numpy入门-数组创建

皮大大

发布于 2021-03-02 15:11:11

1.1K0

发布于 2021-03-02 15:11:11

文章被收录于专栏：机器学习/数据可视化

Numpy 基础知识

Numpy的主要对象是同质的多维数组。Numpy中的元素放在[]中，其中的元素通常都是数字，并且是同样的类型，由一个正整数元组进行索引。
每个元素在内存中占有同样大小的空间。在Numpy中，维度被称为轴。例如对于[1, 2, 1]有一个轴，并且长度为3。而[[ 1., 0., 0.], [ 0., 1., 2.]]则有两个轴，第一个轴的长度为2，第二个轴的长度为3。
Numpy数组类的名字叫做ndarray，经常简称为array。要注意将numpy.array与标准Python库中的array.array区分开，后者只处理一维数组，并且功能简单。

Numpy功能

ndarray，⼀个具有⽮量算术运算和复杂⼴播能⼒的快速且节省空间的多维数组。
⽤于对整组数据进⾏快速运算的标准数学函数（⽆需编写循环）
⽤于读写磁盘数据的⼯具以及⽤于操作内存映射⽂件的⼯具
线性代数、随机数⽣成以及傅⾥叶变换功能。⽤于集成由C、C++、Fortran等语⾔编写的代码的API

参数含义

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)   # np.array的定义

各参数的含义：

object：用于生成数组的数据对象
dtype：指定类型，可选。
copy：可选，默认为True，对象被复制。
order：C语言风格（按行）、FORTRAN风格（按列）或A（任意，默认）。
subok：默认情况下，返回的数组被强制为基类数组。如果为True，则返回子类。
ndmin：指定返回数组的最小维数

ndarray属性

ndarray.ndim：数组的轴数量
ndarray.shape：数组的形状。比如对于n行m列的矩阵，其shape形状就是(n,m)。而shape元组的长度则恰恰是上面的ndim值，也就是轴数。
ndarray.size：数组中所有元素的个数。这恰好等于shape中元素的乘积。
ndarray.dtype：数组中元素的数据类型。除了标准的Python类型，Numpy还提供一些自有的类型。
ndarray.itemsize：元素的字节大小。float64类型的itemsize为8（=64/8），而complex32的itemsize为4（=32/8）。
ndarray.data：包含数组实际元素的缓冲区
ndarray.flags: 数组对象的一些状态指示或标签

创建ndarray

一维或者多维数组

import numpy as np    # 国际惯例的导入方式# 一维数组
data1 = [4, 5, 9, 1]
arr1 = np.array(data1)
arr1

array([4, 5, 9, 1])

# 二维数组
data2 = [[3,41,6], [9,1,4]]
arr2 = np.array(data2)
arr2

array([[ 3, 41,  6],
       [ 9,  1,  4]])

np.array([9,'xiaoming',0])  # 数值型自动转成字符串

array(['9', 'xiaoming', '0'], dtype='<U11')

全0矩阵

# 全0
np.zeros(5)  # 全0向量

array([0., 0., 0., 0., 0.])

# 全0
arrZero = np.zeros((4,3))  # shape形状必须括起来
arrZero

array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])

np.zeros((2,4,3))

array([[[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]],

       [[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]]])

np.empty((2, 3, 2)) # 尽量少用empty方法

array([[[1., 1.],
        [1., 1.],
        [1., 1.]],

       [[1., 1.],
        [1., 1.],
        [1., 1.]]])

全1（类似全0）

# 全1矩阵
arrOne = np.ones((4,3))  # shape 形状必须括起来
arrOne

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

arange

类似Python中的range函数

a = np.arange(15).reshape(3, 5)  # 创建3行5列的数组
a

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

单位矩阵

对角线上全是1，其余是0

np.eye(5)   # 创建单位矩阵

array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])

full

指定生成某个数的数组

np.full((3,4),5)  # 创建3*4的全部是5的数组

array([[5, 5, 5, 5],
       [5, 5, 5, 5],
       [5, 5, 5, 5]])

linspace

在指定的范围内生成数组，endpoint表示包含尾部的元素

a = np.linspace(2, 8, 10, endpoint=True, retstep=True, dtype=float)    # 自动返回步长
a

# result
(array([2.        , 2.66666667, 3.33333333, 4.        , 4.66666667,
        5.33333333, 6.        , 6.66666667, 7.33333333, 8.        ]),
 0.6666666666666666)

reshape

改成数组的形状；当参数中出现-1的时候，表示系统判断shape中的另一个参数

a = np.floor(10*np.random.random((3, 4)))  # 先用random函数随机生成3*4的数组；再每个元素乘以10；最后floor取整
a.ravel()  # 平铺成一维数组

a.reshape(6,2)  # 变成6行2列，原来的数组a是不变的
np.reshape(a, (6,2))  # 等价同上

a.reshape(4, -1)  # 系统自动判断为4行3列

resize

大部分功能和使用与reshape函数相同

常用属性

shape：几行几列，(m,n)
ndim：维度
size：总元素个数，m*n
dtype：查看数据类型
T：表示转置

a.shape  # 数组形状，即几行几列
(3, 5)

a.ndim  # 数组的轴数，维度称为轴
2

a.dtype.name  # 数组中元素的数据类型
'int32'

a.size   # 数组中所有元素的个数
15

type(a)  # 查看类型
numpy.ndarray

b = np.array([1, 2, 3, 4])   # 生成一个数组，中括号的元素看成一个整体
b

array([1, 2, 3, 4])

c = np.array([[1, 2], [3, 4], [5, 6]])  # 注意：有两层中括号[]
c

array([[1, 2],
       [3, 4],
       [5, 6]])

# 数据类型转换
int_array = np.arange(4)  # 创建0到3的一维数组
old = np.array([3.4, 2.4, 11.3])
new = old.astype(int_array.dtype)   # 转换成整数型dtype
old

[out]:array([ 3.4,  2.4, 11.3])