zeros()、zeros_like()相同

def ones(shape, dtype=None, order='C'): def ones_like(a, dtype=None, order='K', subok=True, shape=None):

空数组 empty()函数：返回一个空数组，数组元素为随机数。 empty_like函数：返回与给定数组具有相同形状和类型的新数组 用法与zeros()、zeros_like()相同

def empty(shape, dtype=None, order='C'): def empty_like(prototype, dtype=None, order='K', subok=True, shape=None):

单位数组 eye()函数：返回一个对角线上为1，其它地方为零的单位数组。 identity()函数：返回一个方的单位数组。

def eye(N, M=None, k=0, dtype=float, order='C'): def identity(n, dtype=None):

示例：

x = np.eye(4) print(x) # [[1. 0. 0. 0.] # [0. 1. 0. 0.] # [0. 0. 1. 0.] # [0. 0. 0. 1.]] x = np.eye(2, 3) print(x) # [[1. 0. 0.] # [0. 1. 0.]] x = np.identity(4) print(x) # [[1. 0. 0. 0.] # [0. 1. 0. 0.] # [0. 0. 1. 0.] # [0. 0. 0. 1.]]

对角数组 diag()函数：提取对角线或构造对角数组。

def diag(v, k=0):

示例

x = np.arange(9).reshape((3, 3)) print(x)# [[0 1 2]# [3 4 5]# [6 7 8]] print(np.diag(x)) # [0 4 8] print(np.diag(x, k=1)) # [1 5] print(np.diag(x, k=-1)) # [3 7] v = [1, 3, 5, 7] x = np.diag(v) print(x) # [[1 0 0 0] # [0 3 0 0] # [0 0 5 0] # [0 0 0 7]]

常数数组 full()函数：返回一个常数数组。 full_like()函数：返回与给定数组具有相同形状和类型的常数数组。

def full(shape, fill_value, dtype=None, order='C'): def full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None):

示例

x = np.full((2,), 7) print(x) # [7 7] x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.full_like(x, 7) print(y) # [[7 7 7] # [7 7 7]]

利用数值范围来创建ndarray arange()函数：返回给定间隔内的均匀间隔的值。 linspace()函数：返回指定间隔内的等间隔数字。 logspace()函数：返回数以对数刻度均匀分布。 numpy.random.rand() 返回一个由[0,1)内的随机数组成的数组。

def arange([start,] stop[, step,], dtype=None): def linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0): def logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None, axis=0): def rand(d0, d1, ..., dn):

示例：

x = np.arange(5) print(x) # [0 1 2 3 4] x = np.arange(3, 7, 2) print(x) # [3 5] x = np.linspace(start=0, stop=2, num=9) print(x) # [0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ] x = np.logspace(0, 1, 5) print(np.around(x, 2)) # [ 1. 1.78 3.16 5.62 10. ] #np.around 返回四舍五入后的值，可指定精度。 # around(a, decimals=0, out=None) # a 输入数组 # decimals 要舍入的小数位数。 默认值为0。 如果为负，整数将四舍五入到小数点左侧的位置 x = np.linspace(start=0, stop=1, num=5) x = [10 ** i for i in x] print(np.around(x, 2)) # [ 1. 1.78 3.16 5.62 10. ] x = np.random.random(5) print(x) # [0.41768753 0.16315577 0.80167915 0.99690199 0.11812291] x = np.random.random([2, 3]) print(x) # [[0.41151858 0.93785153 0.57031309] # [0.13482333 0.20583516 0.45429181]]

结构数组的创建 结构数组，首先需要定义结构，然后利用np.array()来创建数组，其参数dtype为定义的结构。

利用字典来定义结构 示例：

personType = np.dtype({ ‘names’: [‘name’, ‘age’, ‘weight’], ‘formats’: [‘U30’, ‘i8’, ‘f8’]}) a = np.array([(‘Liming’, 24, 63.9), (‘Mike’, 15, 67.), (‘Jan’, 34, 45.8)], dtype=personType) print(a, type(a)) # [(‘Liming’, 24, 63.9) (‘Mike’, 15, 67. ) (‘Jan’, 34, 45.8)] # <class ‘numpy.ndarray’>

利用包含多个元组的列表来定义结构 示例：

personType = np.dtype([(‘name’, ‘U30’), (‘age’, ‘i8’), (‘weight’, ‘f8’)]) a = np.array([(‘Liming’, 24, 63.9), (‘Mike’, 15, 67.), (‘Jan’, 34, 45.8)], dtype=personType) print(a, type(a)) # [(‘Liming’, 24, 63.9) (‘Mike’, 15, 67. ) (‘Jan’, 34, 45.8)] # <class ‘numpy.ndarray’> # 结构数组的取值方式和一般数组差不多，可以通过下标取得元素： print(a[0]) # (‘Liming’, 24, 63.9) print(a[-2:]) # [(‘Mike’, 15, 67. ) (‘Jan’, 34, 45.8)] # 我们可以使用字段名作为下标获取对应的值 print(a[‘name’]) # [‘Liming’ ‘Mike’ ‘Jan’] print(a[‘age’]) # [24 15 34] print(a[‘weight’]) # [63.9 67. 45.8]

属性

在使用 numpy 时，你会想知道数组的某些信息。很幸运，在这个包里边包含了很多便捷的方法，可以给你想要的信息。

numpy.ndarray.ndim用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。 numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。 numpy.ndarray.size数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。 numpy.ndarray.dtype ndarray 对象的元素类型。 numpy.ndarray.itemsize以字节的形式返回数组中每一个元素的大小。

``` class ndarray(object): shape = property(lambda self: object(), lambda self, v: None, lambda self: None) dtype = property(lambda self: object(), lambda self, v: None, lambda self: None) size = property(lambda self: object(), lambda self, v: None, lambda self: None) ndim = property(lambda self: object(), lambda self, v: None, lambda self: None) itemsize = property(lambda self: object(), lambda self, v: None, lambda self: None) ```

示例：

a = np.array([1, 2, 3, 4, 5]) print(a.shape) # (5,) print(a.dtype) # int32 print(a.size) # 5 print(a.ndim) # 1 print(a.itemsize) # 4 b = np.array([[1, 2, 3], [4, 5, 6.0]]) print(b.shape) # (2, 3) print(b.dtype) # float64 print(b.size) # 6 print(b.ndim) # 2 print(b.itemsize) # 8

在ndarray中所有元素必须是同一类型，否则会自动向下转换，int->float->str 示例：

a = np.array([1, 2, 3, 4, 5]) print(a) # [1 2 3 4 5] b = np.array([1, 2, 3, 4, ‘5’]) print(b) # [‘1’ ‘2’ ‘3’ ‘4’ ‘5’] c = np.array([1, 2, 3, 4, 5.0]) print© # [1. 2. 3. 4. 5.]