1. 数组的属性

1. 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。 2. 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)。 3. 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。 4. numpy.ndarray.dtype ndarray 对象的元素类型。 5. 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) # (2, 3) print(b.dtype) # float64 print(b.size) # 6 print(b.ndim) # 2 print(b.itemsize) # 8

注意：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

import numpy as np 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']#结果全为字符型 c = np.array([1, 2, 3, 4, 5.0]) print(c) # [1. 2. 3. 4. 5.]

2.副本与视图

1. 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。 2. 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。

注意：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)# [-1 2 3 4 5 6 7 8] print(y)# [-1 2 3 4 5 6 7 8] x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) y = x.copy() y[0] = -1 print(x)# [1 2 3 4 5 6 7 8] print(y)# [-1 2 3 4 5 6 7 8]

数组切片操作返回的对象只是原数组的视图

import numpy as np x = 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]]) y = x y[::2, :3:2] = -1 print(x) #[[-1 12 -1 14 15] #[16 17 18 19 20] #[-1 22 -1 24 25] #[26 27 28 29 30] #[-1 32 -1 34 35]] print(y) #[[-1 12 -1 14 15] #[16 17 18 19 20] # [-1 22 -1 24 25] #[26 27 28 29 30] #[-1 32 -1 34 35]]

3.索引与切片

数组索引机制指的是用方括号（[]）加序号的形式引用单个数组元素，它 的用处很多，比如抽取元素，选取数组的几个元素，甚至为其赋一个新值。

3.1整数索引

注意：x[ , ]要比x[ ][ ]效率要高

x = 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(x[2]) # [21 22 23 24 25] print(x[2][1]) # 22 print(x[2, 1]) # 22

3.2切片与索引

切片操作是指抽取数组的一部分元素生成新数组。对 python 列表进行切片操作得到的数组是原数组的副本，而对 Numpy 数据进行切片操作得到的数组则是指向相同缓冲区的视图。如果想抽取（或查看）数组的一部分，必须使用切片语法，也就是，把几个用冒号（ start:stop:step ）隔开的数字置于方括号内。为了更好地理解切片语法，还应该了解不明确指明起始和结束位置的情况。如省去第一个数字，numpy 会认为第一个数字是0；如省去第二个 数字，numpy 则会认为第二个数字是数组的最大索引值；如省去最后一个数字，它将会被理解为1，也就是抽取所有元素而不再考虑间隔。

对一位数组切片

import numpy as np x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) print(x[0:2]) # [1 2] print(x[1:5:2]) # [2 4]

对二维数组切片

import numpy as np x = 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(x[0:2]) # [[11 12 13 14 15] # [16 17 18 19 20]] print(x[::2, ::2]) # [[11 13 15] # [21 23 25] # [31 33 35]]

注意：通过对每个以逗号分隔的维度执行单独的切片，可以对多维数组进行切片。因此，对于二维数组，第一块定义了行的切片，第二块定义了列的切片。

3.3dots 索引

NumPy 允许使用 … 表示足够多的冒号来构建完整的索引列表。 比如，如果 x 是 5 维数组：

x[1,2,…] 等于 x[1,2,:,:,:]x[…,3] 等于 x[:,:,:,:,3]x[4,…,5,:] 等于 x[4,:,:,5,:]

3.4 整数数组索引

方括号内传入多个索引值，可以同时选择多个元素 import numpy as np x = 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]]) r = [0, 1, -1] print(x[r]) #[[11 12 13 14 15] #[16 17 18 19 20] #[31 32 33 34 35]]

numpy.take（a，indices，axis = None，out = None，mode =‘raise’ ） 沿轴取数组中的元素 当axis不是None时，此函数与“fancy”索引（使用数组索引数组）的功能相同; 但是，如果您需要沿给定轴的元素，则可以更容易使用

import numpy as np x = 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]]) r = [0, 1, 2] print(np.take(x, r, axis=0)) # [[11 12 13 14 15] # [16 17 18 19 20] # [21 22 23 24 25]] r = [0, 1, 2] c = [2, 3, 4] y = np.take(x, [r, c]) print(y) # [[11 12 13] # [13 14 15]]

3.5布尔索引

import numpy as np x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) y = x > 5 print(y) # [False False False False False True True True] print(x[x > 5]) # [6 7 8]

4数组迭代

apply_along_axis(func1d, axis, arr)

import numpy as np x = 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]]) y = np.apply_along_axis(np.sum, 0, x) print(y) # [105 110 115 120 125] y = np.apply_along_axis(np.sum, 1, x) print(y) # [ 65 90 115 140 165] def my_func(x): return (x[0] + x[-1]) * 0.5 y = np.apply_along_axis(my_func, 0, x) print(y) # [21. 22. 23. 24. 25.] y = np.apply_along_axis(my_func, 1, x) print(y) # [13. 18. 23. 28. 33.]