ndarray：一种多维数组对象

ndarray是一个通用的同构数据多维容器，也就是说，其中的所有元素必须是相同类型的。每个数组都有一个shape（一个表示各维度大小的元组）和一个dtype（一个用于说明数组数据类型的对象）。

In []: import numpy as np

In []: data = np.array([[,,,],[,,,]])

In []: data
Out[]:
array([[, , , ],
       [, , , ]])

In []: data.shape
Out[]: (, )

In []: data.dtype
Out[]: dtype('int32')

Part 1 ：创建ndarray的方法

　　array（）

　　arange（）

　　linspace（）

　　zeros（）

　　ones（）

　　empty（）

　　eye（）

一 array()

　　类似Python中的列表，但有两点不同。

　　　　array长度是预先定好的，没有append方法。

　　　　执行乘法操作时。示例。

import numpy as np

a=np.array([,,,,])
print('numpy',a*)

l=[,,,,]
print('python',l*)

　　输出：　　

numpy [     ]
python [, , , , , , , , , , , , , , , , , , , , , , , , ]

　　应用场景 1）

　　　　假如有这样一个场景，将[1,2,3,4,5,6,7] 美元货币转为人民币，这个时候，numy.array便能较好的实现效果。

　　python能不能实现呢？也是可以的。两种方法，一种方法是循环遍历，乘以汇率。另外一种是使用内置函数map函数。有逼格。

　　注意，python3中，map返回的是迭代器。

import numpy as np

a=np.array([,,,,])
print('numpy',a*)

l=[,,,,]
print('python',l*)
print('map函数',list(map(lambda x:x*,l)))

　　应用场景 2）

　　　　有1000个商品，每个商品数量随机，商品价格随机，求总金额。 array实现起来也比较简单。

　　　　最后调用 .sum()方法

import numpy as np
import random
p=np.array([random.uniform(,) for _ in range()])
n=np.array([random.randint(,) for _ in range()])
print((p*n).sum())  #.sum()

　　同样，用python能不能实现呢？也是可以的，有两种方法。一种方法是for循环，一种方法是使用内置函数zip函数。很有逼格，老铁。

　　方法1：

s=
p=[random.uniform(,) for _ in range()]
n=[random.randint(,) for _ in range()]
for i in range():
    s+=p[i]*n[i]
print(s)

　　方法2 ：zip方法。注意，zip函数返回来的是一个迭代器。zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。

p=[random.uniform(,) for _ in range()]
n=[random.randint(,) for _ in range()]
s=
for price,num in zip(p,n):
   s+=price*num
print(s)

二 linspace（x,y,n）

　　将x-y，之间 n 均等分

　　类似arange（），第三个参数为数组长度。

x=np.linspace(-,,)
x

　　输出：

array([-.      ,  -99.979998,  -99.959996, ...,   99.959996,
         99.979998,  .      ])

　　利用linspace画图

import numpy as np
import matplotlib.pyplot as plt
x=np.linspace(-,,)
y=x**
plt.plot(x,y)
plt.show()

　　输出：

　　

三  arange（）

　　基本和range方法一样用

　　不同点，步长支持浮点数。

arr=np.arange(,,0.5)
arr

　　输出：

array([ . ,  1.5,  . ,  2.5,  . ,  3.5,  . ,  4.5,  . ,  5.5,  . ,
        6.5,  . ,  7.5,  . ,  8.5,  . ,  9.5, . , 10.5, . , 11.5,
       . , 12.5, . , 13.5, . , 14.5, . , 15.5, . , 16.5, . ,
       17.5, . , 18.5, . , 19.5])

四 zeros（）

　　根据指定形状和dtype，创建全0数组

arr=np.zeros()
arr

　　输出： 默认是浮点型

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

　　

　　可以指定类型，参数是dtype

arr=np.zeros(,dtype='int')
arr

　　输出：

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

　　

