首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Numpy 修炼之道 (2)—— N维数组 ndarray

Numpy 修炼之道 (2)—— N维数组 ndarray

作者头像
abs_zero
修改2018-05-26 14:47:33
6720
修改2018-05-26 14:47:33
举报
文章被收录于专栏:AI派AI派

上一篇:Numpy 修炼之道(1) —— 什么是 Numpy

推荐阅读时间:5min~6min 文章内容:Numpy中的N维数组 ndarray

Numpy 中最重要的一个对象就是 ndarray。

ndarray 结构图

ndarray中的每个元素在内存中使用相同大小的块。 ndarray中的每个元素是数据类型对象的对象(称为 dtype)。

ndarray对象提取的任何元素(通过切片)由一个数组标量类型的 Python 对象表示。 下图显示了ndarray,数据类型对象(dtype)和数组标量类型之间的关系。

构建ndarray

打开 Python 终端

>>> import numpy as np
>>> a = np.array([0, 1, 2, 3]) # 1-D
>>> a
array([0, 1, 2, 3])
>>> b = np.array([[0, 1, 2], [3, 4, 5]]) # 2-D, 2 row x 3 col
>>> b
array([[0, 1, 2],
 [3, 4, 5]])

上面的方式是最基本的方法,也是最笨的方法,下面看一些非常“鸡贼”的方法。

使用一些跟数值范围相关的函数来创建。

>>> a = np.arange(10) # 生成 0-5 数组
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> b = np.arange(1, 6, 2) # 生成开始为 1,结束为 5(6-1),步长为 2 数组
>>> b
array([1, 3, 5])

常用的数组

>>> a = np.ones((3, 3)) # reminder: (3, 3) is a tuple
>>> a
array([[ 1., 1., 1.],
 [ 1., 1., 1.],
 [ 1., 1., 1.]])
>>> b = np.zeros((2, 2))
>>> b
array([[ 0., 0.],
 [ 0., 0.]])
>>> c = np.eye(3) # 单位矩阵
>>> c
array([[ 1., 0., 0.],
 [ 0., 1., 0.],
 [ 0., 0., 1.]])
>>> d = np.diag(np.array([1, 2, 3, 4])) # 对角矩阵
>>> d
array([[1, 0, 0, 0],
 [0, 2, 0, 0],
 [0, 0, 3, 0],
 [0, 0, 0, 4]])

随机数组

>>> a = np.random.rand(2, 3)       # uniform in [0, 1]
>>> a
array([[ 0.6713131 ,  0.36077404,  0.13295515],
     [ 0.21052194,  0.39054944,  0.24861006]])
>>> b = np.random.randn(2, 3)      # Gaussian
>>> b
array([[-1.25166408, -0.61573192, -0.41214682],
     [-0.25353635,  1.04938271,  0.02308834]])

nddaray常用属性

ndarray.flags

有关数组的内存布局的信息。

ndarray.shape

数组维数组。

ndarray.strides

遍历数组时,在每个维度中步进的字节数组。

ndarray.ndim

数组维数,在Python世界中,维度的数量被称为rank。

ndarray.data

Python缓冲区对象指向数组的数据的开始。

ndarray.size

数组中的元素总个数。

ndarray.itemsize

一个数组元素的长度(以字节为单位)。

ndarray.nbytes

数组的元素消耗的总字节数。

ndarray.base

如果内存是来自某个其他对象的基本对象。

ndarray.dtype

数组元素的数据类型。

ndarray.T

数组的转置。

>>> a = np.array([(2,3,4), (5,6,7)])
>>> a.flags
  C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  UPDATEIFCOPY : False
>>> a.shape(2L, 3L)
>>> a.ndim
2
>>> a.strides(12L, 4L)
>>> a.data
<read-write buffer for 0x00000000099EA2B0, size 24, offset 0 at 0x0000000009953B20
>>>> a.size
6
>>> a.itemsize
4
>>> a.nbytes
24
>>> a.dtype
dtype('int32')
>>> a.T
array([[2, 5],
     [3, 6],
     [4, 7]])

作者:无邪,个人博客:脑洞大开,专注于机器学习研究。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2018-02-27,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 脑洞科技栈 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • ndarray 结构图
  • 构建ndarray
  • nddaray常用属性
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档