【Python 库】NumPy 超详细教程（1）：NumPy 数组

您所在的位置：网站首页 › numpy填充0 › 【Python 库】NumPy 超详细教程（1）：NumPy 数组

【Python 库】NumPy 超详细教程（1）：NumPy 数组

#【Python 库】NumPy 超详细教程（1）：NumPy 数组| 来源: 网络整理| 查看: 265

系列文章地址 NumPy 最详细教程（1）：NumPy 数组 NumPy 超详细教程（2）：数据类型 NumPy 超详细教程（3）：ndarray 的内部机理及高级迭代文章目录

Numpy 数组：ndarrayNumPy 数组属性1、ndarray.shape2、ndarray.ndim3、ndarray.flags4、ndarray.realNumPy 中的常数NumPy 创建数组1、numpy.empty2、numpy.zeros3、numpy.ones4、numpy.fullNumPy 从数值范围创建数组1、numpy.arange2、numpy.linspace3、numpy.logspace4、numpy.geomspaceNumPy 从已有的数组创建数组1、numpy.asarray2、numpy.frombuffer3、numpy.fromiter4、empty_like5、zeros_like6、ones_like7、numpy.full_like

Numpy 是 Python 中科学计算的核心库，NumPy 这个词来源于 Numerical 和 Python 两个单词。它提供了一个高性能的多维数组对象，以及大量的库函数和操作，可以帮助程序员轻松地进行数值计算，广泛应用于机器学习模型、图像处理和计算机图形学、数学任务等领域。

Numpy 数组：ndarray

NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型，它是描述相同类型的元素集合。ndarray 中的每个元素都是数据类型对象(dtype)的对象。ndarray 中的每个元素在内存中使用相同大小的块。

numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0) 参数描述 object 任何暴露数组接口方法的对象 dtype 数据类型 copy 如果为 True，则 object 对象被复制，否则，只有当__array__返回副本，object 是嵌套序列，或者需要副本来满足任何其他要求（dtype，order等）时，才会生成副本。 order 指定阵列的内存布局。如果 object 不是数组，则新创建的数组将按行排列（C），如果指定了（F），则按列排列。如果 object 是一个数组，则以下成立。C（按行）、F（按列）、A（原顺序）、K（元素在内存中的出现顺序） subok 默认情况下，返回的数组被强制为基类数组。如果为 True，则返回子类。 ndmin 返回数组的最小维数

例一：最简单的示例

import numpy as np

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

print(b)print(type(b))

输出：

[1 2 3]

注意：list 打印显示是 [1, 2, 3]，而 ndarray 打印显示是 [1 2 3]，当中没有逗号。

例二：dtype 参数用法示例NumPy 支持比 Python 更多种类的数值类型

import numpy as np

a = [1, 2, 3]b = np.array(a, dtype=np.float_)# 或者b = np.array(a, dtype=float)

print(b)print(b.dtype)print(type(b[0]))

输出：

[1. 2. 3.]float64

例三：copy 参数的用法

import numpy as np

a = np.array([1, 2, 3])b = np.array(a, copy=True)a[0] = 0

print(a)print(b)

输出：

[0 2 3][1 2 3]

可以看到 a 和 b 的值不同，说明 b 是 a 的副本，两个是不同的对象。

import numpy as np

a = np.array([1, 2, 3])b = np.array(a, copy=False)a[0] = 0

print(a)print(b)

输出：

[0 2 3][0 2 3]

a 改变同时引起了 b 的改变，说明 a 和 b 指向的是同一个对象。

例四：ndmin 参数用法示例

import numpy as np

a = [1, 2, 3]b = np.array(a, ndmin=2)

print(b)

输出：

[[1 2 3]]

可以看到结果已经变成了二维数组。

例五：subok 参数用法示例看解释不是很清楚，看下面这个例子就会明白许多。其中 matrix 是矩阵，将在之后的内容中介绍。

import numpy as np

a = np.matrix('1 2 7; 3 4 8; 5 6 9')print(type(a))print(a)at = np.array(a, subok=True)af = np.array(a, subok=False)print(type(at))print(type(af))

输出：

[[1 2 7] [3 4 8] [5 6 9]] NumPy 数组属性

NumPy 数组的维度（又称维数）称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。NumPy 中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。

属性说明 ndarray.ndim 秩，即轴的数量或维度的数量 ndarray.shape 数组的维度，对于矩阵，n 行 m 列 ndarray.size 数组元素的总个数，相当于 .shape 中 n*m 的值 ndarray.dtype ndarray 对象的元素类型 ndarray.itemsize ndarray 对象中每个元素的大小，以字节为单位 ndarray.flags ndarray 对象的内存信息 ndarray.real ndarray 元素的实部（复数的实部） ndarray.imag ndarray 元素的虚部（复数的虚部） ndarray.data 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。 1、ndarray.shape

