当前位置 博文首页 > python基础之Numpy库中array用法总结
Numpy是Python的一个科学计算的库，提供了矩阵运算的功能，其一般与Scipy、matplotlib一起使用。其实，list已经提供了类似于矩阵的表示形式，不过numpy为我们提供了更多的函数。
NumPy数组是一个多维数组对象，称为ndarray。数组的下标从0开始,同一个NumPy数组中所有元素的类型必须是相同的。
>>> import numpy as np
Python中提供了list容器，可以当作数组使用。但列表中的元素可以是任何对象，因此列表中保存的是对象的指针，这样一来，为了保存一个简单的列表[1,2,3]。就需要三个指针和三个整数对象。对于数值运算来说，这种结构显然不够高效。
Python虽然也提供了array模块，但其只支持一维数组，不支持多维数组(在TensorFlow里面偏向于矩阵理解)，也没有各种运算函数。因而不适合数值运算。
NumPy的出现弥补了这些不足。
使用numpy.array方法将tuple和list, array, 或者其他的序列模式的数据转创建为 ndarray, 默认创建一个新的 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)
#指定数组中元素的类型
>>> c
array([[ 1.+0.j, 2.+0.j],
[ 3.+0.j, 4.+0.j]])
arange（最小值，最大值，步长）（左闭右开） : 创建等差数列
linspace（最小值，最大值，元素数量）
logspace(开始值, 终值, 元素个数): 创建等比数列
>>> 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. ]
np.ones: 创建一个数组, 其中的元素全为 1
np.zeros: 创建元素全为 0 的数组, 类似 np.ones
np.empty创建一个内容随机并且依赖与内存状态的数组。
np.eye: 创建一个对角线为 1 其他为 0 的矩阵.
np.identity: 创建一个主对角线为 1 其他为 0 的方阵.
>>> 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.]]
>>> a = np.zeros((2,2,2)) >>> a.ndim #数组的维数 3 >>> a.shape #数组每一维的大小 (2, 2, 2) >>> a.size #数组全部元素的数量 8 >>> a.dtype #数组中元素的类型 float64 >>> print a.itemsize #每个元素所占的字节数 8
‘…'符号表示将所有未指定索引的维度均赋为 ‘：'
‘：'在python中表示该维所有元素
>>> 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) #
>>> b
array([[ 0, 1, 2, 3],
[10, 11, 12, 13],
[20, 21, 22, 23],
[30, 31, 32, 33],
[40, 41, 42, 43]])
>>> 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 #数组加，对应位置相加
[[ 2. 1.]
[ 1. 2.]]
>>> print a-b #数组减，对应位置相减
[[ 0. 1.]
[ 1. 0.]]
>>> print b*2 #数组与数值相乘，对应位置乘
[[ 2. 0.]
[ 0. 2.]]
>>> print (a*2)*(b*2) #数组与数组相乘，按位置一对一相乘
[[ 4. 0.]
[ 0. 4.]]
>>> print b/(a*2) #数组与数组相除，按位置一对一相除
[[ 0.5 0. ]
[ 0. 0.5]]
>>> print a.dot(b) # matrix product，矩阵乘
>>> np.dot(a,a) #矩阵乘法
array([[ 2., 2.],
[ 2., 2.]])
>>> print (a*2)**4
[[ 16. 16.]
[ 16. 16.]]
>>> b = a #浅拷贝
>>> b is a
True
>>> c = a.copy() #深拷贝
>>> c is a
False
内置函数（min,max,sum)，同时可以使用axis指定对哪一维进行操作：
>>> a.sum() 4.0 >>> a.sum(axis=0) #计算每一列（二维数组中类似于矩阵的列）的和 array([ 2., 2.]) >>> a.min() #数组最小值 1.0 >>> a.max() #数组最大值 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^x
array([[ 2.71828183, 2.71828183],
[ 2.71828183, 2.71828183]])
>>> print np.vstack((a,b)) #合并数组
[[ 1. 1.]
[ 1. 1.]
[ 1. 0.]
[ 0. 1.]]
>>> print np.hstack((a,b)) #合并数组
[[ 1. 1. 1. 0.]
[ 1. 1. 0. 1.]]
>>> print a.transpose() #转置
numpy.linalg模块中有很多关于矩阵运算的方法：
>>> import numpy.linalg as nplg
NumPy中的基本数据类型
| 名称 | 描述 |
|---|---|
| bool | 用一个字节存储的布尔类型（True或False） |
| inti | 由所在平台决定其大小的整数（一般为int32或int64） |
| int8/16/32/64 | 整数，1/2/4/8个字节大小 |
| uint8/16/32/64 | 无符号整数 |
| float16/32/64 | 半/单/双精度浮点数，16/32/64位，指数、精度也不同 |
| complex64/128 | 复数，分别用两个32/64位浮点数表示实部和虚部 |
当输出一个数组时，NumPy以特定的布局用类似嵌套列表的形式显示：
>>> 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]]]
