Numpy教程01

数组的创建

利用现有的数据来创建ndarray （1）利用array()函数进行创建 例：分别创建一维、二维和三维数组 import numpy as np # 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)) print(b, type(b)) # 创建二维数组 c = np.array([[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]]) print(c, type(c)) # 创建三维数组 d = np.array([[(1.5, 2, 3), (4, 5, 6)], [(3, 2, 1), (4, 5, 6)]]) print(d, type(d))

输出：

[0 1 2 3 4] <class 'numpy.ndarray'> [0 1 2 3 4] <class 'numpy.ndarray'> [[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]] <class 'numpy.ndarray'> [[[1.5 2. 3. ] [4. 5. 6. ]] [[3. 2. 1. ] [4. 5. 6. ]]] <class 'numpy.ndarray'>

(2). 利用asarray()函数来创建 array()和asarray()都可以将结构数据转化为 ndarray，区别是：当数据源是ndarray 时，array()仍然会 copy 出一个副本，占用新的内存；asarray()不会。

import numpy as np x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]]) y = np.array(x) z = np.asarray(x) w = np.asarray(x, dtype=np.int) x[1][2] = 2 print(x,type(x),x.dtype) print(y,type(y),y.dtype) print(z,type(z),z.dtype) print(w,type(w),w.dtype)

输出

[[1 1 1] [1 1 2] [1 1 1]] <class 'numpy.ndarray'> int32 [[1 1 1] [1 1 1] [1 1 1]] <class 'numpy.ndarray'> int32 [[1 1 1] [1 1 2] [1 1 1]] <class 'numpy.ndarray'> int32 [[1 1 1] [1 1 2] [1 1 1]] <class 'numpy.ndarray'> int32

(3). 利用fromfunction()函数进行创建 例：通过在坐标上执行一个函数来构造数组

import numpy as np def f(x, y): return 10 * x + y x = np.fromfunction(f, (5, 4), dtype=int) print(x) x = np.fromfunction(lambda i, j: i == j, (3, 3), dtype=int) print(x) x = np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int) print(x)

输出

[[ 0 1 2 3] [10 11 12 13] [20 21 22 23] [30 31 32 33] [40 41 42 43]] [[ True False False] [False True False] [False False True]] [[0 1 2] [1 2 3] [2 3 4]] 根据ones和zeros填充方式 (1). 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 import numpy as np x = np.zeros(5) print(x) x = np.zeros([2, 3]) print(x) x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.zeros_like(x) print(y)

输出：

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

(2). 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

import numpy as np x = np.ones(5) print(x) # [1. 1. 1. 1. 1.] x = np.ones([2, 3]) print(x) x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.ones_like(x) print(y)

输出：

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

(3). 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

import numpy as np x = np.empty(5) print(x) x = np.empty((3, 2)) print(x) x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.empty_like(x) print(y)

输出

[0. 0. 0. 0. 0.] [[0. 0.] [0. 0.] [0. 0.]] [[7471207 7143521 4587552] [7077993 7536741 2621472]]

(4). 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

import numpy as np x = np.eye(4) print(x) x = np.eye(2, 3) print(x) x = np.identity(4) print(x)

输出

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

(5). 对角数组 diag()函数：提取对角线或构造对角数组

import numpy as np x = np.arange(9).reshape((3, 3)) print(x) 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)

输出：

[[0 1 2] [3 4 5] [6 7 8]] [0 4 8] [1 5] [3 7] [[1 0 0 0] [0 3 0 0] [0 0 5 0] [0 0 0 7]]

(6). 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

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

输出：

[7 7] [[7 7 7 7 7 7 7] [7 7 7 7 7 7 7]] [[7 7 7] [7 7 7]] 利用数值范围来创建数组 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 import numpy as np x = np.arange(5) print(x) x = np.arange(3, 7, 2) print(x) x = np.linspace(start=0, stop=2, num=9) print(x) x = np.logspace(0, 1, 5) print(np.around(x, 2)) #np.around 返回四舍五入后的值，可指定精度 x = np.linspace(start=0, stop=1, num=5) x = [10 ** i for i in x] print(np.around(x, 2)) x = np.random.random(5) print(x) x = np.random.random([2, 3]) print(x)

输出：

[0 1 2 3 4] [3 5] [0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ] [ 1. 1.78 3.16 5.62 10. ] [ 1. 1.78 3.16 5.62 10. ] [0.60621762 0.01844608 0.82116907 0.57071932 0.18629851] [[0.7274693 0.97445186 0.90204432] [0.08303323 0.2520763 0.462612 ]] 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。 (1). 利用字典来定义结构 import numpy as np 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))

输出

[('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)] <class 'numpy.ndarray'>

(2)利用包含多个元组的列表来定义结构

import numpy as np 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)) print(a[0]) print(a[-2:]) # 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

输出

[('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)] <class 'numpy.ndarray'> ('Liming', 24, 63.9) [('Mike', 15, 67. ) ('Jan', 34, 45.8)] ['Liming' 'Mike' 'Jan'] [24 15 34] [63.9 67. 45.8] 数组的属性 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 import numpy as np b = np.array([[1, 2, 3], [4, 5, 6.0]]) print(b.shape) print(b.dtype) print(b.size) print(b.ndim) print(b.itemsize)

输出：

(2, 3) float64 6 2 8 副本与视图 在 Numpy 中，尤其是在做数组运算或数组操作时，返回结果不是数组的 副本 就是 视图。在 Numpy 中，所有赋值运算不会为数组和数组中的任何元素创建副本，numpy.ndarray.copy() 函数创建一个副本。 对副本数据进行修改，不会影响到原始数据，它们物理内存不在同一位置。 import numpy as np x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) y = x y[0] = -1 print(x) print(y) x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) y = x.copy() y[0] = -1 print(x) print(y)

输出:

[-1 2 3 4 5 6 7 8] [-1 2 3 4 5 6 7 8] [1 2 3 4 5 6 7 8] [-1 2 3 4 5 6 7 8]