Numpy.array的基本操作

[TOC]

為什么要用numpy？

Python中提供了list容器，可以當(dāng)作數(shù)組使用。但列表中的元素可以是任何對象，因此列表中保存的是對象的指針，這樣一來，為了保存一個(gè)簡單的列表[1,2,3]。就需要三個(gè)指針和三個(gè)整數(shù)對象。對于數(shù)值運(yùn)算來說，這種結(jié)構(gòu)顯然不夠高效。
Python雖然也提供了array模塊，但其只支持一維數(shù)組，不支持多維數(shù)組(在TensorFlow里面偏向于矩陣?yán)斫?，也沒有各種運(yùn)算函數(shù)。因而不適合數(shù)值運(yùn)算。
NumPy的出現(xiàn)彌補(bǔ)了這些不足。
——摘自張若愚的《Python科學(xué)計(jì)算》

語法：

numpy.array(object, dtype = None, copy = True, order = None, subok = >  False, ndmin = 0)

參數(shù)說明：

名稱 描述
object 數(shù)組或嵌套的數(shù)列
dtype 數(shù)組元素的數(shù)據(jù)類型，可選
copy 對象是否需要復(fù)制，可選
order 創(chuàng)建數(shù)組的樣式，C為行方向，F(xiàn)為列方向，A為任意方向（默認(rèn)）
subok 默認(rèn)返回一個(gè)與基類類型一致的數(shù)組
ndmin 指定生成數(shù)組的最小維度

實(shí)例：

import numpy as np
## 常規(guī)創(chuàng)建方法
a = np.array([2, 3, 4])
b = np.array([2.0, 3.0, 4.0])
c = np.array([[1.0, 2.0],[3.0, 4.0]])
d = np.array([[1, 2], [3, 4]],dtype=complex) # 指定數(shù)據(jù)類型
print (a, a.dtype)
print (b, b.dtype)
print (c, c.dtype)
print (d, d.dtype)

output:

[2 3 4] int32
[ 2.  3.  4.] float64
[[ 1.  2.]
[ 3.  4.]] float64
[[ 1.+0.j  2.+0.j]
[ 3.+0.j  4.+0.j]] complex128

1、數(shù)組的常用函數(shù):

print np.arange(0,7,1,dtype=np.int16) # 0為起點(diǎn)，間隔為1時(shí)可缺省(引起歧義下不可缺省)
print np.ones((2,3,4),dtype=np.int16) # 2頁，3行，4列，全1，指定數(shù)據(jù)類型
print np.zeros((2,3,4)) # 2頁，3行，4列，全0
print np.empty((2,3)) #值取決于內(nèi)存
print np.arange(0,10,2) # 起點(diǎn)為0，不超過10，步長為2
print np.linspace(-1,2,5) # 起點(diǎn)為-1，終點(diǎn)為2，取5個(gè)點(diǎn)
print np.random.randint(0,3,(2,3)) # 大于等于0，小于3，2行3列的隨機(jī)整數(shù)
output:
[0 1 2 3 4 5 6]
[[[1 1 1 1]
  [1 1 1 1]
  [1 1 1 1]]

 [[1 1 1 1]
  [1 1 1 1]
  [1 1 1 1]]]
[[[ 0.  0.  0.  0.]
  [ 0.  0.  0.  0.]
  [ 0.  0.  0.  0.]]

 [[ 0.  0.  0.  0.]
  [ 0.  0.  0.  0.]
  [ 0.  0.  0.  0.]]]
[[  1.39069238e-309   1.39069238e-309   1.39069238e-309]
 [  1.39069238e-309   1.39069238e-309   1.39069238e-309]]
[0 2 4 6 8]
[-1.   -0.25  0.5   1.25  2.  ]
[[1 0 1]
 [0 1 0]]

2、類型轉(zhuǎn)換：

print float(1)
print int(1.0)
print bool(2)
print float(True)

output:

