Numpy 修炼之道 (2)—— N维数组 ndarray

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。

原文发布于微信公众号 - 脑洞科技栈(naodong-open)

原文发表时间:2018-02-27

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏chenjx85的技术专栏

leetcode-821-Shortest Distance to a Character

2996
来自专栏算法channel

归并排序算法的过程图解

主要推送关于对算法的思考以及应用的消息。坚信学会如何思考一个算法比单纯地掌握100个知识点重要100倍。本着严谨和准确的态度,目标是撰写实用和启发性的文章,欢迎...

41611
来自专栏武培轩的专栏

排序算法-希尔排序

上一篇讲解了简单插入排序算法,以及在其基础上优化的二分插入排序算法,但是每次插入需要按间隔为 1 移动有序区的元素,效率不高,下面我们来介绍一种新的插入排序算法...

3504
来自专栏java工会

java冒泡排序和快速排序

3363
来自专栏程序员互动联盟

八大排序算法

排序有内部排序和外部排序,内部排序是数据记录在内存中进行排序,而外部排序是因排序的数据很大,一次不能容纳全部的排序记录,在排序过程中需要访问外存。 我们这里说说...

3958
来自专栏ACM算法日常

基础算法|4 简单选择排序

我们之前已经了解了三种基础算法,分别为二分查找算法,冒泡排序算法,以及直接插入排序算法。俗话说得好,温故而知新,所以现在就让我们简单回顾一下之前的三种算法吧。...

1283
来自专栏章鱼的慢慢技术路

蓝桥杯题库基础练习:进制转换

2234
来自专栏Brian

数据分析利器-NumPy

---- 概述 NumPy类库是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵,比Python自身的嵌套列表(nested list s...

3488
来自专栏ACM算法日常

一次看懂进制转换(阶乘是关键) - HDU 2031

对于二进制的转换,我们通常有这样的公式,例如对于一个二进制111001,转换为十进制xx:

2113
来自专栏Python爬虫实战

numpy基础操作快速入门

由于numpy不是python自带库,需要自己下载安装(如果用的是Anaconda,则不需要再去下载numpy库,因为其自带python环境以及许多第三方pyt...

771

扫码关注云+社区

领取腾讯云代金券