Numpy的数组对象：ndarray
ndarray是一个多维数组对象，由两部分构成：
• 实际的数据
• 描述这些数据的元数据（数据维度、数据类型等）
ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始
ndarray对象的属性
| 属性 | 说明 |
|---|---|
| .ndim | 秩,即轴的数量或维度的数量 |
| .shape | ndarray对象的尺度，对于矩阵，n行m列 |
| .size | ndarray对象元素的个数,相当于.shape中n*m的值 |
| .dtype | ndarray对象的元素类型，由低精度到高精度应注意 |
| .itemsize | ndarray对象中每个元素的大小，以字节为单位 |
创建方式
"""
传入列表或元组创建ndarray对象
np.array(list/tuple,dtype=np.float32) #dtype若为指定则按数据情况关联一个类型
"""
In [1]: np.array([[1,23],[3,4]])
Out[1]:
array([[ 1, 23],
[ 3, 4]])
In [2]: np.array(((2,3),(4,5)))
Out[2]:
array([[2, 3],
[4, 5]])
"""
使用NumPy中函数创建ndarray数组
np.arange(n) 类似range()函数，返回ndarray类型,且dtype为int，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，每个元素值都是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
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的形状生成一个数组，每个元素值都是val
np.linspace(start,end,num=50,endpoint=True,retstep=False,dtype)
根据起start,到止end数据等间距地填充num个(默认50个)数据，
endpoint 默认为True即数组最后一个元素为end，
retstep (可理解为 return step)默认false，若为True则返回原来生成的数组和步长数值形成的新数组，
dtype 可指定也可让成程序从数组中推断数据类型，无默认值
np.concatenate((a1,a2 ... ), axis=0)
将两个或多个数组合并成一个新的数组,传入的应该是同型的数组序列，而不是一个个array类型的数组
axis 默认为0，即合并的维数，后面例子可见两个(2,3,4)的数组在axis不同的情况的合并效果。
axis=0 即将两个数组看作由规格为(3,4)的数组组成的list进行合并，结果为一个(4,3,4)的数组。
=1 即将两个数组的第一个维度(从第零个维度开始计算)进行合并，合并后结果为一个(2,6,4)的数组。
=2 即将两个数组的第三个维度进行合并，结果数组的规格为(2，3，8)
"""
In [3]: np.arange(10)
Out[3]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [4]: np.ones((2,3))
Out[4]:
array([[ 1., 1., 1.],
[ 1., 1., 1.]])
In [5]: np.zeros((2,3))
Out[5]:
array([[ 0., 0., 0.],
[ 0., 0., 0.]])
In [6]: np.full((2,3),4)
Out[6]:
array([[4, 4, 4],
[4, 4, 4]])
In [7]: np.eye(4)
Out[7]:
array([[ 1., 0., 0., 0.],
[ 0., 1., 0., 0.],
[ 0., 0., 1., 0.],
[ 0., 0., 0., 1.]])
In [12]: a=np.arange(6).reshape((2,3))
In [13]: np.ones_like(a)
Out[13]:
array([[1, 1, 1],
[1, 1, 1]])
In [14]: np.zeros_like(a)
Out[14]:
array([[0, 0, 0],
[0, 0, 0]])
In [15]: np.full_like(a,2)
Out[15]:
array([[2, 2, 2],
[2, 2, 2]])
#np.concatenate()例子
In [21]: a
Out[21]:
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]]])
In [22]: b
Out[22]:
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]]])
In [23]: np.concatenate((a,b),axis=0)
Out[23]:
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]],
[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
In [24]: np.concatenate((a,b),axis=1)
Out[24]:
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
In [25]: np.concatenate((a,b),axis=2)
Out[25]:
array([[[ 0, 1, 2, 3, 0, 1, 2, 3],
[ 4, 5, 6, 7, 4, 5, 6, 7],
[ 8, 9, 10, 11, 8, 9, 10, 11]],
[[12, 13, 14, 15, 12, 13, 14, 15],
[16, 17, 18, 19, 16, 17, 18, 19],
[20, 21, 22, 23, 20, 21, 22, 23]]])
维度变换
| 方法 | 说明 |
|---|---|
| .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()功能一致，但修改原数组 |
| .swapaxes(ax1,ax2) | 将数组n个维度中两个维度进行调换 |
| .flatten() | 对数组进行降维，返回折叠后的一维数组，原数组不变 |
#例子，关于swapzxes
#交换维度直接可考虑将shape中该维度上的数字交换
In [5]: a
Out[5]:
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]]])
In [6]: np.swapaxes(a,0,1)
Out[6]:
array([[[ 0, 1, 2, 3],
[12, 13, 14, 15]],
[[ 4, 5, 6, 7],
[16, 17, 18, 19]],
[[ 8, 9, 10, 11],
[20, 21, 22, 23]]])
In [7]: a
Out[7]:
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]]])
In [8]: np.swapaxes(a,0,1).shape
Out[8]: (3, 2, 4)
In [9]: a.shape
Out[9]: (2, 3, 4)
类型变换
"""
new_a = a.astype(new_type)
astype()方法一定会创建新的数组（原始数据的一个拷贝)
"""
In [12]: a.dtype
Out[12]: dtype('int32')
In [13]: a.astype(np.float)
Out[13]:
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.]]])
转换为列表 :调用.tolist()函数
数组的索引和切片
一维切片与列表相同，索引页类似，即每个维度分别有索引值。
多维数组切片：
#可以理解为每个维度上单独切片,若该维度上没有要求则用":"：
#例子:
In [17]: a
Out[17]:
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]]])
In [19]: a[1,1,1]
Out[19]: 17
In [20]: a[:,:,:] #每个维度都不切片为原数组的拷贝
Out[20]:
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]]])
In [23]: a[:,:,1:3] #第一，二维不切，第三维即行，每一行取出第二个到第三个元素
Out[23]:
array([[[ 1, 2],
[ 5, 6],
[ 9, 10]],
[[13, 14],
[17, 18],
[21, 22]]])
数组与标量之间的运算
数组与标量之间的运算作用于数组的每一个元素
NumPy一元函数
对ndarray中的数据执行元素级运算的函数,不改变原数组的值
| 函数 | 说明 |
|---|---|
| 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 或 floor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 |
| np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x) |
计算数组各元素的普通型和双曲型三角函数 |
| 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(‐) |
NumPy二元函数
| 函数 | 说明 |
|---|---|
| + ‐ * / ** | 两个数组各元素进行对应运算 |
| np.maximum(x,y) np.fmax() np.minimum(x,y) np.fmin() |
元素级的最大值/最小值计算，结果为浮点型 |
| np.mod(x,y) | 元素级的模运算 |
| np.copysign(x,y) | 将数组y中各元素值的符号赋值给数组x对应元素 |
| > < >= <= == != | 算术比较，产生布尔型数组 |
最后再说一下，函数见多了确实容易忘，但是，函数内部一般写了对函数的描述，也许你不知道怎么查看，就拿数组的合并函数np.concatenate举例
print(np.concatate.__doc__)
如果函数名都记不住？
dir(numpy) #输出略长
欢迎交流学习~~~~~~~~~~
谢谢观看，鞠躬~
