目錄前言為什么要用numpy數(shù)組的創(chuàng)建生成均勻分布的array：生成特殊數(shù)組獲取數(shù)組的屬性數(shù)組索引，切片，賦值數(shù)組操作輸出數(shù)組總結(jié)前言

Numpy是Python的一個(gè)科學(xué)計(jì)算的庫(kù)，提供了矩陣運(yùn)算的功能，其一般與Scipy、matplotlib一起使用。其實(shí)，list已經(jīng)提供了類(lèi)似于矩陣的表示形式，不過(guò)numpy為我們提供了更多的函數(shù)。

NumPy數(shù)組是一個(gè)多維數(shù)組對(duì)象，稱(chēng)為ndarray。數(shù)組的下標(biāo)從0開(kāi)始,同一個(gè)NumPy數(shù)組中所有元素的類(lèi)型必須是相同的。

>>> import numpy as np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(duì)象，因此列表中保存的是對(duì)象的指針，這樣一來(lái)，為了保存一個(gè)簡(jiǎn)單的列表[1,2,3]。就需要三個(gè)指針和三個(gè)整數(shù)對(duì)象。對(duì)于數(shù)值運(yùn)算來(lái)說(shuō)，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(méi)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。

數(shù)組的創(chuàng)建

使用numpy.array方法將tuple和list, array, 或者其他的序列模式的數(shù)據(jù)轉(zhuǎn)創(chuàng)建為 ndarray, 默認(rèn)創(chuàng)建一個(gè)新的 ndarray.

>>> np.array([1,2,3,4]) [1 2 3 4]>>> b = array( [ (1.5,2,3), (4,5,6) ] ) array([[ 1.5, 2. , 3. ], 　 [ 4. , 5. , 6. ]]) >>> c = array( [ [1,2], [3,4] ], dtype=complex) #指定數(shù)組中元素的類(lèi)型>>> c array([[ 1.+0.j, 2.+0.j], 　 [ 3.+0.j, 4.+0.j]]) 生成均勻分布的array：

arange（最小值，最大值，步長(zhǎng)）（左閉右開(kāi)） : 創(chuàng)建等差數(shù)列

linspace（最小值，最大值，元素?cái)?shù)量）

logspace(開(kāi)始值, 終值, 元素個(gè)數(shù)): 創(chuàng)建等比數(shù)列

>>> np.arange(15)[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]>>> np.arange(15).reshape(3,5)[[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]]>>> np.arange( 0, 2, 0.3 )array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])>>> np.linspace(1,3,9)[ 1. 1.25 1.5 1.75 2. 2.25 2.5 2.75 3. ]生成特殊數(shù)組

np.ones: 創(chuàng)建一個(gè)數(shù)組, 其中的元素全為 1

np.zeros: 創(chuàng)建元素全為 0 的數(shù)組, 類(lèi)似 np.ones

np.empty創(chuàng)建一個(gè)內(nèi)容隨機(jī)并且依賴(lài)與內(nèi)存狀態(tài)的數(shù)組。

np.eye: 創(chuàng)建一個(gè)對(duì)角線為 1 其他為 0 的矩陣.

np.identity: 創(chuàng)建一個(gè)主對(duì)角線為 1 其他為 0 的方陣.

>>> np.zeros((3,4))[[ 0. 0. 0. 0.] [ 0. 0. 0. 0.] [ 0. 0. 0. 0.]]>>> np.ones((3,4))[[ 1. 1. 1. 1.] [ 1. 1. 1. 1.] [ 1. 1. 1. 1.]]>>> np.eye(3)[[ 1. 0. 0.] [ 0. 1. 0.] [ 0. 0. 1.]]獲取數(shù)組的屬性

>>> a = np.zeros((2,2,2))>>> a.ndim #數(shù)組的維數(shù)3>>> a.shape #數(shù)組每一維的大小(2, 2, 2)>>> a.size #數(shù)組全部元素的數(shù)量 8>>> a.dtype #數(shù)組中元素的類(lèi)型float64>>> print a.itemsize #每個(gè)元素所占的字節(jié)數(shù)8數(shù)組索引，切片，賦值

‘…’符號(hào)表示將所有未指定索引的維度均賦為 ‘：’

‘：’在python中表示該維所有元素

>>> a = np.array( [[2,3,4],[5,6,7]] )>>> a[[2 3 4] [5 6 7]]>>> a[1,2]7>>> a[1,:][5 6 7]>>> print a[1,1:2][6]>>> a[1,:] = [8,9,10]>>> a[[ 2 3 4] [ 8 9 10]]>>> c[1,...] # same as c[1,:,:] or c[1]array([[100, 101, 102], [110, 112, 113]])>>> c[...,2] # same as c[:,:,2]array([[ 2, 13], [102, 113]])>>> def f(x,y):... return 10*x+y...>>> b = np.fromfunction(f,(5,4),dtype=int) #>>> barray([[ 0, 1, 2, 3], [10, 11, 12, 13], [20, 21, 22, 23], [30, 31, 32, 33], [40, 41, 42, 43]]) 數(shù)組操作

>>> a = np.ones((2,2))>>> b = np.eye(2)>>> print a[[ 1. 1.] [ 1. 1.]]>>> print b[[ 1. 0.] [ 0. 1.]]

