ndarray

ndarray

ndarray-多维数组对象

• ndarray数组分两部分
  • 实际数据
  • 描述数据的元数据(数据类型/维度等)

ndarray所有元素类型相同，下标从0开始

import numpy as np

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

a
type(a)
a[0], a[1], a[2]
a[0] = 5
a

ndarray基本概念

• 特征：能描述物体的最小粒度
• 维度(维数)：描述一个对象所需的特征(参数)层数
• 轴：axis，特征数量
• 秩：rank，轴的个数，或数据维数(层数)

import numpy as np

a = np.array([1,2,3])
b = np.array([[1,0],[0,1],[1,2]])
c = np.array([[[1,2,3,4],[1,2,3,4],[1,2,3,4]],[[1,2,3,4],[1,2,3,4],[1,2,3,4]]])

a
a.shape #轴
a.ndim #秩

ndarray对象属性

• .ndim，秩
• .shape，轴，对象尺度，对于矩阵，n行m列
• .size，对象元素的个数，相当于.shape中的n*m的值
• .dtype，对象的元素类型
• .itemsize，对象中每个元素的大小，单位字节

import numpy as np

a = np.array([[0,1,2,3,4],[9,8,7,6,5]])
# b = np.array([[0,1,2,3,4],[9,8,7,6]]) # 非同质ndarray元素为对象类型，对象类型无法发挥Numpy的性能优势,一般不用

a
a.ndim
a.shape
a.size
a.dtype
a.itemsize

ndarray-数组创建和变换

创建ndarray数组

1：从Python的列表/元组等类型创建数组

x = np.array(list/tuple)

创建数组指定默认数据类型，也可以自行指定

x = np.array(list/tuple,dtype=np.int)

不写int32/float64之类,程序会自动调节int/float类型

import numpy as mp

x = np.array([1,2,3,4])
y = np.array([[1,2],(0.1,0.2)])
z = np.array([[1,2],(0.1,0.2)], dtype=np.int)

z

2 使用Numpy函数创建特定数组

• np.arange(n)，类似range()函数(递增的整数序列)，返回ndarray类型，元素从0到n-1
• np.ones(shape)，根据shape生成一个全1数组，shape是元组类型
• np.zeros(shape)，根据shape生成一个全0数组，shape是元组类型
• np.full(shape,val)，根据shape生成一个数组，每个元素都是val
• np.eye(n)，创建一个正方的n*n单位矩阵，对角线为1，其余为0

numpy生成的数组,如不指定类型几乎全为浮点型(arange除外,它是整型)。因为科学计算中测量值，例如温度、长度，都是浮点数

例子:

import numpy as mp

np.arange(10)
np.ones((3,6))
np.zeros((3,6),dtype=np.int32)
np.full(6,3)
np.full((2,3,4),25)
np.eye(5)

# 生成多维数组
x = np.ones((2,3,4))

x
x.shape

其他Numpy函数，用于大规模科学计算

• np.concatenate() 将两个或多个数组合并成一个新数组
• np.ones_like(a) 根据数组a的形状生成一个全1数组
• np.zeros_like(a) 根据数组a的形状生成一个全0数组
• np.full_like(a,val) 根据数组a的形状生成一个全 val 数组
• np.linspace() 根据起止数据等间距填充数据形成数组

np.concatenate((a1,a2,...), axis=0)，ndarray数组拼接

import numpy as mp

a = np.array([[1,2,3],[4,5,6],[7,8,9]])
b = np.array([[10,11,12]])

np.concatenate((a,b),axis=0) #按行拼接
np.concatenate((a,b.T),axis=1) # 按列拼接

import numpy as mp

a = np.linspace(1,10,4)
a

b = np.linspace(1,10,4,endpoint = False) #endpotin表示终止元素是否是n个生成元素中的一个
b

变换ndarray数组

维度变换

• .reshape(shape)：不改变数组元素，返回一个shape形状的数组，原数组不变
• .resize(shape)：与.reshape()功能相同，但修改原数组
• .flatten()：对数组降维，返回折叠后的一维数组，原数组不变

import numpy as mp

a = np.ones((2,3,4),dtype=np.int32)

