Python之numpy模块array简短学习

1、简介

Python的lists是非常的灵活以及易于使用。但是在处理科学计算相关大数量的时候，有点显得捉襟见肘了。

Numpy提供一个强大的N维数组对象(ndarray)，包含一些列同类型的元素，这点和python中lists不同。

Python lists are extremely flexible and really handy, but when dealing with a large
number of elements or to support scientific computing, they show their limits.
One of the fundamental aspects of NumPy is providing a powerful N-dimensional
array object, ndarray, to represent a collection of items (all of the same type).

2、例子

例子1：创建array数组

In [7]: import numpy as np

In [8]: x = np.array([1,2,3])

In [9]: x
Out[9]: array([1, 2, 3])

例子2：分片

In [10]: x[1:]
Out[10]: array([2, 3])

和使用python的list一样

例子3:对整个数组进行操作

In [11]: x*2
Out[11]: array([2, 4, 6])

对比python list中同样的操作：

In [1]: alist=[1,2,3]

In [2]: alist * 2
Out[2]: [1, 2, 3, 1, 2, 3]

例子4：生成器操作

In [12]: l = [1,2,3]

In [13]: [2*li for li in l]
Out[13]: [2, 4, 6]

例子5：多个数组之间加法

In [14]: a = np.array([1,2,3])

In [15]: b = np.array([3,2,1])

In [16]: a+b
Out[16]: array([4, 4, 4])

例子6：多维数组

In [17]: M = np.array([[1,2,3],[4,5,6]])

In [18]: M[1,2]
Out[18]: 6

例子7：arange函数

In [19]: range(6)
Out[19]: [0, 1, 2, 3, 4, 5]

In [20]: np.arange(6)
Out[20]: array([0, 1, 2, 3, 4, 5])