>>> print a > 2[[False False] [False False]]>>> print a+b #數(shù)組加，對(duì)應(yīng)位置相加[[ 2. 1.] [ 1. 2.]]>>> print a-b #數(shù)組減，對(duì)應(yīng)位置相減[[ 0. 1.] [ 1. 0.]]>>> print b*2 #數(shù)組與數(shù)值相乘，對(duì)應(yīng)位置乘[[ 2. 0.] [ 0. 2.]]>>> print (a*2)*(b*2) #數(shù)組與數(shù)組相乘，按位置一對(duì)一相乘[[ 4. 0.] [ 0. 4.]]>>> print b/(a*2) #數(shù)組與數(shù)組相除，按位置一對(duì)一相除[[ 0.5 0. ] [ 0. 0.5]]>>> print a.dot(b) # matrix product，矩陣乘>>> np.dot(a,a) #矩陣乘法array([[ 2., 2.], [ 2., 2.]])>>> print (a*2)**4[[ 16. 16.] [ 16. 16.]]>>> b = a #淺拷貝>>> b is aTrue>>> c = a.copy() #深拷貝>>> c is aFalse

內(nèi)置函數(shù)（min,max,sum)，同時(shí)可以使用axis指定對(duì)哪一維進(jìn)行操作：

>>> a.sum()4.0>>> a.sum(axis=0) #計(jì)算每一列（二維數(shù)組中類(lèi)似于矩陣的列）的和array([ 2., 2.])>>> a.min() #數(shù)組最小值1.0>>> a.max() #數(shù)組最大值1.0

使用numpy下的方法：

>>> np.sin(a)array([[ 0.84147098, 0.84147098], [ 0.84147098, 0.84147098]])>>> np.max(a)1.0>>> np.floor(a) array([[ 1., 1.], [ 1., 1.]])>>> np.exp(a) #e^xarray([[ 2.71828183, 2.71828183], [ 2.71828183, 2.71828183]])>>> print np.vstack((a,b)) #合并數(shù)組[[ 1. 1.] [ 1. 1.] [ 1. 0.] [ 0. 1.]]>>> print np.hstack((a,b)) #合并數(shù)組[[ 1. 1. 1. 0.] [ 1. 1. 0. 1.]]>>> print a.transpose() #轉(zhuǎn)置

numpy.linalg模塊中有很多關(guān)于矩陣運(yùn)算的方法：

>>> import numpy.linalg as nplg

NumPy中的基本數(shù)據(jù)類(lèi)型

名稱(chēng) 描述 bool 用一個(gè)字節(jié)存儲(chǔ)的布爾類(lèi)型（True或False） inti 由所在平臺(tái)決定其大小的整數(shù)（一般為int32或int64） int8/16/32/64 整數(shù)，1/2/4/8個(gè)字節(jié)大小 uint8/16/32/64 無(wú)符號(hào)整數(shù) float16/32/64 半/單/雙精度浮點(diǎn)數(shù)，16/32/64位，指數(shù)、精度也不同 complex64/128 復(fù)數(shù)，分別用兩個(gè)32/64位浮點(diǎn)數(shù)表示實(shí)部和虛部 輸出數(shù)組

當(dāng)輸出一個(gè)數(shù)組時(shí)，NumPy以特定的布局用類(lèi)似嵌套列表的形式顯示：

第一行從左到右輸出 每個(gè)切片通過(guò)一個(gè)空行與下一個(gè)隔開(kāi) 一維數(shù)組被打印成行，二維數(shù)組成矩陣，三維數(shù)組成矩陣列表。 如果一個(gè)數(shù)組太長(zhǎng)，則NumPy自動(dòng)省略中間部分而只打印兩端的數(shù)據(jù)：　

>>> a = arange(6) # 1d array >>> print a [0 1 2 3 4 5] 　 >>> b = arange(12).reshape(4,3) # 2d array >>> print b [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]]　 >>> c = arange(24).reshape(2,3,4) # 3d array >>> print c [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] 　 [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] 總結(jié)

到此這篇關(guān)于python基礎(chǔ)之Numpy庫(kù)中array用法的文章就介紹到這了,更多相關(guān)python Numpy中array用法內(nèi)容請(qǐng)搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！