　　可以创建二维数组

arr=np.zeros((,),dtype='int')
arr

　　输出：

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

五 ones（）

　　和zeros 类似，根据指定形状和dtype，创建全1 数组，可以创建二维数组。

六 empty（）

　　根据指定形状和dtype，创建空数组（随机数填充），可以创建二维数组。

arr=np.empty()
arr

　　输出：

array([7.33501733e-312, 0.00000000e+000, 3.60739284e-313, 4.94065646e-324,
       7.33501739e-312, 7.33501604e-312, 7.33371324e-312, 5.30498948e-313,
       0.00000000e+000, 0.00000000e+000, 7.33501604e-312, 0.00000000e+000,
       5.72938864e-313, 4.94065646e-324, 7.33501739e-312, 7.33501604e-312,
       7.33371324e-312, 7.42698527e-313, 0.00000000e+000, 0.00000000e+000,
       1.50690022e-321, 0.00000000e+000, 7.85138443e-313, 4.94065646e-324,
       7.33501740e-312, 5.92878775e-323, 7.33371322e-312, 9.54898106e-313,
       0.00000000e+000, 0.00000000e+000, 1.50690022e-321, 0.00000000e+000,
       9.97338022e-313, 4.94065646e-324, 7.33501740e-312, 5.92878775e-323,
       7.33371324e-312, 1.16709769e-312, 0.00000000e+000, 0.00000000e+000,
       7.33499531e-312, 0.00000000e+000, 1.20953760e-312, 4.94065646e-324,
       7.33501741e-312, 7.33499531e-312, 7.33371324e-312, 1.37929726e-312,
       0.00000000e+000, 0.00000000e+000, 7.33499531e-312, 0.00000000e+000,
       1.42173718e-312, 4.94065646e-324, 7.33501741e-312, 7.33499531e-312,
       7.33371324e-312, 1.59149684e-312, 0.00000000e+000, 0.00000000e+000,
       3.18994064e+231, 0.00000000e+000, 1.63393676e-312, 5.87880625e+250,
       7.33501741e-312, 1.77111852e+159, 7.33371323e-312, 1.80369642e-312,
       8.97461399e+245, 0.00000000e+000, 5.77253125e+250, 0.00000000e+000,
       1.84613634e-312, 1.62482249e+265, 7.33501741e-312, 1.42973900e+188,
       7.33371324e-312, 2.01589600e-312, 1.72351640e+212, 0.00000000e+000,
       1.72762649e+212, 0.00000000e+000, 2.05833592e-312, 3.33203517e+178,
       7.33501742e-312, 7.09013607e+274, 7.33371324e-312, 2.22809558e-312,
       4.13443852e-087, 0.00000000e+000, 1.53172818e-154, 0.00000000e+000,
       2.27053550e-312, 4.85705098e+226, 7.33501742e-312, 5.84384734e+250,
       1.52845066e-154, 5.88999540e+250, 7.42539480e+221, 7.70887102e-315])

七 eye（）

　　根据指定边长和dtype创建单位矩阵。

arr=np.eye()
arr

　　输出：

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

Part 2 ：ndarray的数据类型

　　dtype（数据类型）是一个特殊的对象，它含有ndarray将一块内存解释为特定数据类型所需的信息。

In []: arr1 = np.array([,,],dtype=np.float64)

In []: arr2 = np.array([,,],dtype=np.int32)

In []: arr1.dtype
Out[]: dtype('float64')

In []: arr2.dtype
Out[]: dtype('int32')

　　dtype是numpy如此强大和灵活的原因之一。多数情况下，他们直接映射到相应的机器表示，这使得‘读写磁盘上的二进制数据流’以及‘集成低级语言代码（如C,Fortran）’等工作边的更加简单。

　　

　　你可以通过ndarray的astype方法显示的转换换其dtype

In []: arr = np.array([,,,])

In []: arr
Out[]: array([, , , ])

In []: arr.dtype
Out[]: dtype('int32')

In []: arr1 = arr.astype(np.float64)

In []: arr1.dtype
Out[]: dtype('float64')

　　注意：调用astype无论如何都会创造出一个新的 数组（原始数组的一份拷贝），即使新dtype跟苑dtype相同也是如此。

Part 3 ：基本的索引和切片

In []: arr = np.arange()

In []: arr
Out[]: array([, , , , , , , , , ])

In []: arr[]
Out[]: 

In []: arr[:]
Out[]: array([, , ])

In []: s = arr[:]

In []: s
Out[]: array([, , ])

In []: s[] = 

In []: s
Out[]: array([    , ,     ])

In []: arr
Out[]:
array([    ,     ,     ,     ,     ,     , ,     ,     ,
           ])

　　跟列表最重要的区别在于，数组切片是原始数组的视图。这意味着数据不会被复制，视图上的任何修改都会直接反应到原数组上。因为numpy的设计目的是处理大数据。

　　如果你想要得到一份副本而非视图。就需要显式的进行复制操作。

In []: arr = np.arange()

In []: arr
Out[]: array([, , , , , , , , , ])

In []: s = arr[:].copy()

In []: s
Out[]: array([, , ])

In []: s[] = 

In []: s
Out[]: array([    , ,     ])

In []: arr
Out[]: array([, , , , , , , , , ])

补充

　　1 一维数组 转换 二维数组.。reshape方法

arr=np.array([,,,,,,,,,]).reshape((,))
arr

　　输出：

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

　　2  int类型数组 与 浮点型 数组之间的转换 。astype方法

arr=np.arange(,dtype='int')
arr

　　输出： 这是整型

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

　　

　　直接调用astype（）

arr.astype('float')

　　输出：

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

　　

　　3 索引

　　　　1 一维数组 arr[3]

　　　　2 二维数组

　　　　　　arr[3][3]　　

　　　　　　arr[3,3]  推荐这个方法。与下面切片联系紧密。

　　4 切片

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

　　想取出下面数组，怎么办？

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

　　用推荐的索引稍加变动。

arr[:,:]

　　 5 和列表不同的，数组的切片不是自动复制，对切片数组的修改会影响到原切片。

　　

　　怎么办呢，加copy（）方法