返回一个包含数组维度的元组，对于矩阵，n 行 m 列，它也可以用于调整数组维度。例一：

import numpy as np

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

输出：

(2, 3)

例二：

import numpy as np

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

输出：

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

例三：NumPy 也提供了reshape() 函数来调整数组维度。只是 reshape() 返回调整维度后的副本，而不改变原 ndarray。

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])b = a.reshape(3, 2)print(b) # a 没变

输出：

[[1 2] [3 4] [5 6]] 2、ndarray.ndim

返回数组的维度（秩）。例一：

import numpy as np

a = np.arange(24)print(a.ndim)

# 现在调整其大小b = a.reshape(2, 4, 3)print(b.ndim)

输出：

13 3、ndarray.flags

ndarray.flags 返回 ndarray 对象的内存信息，包含以下属性：

属性描述 C_CONTIGUOUS 数据是在一个单一的C风格的连续段中 F_CONTIGUOUS 数据是在一个单一的Fortran风格的连续段中 OWNDATA 数组拥有它所使用的内存或从另一个对象中借用它 WRITEABLE 数据区域可以被写入，将该值设置为 False，则数据为只读 ALIGNED 数据和所有元素都适当地对齐到硬件上 WRITEBACKIFCOPY UPDATEIFCOPY 已弃用，由 WRITEBACKIFCOPY 取代; UPDATEIFCOPY 这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新 import numpy as np

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

输出：

C_CONTIGUOUS : TrueF_CONTIGUOUS : FalseOWNDATA : TrueWRITEABLE : TrueALIGNED : TrueWRITEBACKIFCOPY : FalseUPDATEIFCOPY : False 4、ndarray.real import numpy as np

x = np.sqrt([1+0j, 0+1j])print(x)print(x.real)print(x.real.dtype)

输出：

[1. +0.j 0.70710678+0.70710678j][1. 0.70710678]float64 NumPy 中的常数正无穷：Inf = inf = infty = Infinity = PINF 负无穷：NINF 正零：PZERO 负零：NZERO 非数值：nan = NaN = NAN 自然数e：e π：pi 伽马：euler_gamma None 的别名：newaxis

示例：

print(np.inf)print(np.NINF)print(np.PZERO)print(np.NZERO)print(np.nan)print(np.e)print(np.pi)print(np.euler_gamma)print(np.newaxis)

输出：

inf-inf0.0-0.0nan2.7182818284590453.1415926535897930.5772156649015329None NumPy 创建数组 1、numpy.empty

此方法用来创建一个指定维度（shape）、数据类型（dtype）的未初始化的数组。

numpy.empty(shape, dtype=float, order='C') 参数描述 shape 一个表示数组维度的元组 dtype 数据类型 order 有 "C" 和 "F" 两个选项

示例：

import numpy as np

x = np.empty([3, 2], dtype=int)print(x)

输出：

[[ 0 1072693248] [ 0 1072693248] [ 0 1072693248]]

empty() 方法和 zeros() 方法不同，不会将数组值设置为零，因此可能会略微加快。另一方面，它要求用户手动设置数组中的所有值，并应谨慎使用。

2、numpy.zeros

创建指定维度，以 0 填充的新数组。

numpy.zeros(shape, dtype=float, order='C')

示例：

import numpy as np

x = np.zeros(5)print(x)

输出：

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

注意：默认是 float 类型的

3、numpy.ones

创建指定维度，以 1 填充的新数组。

numpy.ones(shape, dtype=float, order='C')

示例：

import numpy as np

x = np.ones(5)print(x)

输出：

[1. 1. 1. 1. 1.] 4、numpy.full

返回给定维度和类型的新数组，填充 fill_value。

numpy.full(shape, fill_value, dtype=None, order='C') 参数描述 shape 返回数组的维度 fill_value 填充值 dtype 返回数组的数据类型，默认值 None 指：np.array(fill_value).dtype order 在计算机内存中的存储元素的顺序，只支持 'C'（按行）、'F'（按列），默认 'C'

示例：

import numpy as np

a = np.full((2, 3), 9)print(a)

输出：

[[9 9 9] [9 9 9]] NumPy 从数值范围创建数组 1、numpy.arange

该函数等效于 Python 内置 range 函数，但返回的是 ndarray 而不是列表。

arange([start,] stop[, step,], dtype=None)

