Numpy的ndarray数组基础

NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。

ndarray 对象是用于存放同类型元素的多维数组。

1.数组的属性

In [ ]:

import numpy as np
a=np.array([[1,2,3],[1,2,4]],dtype=np.float32)

#数组元素总数
a.size

Out[ ]:

6

In [ ]:

# 数组的形状，多少行多少列
a.shape

Out[ ]:

(2, 3)

In [ ]:

# 数组的维数
a.ndim

Out[ ]:

2

In [ ]:

# 数组中元素类型
a.dtype

Out[ ]:

dtype('float32')

In [ ]:

# 更改数组元素类型
a=np.array([1,2,3],dtype=np.int8)
a.dtype

Out[ ]:

dtype('int8')

2.改变形状

改变数组的形状，这个经常会用到

In [ ]:

# 修改数组形状
a.reshape(3,2)

Out[ ]:

array([[1., 2.],
       [3., 1.],
       [2., 4.]], dtype=float32)

3.生成特殊数组

顺序数组，等差数组，等比数组，全零数组，全一数组，对角数组

In [ ]:

# 生成从0-9的十个数字
list(range(10))

Out[ ]:

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

In [ ]:

np.arange(10)

Out[ ]:

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [ ]:

#创建等差数组
np.linspace(0,10,10)

Out[ ]:

array([ 0.        ,  1.11111111,  2.22222222,  3.33333333,  4.44444444,
        5.55555556,  6.66666667,  7.77777778,  8.88888889, 10.        ])

In [ ]:

# 创建不包含结尾数字的等差数组
np.linspace(0,10,10,endpoint=False)

Out[ ]:

array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

In [ ]:

# 创建等比数列
np.logspace(0,10,10,endpoint=False,base=2)

Out[ ]:

array([  1.,   2.,   4.,   8.,  16.,  32.,  64., 128., 256., 512.])

In [ ]:

2**np.linspace(0,10,10,endpoint=False)

Out[ ]:

array([  1.,   2.,   4.,   8.,  16.,  32.,  64., 128., 256., 512.])

In [ ]:

# 生成全0数组
np.zeros(2)

Out[ ]:

array([0., 0.])

In [ ]:

# 生成两行三列的全0数组
np.zeros((2,3))

Out[ ]:

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

In [ ]:

# 生成3阶单位数组
np.eye(3)

Out[ ]:

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

In [ ]:

# 生成元素值全为1的数组
np.ones(2)

Out[ ]:

array([1., 1.])

In [ ]:

# 生成元素值全为1的数组
np.ones((2,3))

Out[ ]:

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

In [ ]:

#生成指定对角线元素值的数组
np.diag([1,3,7])

Out[ ]:

array([[1, 0, 0],
       [0, 3, 0],
       [0, 0, 7]])

4.生成随机数数组

In [ ]:

# 生成4个随机数
np.random.random(size=4)

Out[ ]:

array([0.99380006, 0.58109084, 0.42882938, 0.07277003])

In [ ]:

# 生成随机数数组
np.random.random(size=(2,3))

Out[ ]:

array([[0.34564092, 0.45134545, 0.38735849],
       [0.38139285, 0.91636466, 0.85725663]])

In [ ]:

# 生成4个均匀分布的随机数
np.random.rand(2,3,2)

Out[ ]:

array([[[0.05311698, 0.76746714],
        [0.85221954, 0.89683859],
        [0.16683139, 0.9991075 ]],

       [[0.43788693, 0.8984444 ],
        [0.86345445, 0.74366691],
        [0.02199102, 0.95883056]]])

In [ ]:

# 生成正态分布的随机数
np.random.randn(2,3,2)

Out[ ]:

array([[[ 0.3403313 ,  0.62020657],
        [ 2.2423117 , -0.05473819],
        [-0.07679334, -0.01406795]],

       [[ 1.62656454,  0.68541225],
        [-0.42121934,  0.09347002],
        [-0.30088079, -0.08401791]]])

In [ ]:

# 随机生成0-10之间的2行3列随机数
np.random.randint(0,10,size=(2,3))

Out[ ]:

array([[7, 5, 6],
       [8, 3, 6]])