1.0
1
True
1.0

數(shù)組輸出：

從左到右，從上向下；一維數(shù)組打印成行，二維數(shù)組打印成矩陣，三維數(shù)組打印成矩陣列表；

print np.arange(1,6,2)
print np.arange(12).reshape(3,4) # 可以改變輸出形狀
print np.arange(24).reshape(2,3,4)# 2頁，3行，4頁

output:

[1 3 5]
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]

3、基本運(yùn)算

## 元素級運(yùn)算
a = np.array([1,2,3,4])
b = np.arange(4)
print (a, b)
print (a-b)
print (a*b)
print (a**2)
print (2*np.sin(a))
print (a>2)
print (np.exp(a)) # 指數(shù)

output:

[1 2 3 4] [0 1 2 3]
[1 1 1 1]
[ 0  2  6 12]
[ 1  4  9 16]
[ 1.68294197  1.81859485  0.28224002 -1.51360499]
[False False  True  True]
[  2.71828183   7.3890561   20.08553692  54.59815003]

4、矩陣運(yùn)算（二維數(shù)組）

a = np.array([[1,2],[3,4]]) # 2行2列
b = np.arange(6).reshape((2,-1)) # 2行3列 
print (a,b)
print (a.dot(b)) # 2行3列

output:

[[1 2]
 [3 4]] [[0 1 2]
 [3 4 5]]
[[ 6  9 12]
 [12 19 26]]

5、非數(shù)組運(yùn)算，調(diào)用方法

a = np.random.randint(0,5,(2,3))
print (a)
print (a.sum(),a.sum(axis=1),a.sum(0)) # axis用于指定運(yùn)算軸（默認(rèn)全部，可指定0或1）
print (a.min(),a.max(axis=1),a.mean(axis=1)) # axis = 0: 按列計(jì)算，axis = 1: 按行計(jì)算
print (a.cumsum(1)) # 按行計(jì)算累積和

output:

[[2 3 3]
 [0 2 1]]
11 [8 3] [2 5 4]
0 [3 2] [ 2.66666667  1.        ]
[[2 5 8]
 [0 2 3]]

6、索引，切片，迭代

## 一維數(shù)組
a = np.arange(0,10,1)**2
print a
print a[0],a[2],a[-1],a[-2] # 索引從0開始，-1表示最后一個(gè)索引
print a[2:5],a[-5:-1] # 包括起點(diǎn)，不包括終點(diǎn)
a[-1] = 100; print a # 賦值
a[1:4]=100; print a # 批量賦值
a[:6:2] = -100; print a # 從開始到第6個(gè)索引，每隔一個(gè)元素（步長=2）賦值
print a[: :-1];print a # 將a逆序輸出，a本身未發(fā)生改變
b = [np.sqrt(np.abs(i)) for i in a]; print b # 通過遍歷賦值

output:

[ 0  1  4  9 16 25 36 49 64 81]
0 4 81 64
[ 4  9 16] [25 36 49 64]
[  0   1   4   9  16  25  36  49  64 100]
[  0 100 100 100  16  25  36  49  64 100]
[-100  100 -100  100 -100   25   36   49   64  100]
[ 100   64   49   36   25 -100  100 -100  100 -100]
[-100  100 -100  100 -100   25   36   49   64  100]
[10.0, 10.0, 10.0, 10.0, 10.0, 5.0, 6.0, 7.0, 8.0, 10.0]

7、多維數(shù)組

a = np.arange(0,20).reshape((4,5))
print (a, a[2,3], a[:,1], a[1:4,2], a[1:3,:])
print (a[-1]) # 相當(dāng)于a[-1,:],即索引少于軸數(shù)時(shí)，確實(shí)的索引默認(rèn)為整個(gè)切片

b = np.arange(0,24).reshape((2,3,4))
print (b,b[1]) # 相當(dāng)于b[1,:,:] 和b[1,...]
print '-------------------'
for row in a:
    print (row) # 遍歷以第一個(gè)軸為基礎(chǔ)

output:

[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]
 [15 16 17 18 19]] 13 [ 1  6 11 16] [ 7 12 17] [[ 5  6  7  8  9]
 [10 11 12 13 14]]
[15 16 17 18 19]
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]

 [[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]