#a.reshape((3,8))
#a.resize((3,8))
a

#a.flatten() #无变化
a
b = a.flatten() #变化
b

类型变换

new_a = a.astype(new_type)，astype会生成一个新数组

import numpy as mp

a = np.ones((2,3,4),dtype=np.int) #不写int32之类,程序会自动调节int类型
a
a.dtype

b = a.astype(np.float)
b
b.dtype

ndarray转为list

.tolist()：ndarray转为Python列表，用于和Python原生结合编写程序

import numpy as mp

a = np.full((2,3,4),25,dtype=np.int32)
a

a.tolist()

ndarray数组去重

np.unique(a)，去除重复数组值

import numpy as mp

a = np.array([[1, 0, 0], [1, 0, 0], [2, 3, 4]])
np.unique(a)

ndarray-数组操作(增查改删)

查，Read

• 索引：获取数组中特定位置的元素
• 切片：获取数组中特定元素的子集

一维数组的索引和切片

与Python list列表类似

import numpy as mp

a = np.array([9,8,7,6,5])

a[2] #索引
a[1:4:2] #切片，三个值为: 起始编号,终止编号(不含),步长(变化量)，参数用冒号分隔

多维数组的索引和切片

import numpy as mp

a = np.arange(24).reshape((2,3,4))
a

#多维数组的索引，两种方式，ndarray方式和Python list方式
a[1,2,3] # a[1][2][3]
a[-1,-2,-3] # a[-1][-2][-3] #倒数第一个,倒数第二个...

# 多维数组的切片
a[:,1,-3]
a[:,1:3,:] #不关心第一维度,第二维度 1到3不含3,第三维度不关心
a[:,:,::2] #第一/第二维度不关心,第三参数 每个维度可以使用步长跳跃切片(不关心起始结束但要以2为步长获取值)

返回指定条件元素所在位置索引

import numpy as mp

a = np.array([[1,2,3,4],[5,4,7,8]])
b = np.array([[[1,2,3,4],[5,4,7,8]],[[1,4,3,2],[5,2,1,8]]])

np.where(a > 4) #索引坐标 纵向排列
np.where(b == 4)

---

增，Create

import numpy as mp

a = np.array([[1,2,3],[4,5,6],[7,8,9]])
b = np.array([[10,11,12]])

---

改，Update

import numpy as mp

a = np.array([[1,2,3],[4,5,6]])
a

a[0][1] = 10

a[:,0:2] = 1 # 切片批量修改
a[:,0:2] = [[11,12],[13,14]]

---

删，Delete

np.delete(arr, obj, axis=None)

并没有真删除，只是返回了一个去掉删除项的新数组

import numpy as mp

a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
a

#删除行
b1 = np.delete(a, -1, axis=0)
#删除列
b2 = np.delete(a, -1, axis=1)
#删除多列
b3 = np.delete(a, [1,2], axis=1)

ndarray-数组运算

数组与标量运算

• 标量：一个数值
• 广播机制：自动补齐，数组与标量之间的运算作用于数组的每一个元素

import numpy as np

# 计算a与元素平均值的商
a = np.arange(24).reshape((2,3,4))
a
a.mean() # a中所有元素的算数平均值
a = a/a.mean()
a

---

Numpy一元函数

了解即可，运算时注意原数组是否被改变,几乎所有一元函数都是生成新数组

对ndarray中的数据执行元素级运算的函数

• np.abs(x) np.fabs(x) 计算数组各元素的绝对值
• np.sqrt(x) 计算数组各元素的平方根
• np.square(x) 计算数组各元素的平方
• np.log(x) np.log10(x) np.log2(x) 计算数组各元素的自然对数/10底对数和2底对数
• np.ceil(x) np.floor(x) 计算数组各元素的ceiling值(不超过元素的整数值)或floor值(小于这个元素的最大整数值)
• np.rint(x) 计算数组各元素的四舍五入值
• np.modf(x) 将数组各元素的小数和整数部分以两个独立数组形式返回
• 计算数组各元素的普通型和双曲型三角函数
  • np.cos(x) np.cosh(x)
  • np.sin(x) np.sinh(x)
  • np.tan(x) np.tanh(x)
• np.exp(x) 计算数组各元素的指数值
• np.sign(x) 计算数组各元素的符号值,1(+),0,-1(-) 正数为1负数为-1其他(0时)为0

import numpy as np

a = np.arange(24).reshape(2,3,4)
np.square(a)

a = np.sqrt(a)
a

np.modf(a)