5.索引与切片

ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。

ndarray 数组可以基于 0 - n 的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。

In [ ]:

# 一维数组的索引
a=np.arange(10)
a

Out[ ]:

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [ ]:

# 数组的第三个值
a[2]

Out[ ]:

2

In [ ]:

#数组从第三个值之后的值
a[2:]

Out[ ]:

array([2, 3, 4, 5, 6, 7, 8, 9])

In [ ]:

#数组第六个值之前的值
a[:5]

Out[ ]:

array([0, 1, 2, 3, 4])

In [ ]:

#数组从第二个值到最后一个值
a[1:-1]

Out[ ]:

array([1, 2, 3, 4, 5, 6, 7, 8])

In [ ]:

#数组从第二个值到最后一个值，其间步长为2
a[1:-1:2]

Out[ ]:

array([1, 3, 5, 7])

In [ ]:

# 多维数组的索引
b=np.random.randint(0,10,size=(2,3))
b

Out[ ]:

array([[0, 3, 6],
       [2, 8, 0]])

In [ ]:

# 输出第二行所有元素
b[1,:]

Out[ ]:

array([2, 8, 0])

In [ ]:

#输出第一列所有元素
b[:,0]

Out[ ]:

array([0, 2])

In [ ]:

#???
b[:,::2]

Out[ ]:

array([[0, 6],
       [2, 0]])

6.展开

Numpy 中包含了一些函数用于处理数组，大概可分为以下几类：修改数组形状，翻转数组，修改数组维度，连接数组，分割数组，数组元素的添加与删除

In [ ]:

# 展开多维数组变为一维数组
b.ravel()

Out[ ]:

array([0, 3, 6, 2, 8, 0])

7.拼接

广播(Broadcast)是 numpy 对不同形状(shape)的数组进行数值计算的方式， 对数组的算术运算通常在相应的元素上进行。

如果两个数组 a 和 b 形状相同，即满足 a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘。这要求维数相同，且各维度的长度相同。

当运算中的 2 个数组的形状不同时，numpy 将自动触发广播机制

In [ ]:

#拼接数组
a=np.arange(10).reshape(2,5)
b=np.linspace(0,1,endpoint=False,num=10).reshape(2,5)

In [ ]:

#横向拼接法一
np.vstack((a,b))
#横向拼接法二
np.concatenate((a,b),axis=0)

Out[ ]:

array([[0. , 1. , 2. , 3. , 4. ],
       [5. , 6. , 7. , 8. , 9. ],
       [0. , 0.1, 0.2, 0.3, 0.4],
       [0.5, 0.6, 0.7, 0.8, 0.9]])

In [ ]:

#纵向拼接法一
np.vstack((a,b))
#纵向拼接法二
np.concatenate((a,b),axis=1)

Out[ ]:

array([[0. , 1. , 2. , 3. , 4. , 0. , 0.1, 0.2, 0.3, 0.4],
       [5. , 6. , 7. , 8. , 9. , 0.5, 0.6, 0.7, 0.8, 0.9]])

In [ ]:

a=np.arange(36).reshape(6,6)
a

Out[ ]:

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

8.分割

In [ ]:

#横向分割数组法一
np.hsplit(a,3)
#横向分割数组法二
np.split(a,3,axis=1)

Out[ ]:

[array([[ 0,  1],
        [ 6,  7],
        [12, 13],
        [18, 19],
        [24, 25],
        [30, 31]]),
 array([[ 2,  3],
        [ 8,  9],
        [14, 15],
        [20, 21],
        [26, 27],
        [32, 33]]),
 array([[ 4,  5],
        [10, 11],
        [16, 17],
        [22, 23],
        [28, 29],
        [34, 35]])]

In [ ]:

#纵向分割数组法一
np.vsplit(a,3)
#横向分割数组法二
np.split(a,3,axis=0)

Out[ ]:

[array([[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11]]),
 array([[12, 13, 14, 15, 16, 17],
        [18, 19, 20, 21, 22, 23]]),
 array([[24, 25, 26, 27, 28, 29],
        [30, 31, 32, 33, 34, 35]])]