8、形狀操作

a = np.floor(10*np.random.random((3,4)))
print a, a.shape #輸出a的形狀
print a.ravel() # 輸出平坦化后的a（a本身不改變）
a.shape = (6,2); print a # 改變a的形狀
print a.transpose() # 輸出a的轉(zhuǎn)置

output:

[[ 0.  4.  3.  2.]
 [ 1.  1.  3.  3.]
 [ 4.  4.  6.  5.]] (3, 4)
[ 0.  4.  3.  2.  1.  1.  3.  3.  4.  4.  6.  5.]
[[ 0.  4.]
 [ 3.  2.]
 [ 1.  1.]
 [ 3.  3.]
 [ 4.  4.]
 [ 6.  5.]]
[[ 0.  3.  1.  3.  4.  6.]
 [ 4.  2.  1.  3.  4.  5.]]

補(bǔ)充：reshape和resize

a = np.array([[1,2,3],[4,5,6]])
b = a
a.reshape((3,2))# 不改變數(shù)組本身的形狀
print a
b.resize((3,2))# 改變數(shù)組本身形狀
print b

output:

[[1 2 3]
 [4 5 6]]

[[1 2]
 [3 4]
 [5 6]]

在numpy模塊中，我們經(jīng)常會(huì)使用resize 和 reshape,在具體使用中，通常是使用resize改變數(shù)組的尺寸大小，使用reshape用來增加數(shù)組的維度。

1.resize

之前看到別人的博客說，resize沒有返回值，其實(shí)這取決于你如何使用resize,resize有兩種使用方式，一種是沒有返回值的，直接對原始的數(shù)據(jù)進(jìn)行修改，還有一種用法是有返回值的，所以不會(huì)修改原有的數(shù)組值。

1.1 有返回值，不對原始數(shù)據(jù)進(jìn)行修改
 import numpy as np
    X=np.array([[1,2,3,4],
                  [5,6,7,8],
                  [9,10,11,12]])
     
    X_new=np.resize(X,(3,3)) # do not change the original X
    print("X:\n",X)  #original X
    print("X_new:\n",X_new) # new X
--------------------- 
  >>
    X:
     [[ 1  2  3  4]
     [ 5  6  7  8]
     [ 9 10 11 12]]
    X_new:
     [[1 2 3]
     [4 5 6]
     [7 8 9]]
1.2 無返回值，直接修改原始數(shù)組的大小
import numpy as np
    X=np.array([[1,2,3,4],
                  [5,6,7,8],
                  [9,10,11,12]])
     
    X_2=X.resize((3,3))  #change the original X ,and do not return a value
    print("X:\n",X)  # change the original X
    print("X_2:\n",X_2) # return None
-------------------
>>
     X:
         [[1 2 3]
         [4 5 6]
         [7 8 9]]
     X_2:
       None

2.reshape

給數(shù)組一個(gè)新的形狀而不改變其數(shù)據(jù)
 import numpy as np
    X=np.array([1,2,3,4,5,6,7,8])
     
    X_2=X.reshape((2,4)) #retuen a 2*4 2-dim array
    X_3=X.reshape((2,2,2)) # retuen a 2*2*2 3-dim array
     
    print("X:\n",X)
    print("X_2:\n",X_2)
    print("X_3:\n",X_3)
    --------------------- 
    >>
    X:
     [1 2 3 4 5 6 7 8]
    X_2:
     [[1 2 3 4]
     [5 6 7 8]]
    X_3:
     [[[1 2]
      [3 4]]
     [[5 6]
      [7 8]]]

參考文獻(xiàn)：
【墨曉白】https://blog.csdn.net/qq_24193303/article/details/80965274
【菜鳥教程】https://www.runoob.com/numpy/numpy-tutorial.html
【fanfan4569】https://blog.csdn.net/fanfan4569/article/details/85256266

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時(shí)請結(jié)合常識(shí)與多方信息審慎甄別。
平臺(tái)聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點(diǎn)，簡書系信息發(fā)布平臺(tái)，僅提供信息存儲(chǔ)服務(wù)。

友情鏈接更多精彩內(nèi)容