[ ] 括起来的表示可选参数。

参数描述 start 起始值，默认为 0 stop 终止值（不包含） step 步长，默认为1 dtype 创建的 ndarray 的数据类型，如果没有提供，则会使用输入数据的类型。

示例：

import numpy as np

a = np.arange(5)b = np.arange(10, 20, 2)print(a)print(b)

输出：

[0 1 2 3 4][10 12 14 16 18] 2、numpy.linspace

创建一个一维等差数列的数组，与 arange 函数不同，arange 是固定步长，而 linspace 则是固定元素数量。

linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 参数描述 start 序列的起始值 stop 序列的终止值，如果 endpoint 为 True，则该值包含于数列中 num 要生成的等步长的样本数量，默认为 50 endpoint 该值为 Ture 时，数列中中包含 stop 值，反之不包含，默认是 True。 retstep 如果为 True 时，生成的数组中会显示间距，反之不显示。 dtype ndarray 的数据类型

例一：endpoint 参数的用法我特意挑了下面这个除不尽的例子来显示 endpoint 的效果。可以看到，endpoint=False 取值是 endpoint=True，并且 num = num + 1 的结果去掉终止值。这话有点拗口啊，对比一下下例中的 num 参数值及输出结果就明白了。

import numpy as np

a = np.linspace(0, 5, 3, endpoint=False)b = np.linspace(0, 5, 4, endpoint=True)

print(a)print(b)

输出：

[0. 1.66666667 3.33333333][0. 1.66666667 3.33333333 5. ]

例二：retstep 参数的用法返回一个元组，第一个元素是 numpy.ndarray，第二个元素是步长。

import numpy as np

a = np.linspace(0, 10, 5, retstep=True)print(a)

输出：

(array([ 0. , 2.5, 5. , 7.5, 10. ]), 2.5)

例三：dtype 参数dtype 参数指定后会将结果强制转换成 dtype 指定的类型，如果是 float 转 int，最终值就可能不是等差的了。

import numpy as np

a = np.linspace(0, 10, 5, dtype=int)print(a)

输出：

[ 0 2 5 7 10] 3、numpy.logspace

numpy.logspace 函数用于创建一个等比数列。

numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None) 参数描述 start 序列的起始值为：base ** start （幂运算） stop 序列的终止值为：base ** stop。如果 endpoint 为 True，该值包含于数列中 num 要生成的等步长的样本数量，默认为50 endpoint 该值为 Ture 时，数列中中包含 stop 值，反之不包含，默认是 True。 base 对数 log 的底数。 dtype ndarray 的数据类型

示例：其实没啥好说的，主要是注意 start 参数的值并非是真正的起始值。

import numpy as np

a = np.logspace(1, 4, num=4)print(a)

输出：

[ 10. 100. 1000. 10000.] 4、numpy.geomspace

创建一个一维等比数列。

numpy.geomspace(start, stop, num=50, endpoint=True, dtype=None, axis=0) 参数描述 start 序列的起始值 stop 序列的终止值，如果 endpoint 为 True，该值包含于数列中 num 要生成的样本数量，默认为 50 endpoint 该值为 Ture 时，数列中中包含 stop 值，反之不包含，默认是 True。 dtype ndarray 的数据类型 axis 1.16.0 版本中的新功能，没看懂怎么用，官网上连个例子都没有，值为 0 和 -1 的时候结果相同，其他时候都报错。

示例：

import numpy as np

a = np.geomspace(1, 8, num=4)print(a)

输出：

[1. 2. 4. 8.] NumPy 从已有的数组创建数组 1、numpy.asarray

numpy.asarray 类似 numpy.array，但 numpy.asarray 的参数只有三个。

numpy.asarray(a, dtype=None, order=None) 参数描述 a 输入数据，可以转换为数组的任何形式。这包括列表，元组列表，元组，元组元组，列表元组和 ndarray。 dtype 数据类型 order 在计算机内存中的存储元素的顺序，只支持 'C'（按行）、'F'（按列），默认 'C'

示例：

import numpy as np

a = np.asarray([1, 2, 3])print(a)

输出：

[1 2 3] 2、numpy.frombuffer

numpy.frombuffer 用于实现动态数组。numpy.frombuffer 接受 buffer 输入参数，以流的形式读入转化成 ndarray 对象。

numpy.frombuffer(buffer, dtype=float, count=-1, offset=0) 参数描述 buffer 实现了 __buffer__ 方法的对象，（绝对不是菜鸟教程上说的任意对象都可以） dtype 返回数组的数据类型 count 读取的数据数量，默认为 -1，读取所有数据。 offset 读取的起始位置，默认为 0。

例一：buffer 是字符串的时候，Python3 默认 str 是 Unicode 类型，所以要转成 bytestring 在原 str 前加上 b。

import numpy as np

a = np.frombuffer(b'Hello World', dtype='S1')print(a)

输出：

[b'H' b'e' b'l' b'l' b'o' b' ' b'W' b'o' b'r' b'l' b'd']

例二：看了上面的例子，似乎对“实现动态数组”没啥感觉，那么我们来看这个例子。

import numpy as npimport array

a = array.array('i', [1, 2, 3, 4])print(a)

na = np.frombuffer(a, dtype=np.int_)print(na)

a[0] = 10print(a)print(na)

输出：

array('i', [1, 2, 3, 4])[1 2 3 4]array('i', [10, 2, 3, 4])[10 2 3 4]

array.array 创建的数组对象内存是连续的（这里不能用 list，会报：AttributeError: 'list' object has no attribute 'buffer'），numpy.frombuffer 从 array.array 的内存中创建数组，从上例中可以看出，改变 array.array 的值，numpy.frombuffer 的值也会跟着改变，由此可见。

例三：array.array 数组中的值改变是可以的，但是如果是添加值，那就不行了。

import numpy as npimport array

a = array.array("i", [1, 2, 3, 4])na = np.frombuffer(a, dtype=int)print(na)

a.append(5)print(na)

输出：

[1 2 3 4][140896288 381 3 4] 3、numpy.fromiter

numpy.fromiter 方法从可迭代对象中建立 ndarray 对象，返回一维数组。

numpy.fromiter(iterable, dtype, count=-1) 参数描述 iterable 可迭代对象 dtype 返回数组的数据类型 count 读取的数据数量，默认为 -1，读取所有数据

例一：

import numpy as np

iterable = (x * x for x in range(5))a = np.fromiter(iterable, int)print(a)

输出：

[ 0 1 4 9 16]

看起来有点像 numpy.array，array 方法需要传入的是一个 list，而 fromiter 可以传入可迭代对象。

例二：将上例换成 array 试试看。

import numpy as np

iterable = (x * x for x in range(5))a = np.array(iterable)print(a)

输出：

4、empty_like

返回一个与给定数组具有相同维度和类型的未初始化的新数组。

numpy.empty_like(prototype, dtype=None, order='K', subok=True) 参数描述 prototype 给定的数组 dtype 覆盖结果的数据类型，版本1.6.0中的新功能。 order 指定阵列的内存布局。C（按行）、F（按列）、A（原顺序）、K（元素在内存中的出现顺序） subok 默认情况下，返回的数组被强制为基类数组。如果为 True，则返回子类。

示例：

import numpy as npa = np.empty_like([[1, 2, 3], [4, 5, 6]])print(a)

输出：*

[[870 0 0] [ 0 0 0]] 5、zeros_like numpy.zeros_like(a, dtype=None, order='K', subok=True)

参数同上。

示例：

import numpy as npa = np.zeros_like([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])print(a)

输出：*

[[0. 0. 0.] [0. 0. 0.]] 6、ones_like numpy.ones_like(a, dtype=None, order='K', subok=True)

参数同上。

示例：

import numpy as npa = np.ones_like([[1, 2, 3], [4, 5, 6]])print(a)

输出：*

[[1 1 1] [1 1 1]] 7、numpy.full_like

返回与给定数组具有相同维度和类型的并以 fill_value 填充的数组。

numpy.full_like(a, fill_value, dtype=None, order='K', subok=True) 参数描述 a 给定的数组 fill_value 填充值 dtype 返回数组的数据类型，默认值 None，则使用给定数组的类型 order 指定阵列的内存布局。C（按行）、F（按列）、A（原顺序）、K（元素在内存中的出现顺序） subok 默认情况下，返回的数组被强制为基类数组。如果为 True，则返回子类。

zeros_like、ones_like 其实都是此方法的特例。

示例：

import numpy as np

x = np.arange(6, dtype=int)print(x)print('-------------------')a = np.full_like(x, 1)b = np.full_like(x, 0.1)c = np.full_like(x, 0.1, dtype=np.double)

print(a)print(b)print(c)

输出：

[0 1 2 3 4 5]-------------------[1 1 1 1 1 1][0 0 0 0 0 0][0.1 0.1 0.1 0.1 0.1 0.1]

【本文地址】

【Python 库】NumPy 超详细教程（1）：NumPy 数组

【Python 库】NumPy 超详细教程（1）：NumPy 数组

今日新闻

推荐新闻