【Python】numpy——数组array

import numpy as np

Numpy的主要对象是同质的多维数组array

为了可视化切片过程&＃xff0c;我们把二维数组的垂直方向定义为 axis 0 轴&＃xff0c;水平方向为 axis 1 轴。

创建Numpy数组一般有三种方法&＃xff1a;

&＃xff08;1&＃xff09;通过传入可迭代对象创建&＃xff0c;我将之称为基本方法np.array()
&＃xff08;2&＃xff09;使用Numpy内部功能函数&＃xff0c;内部方法
&＃xff08;3&＃xff09;使用特殊的库函数&＃xff0c;特殊方法

(1)np.array()

 (2)np.ones()、np.zeros()、np.eye()、np.empty()

函数zeros创建一个都是0的数组&＃xff0c;

函数ones创建一个都是1的数组&＃xff0c;

函数empty创建一个初始内容是0或者垃圾值的数组&＃xff0c;这取决于内存当时的状态。

默认情况下&＃xff0c;创建的数组的数据类型为float64

np.zeros(3)
np.zeros( (3,4) )
np.ones( (2,3,4), dtype&＃61;np.int16 )np.empty( (2,3) ) # 根据当前内存状态的不同&＃xff0c;可能会返回未初始化的垃圾数值&＃xff0c;不安全。
np.full((3,4), 2.2) # 创建一个全部由2.22组成的数组


 (3)特殊方法&＃xff1a;

1.np.arange()

2.np.linspace() 

注意

1.endpoint默认为True&＃xff1a;

np.linspace()默认是包含终点的 [start,end]

2.dtype

如果未给出数据类型&＃xff0c;则从开始和停止推断数据类型。

推断出的数据类型永远不会是整数&＃xff1b;即使参数将生成整数数组&＃xff0c;也会选择float。

 (3)np.logspace()

参数设置类似于np.linspace()

1.endpoint默认为True&＃xff1a;

np.logspace()默认是包含终点的 [start,end]

2.dtype

如果未给出数据类型&＃xff0c;则从开始和停止推断数据类型。

推断出的数据类型永远不会是整数&＃xff1b;即使参数将生成整数数组&＃xff0c;也会选择float。

3.base默认为10&＃xff1a;

相当于10**np.linspace()

 (4)np.identity()

 (5)np.random——    .randint()    .rand()    .stardard_normal()

 (6)np.diag()

isclose(),allclose()函数来测试两个数组中对应位置上的元素在允许的范围内是否相等。并可以接收绝对误差参数和相对误差参数。

• allclose():返回单个True或False
• isclose():返回若干True/False的列表

1.np.append()

返回新数组&＃xff0c;不影响原来的数组

注意一维数组和多维数组追加的区别&＃xff1a;

n维数组要保持维度&＃xff0c;只能追加n维数组&＃xff0c;不然报错&＃xff1b;

多维数组追加一维数组后&＃xff0c;会变成一维数组&＃xff08;axis&＃61;None,先展平&＃xff09;

ndarray没有这个方法&＃xff0c;而是numpy下的&＃xff1a; 

多维数组的行追加、列追加和多维追加&＃xff08;axis&＃61;0,axis&＃61;1……&＃xff09;&＃xff1a;

 2.np.insert()

返回新数组&＃xff0c;不影响原来的数组

注意一维数组和多维数组插入的区别&＃xff1a;

axis&＃61;None时&＃xff0c;会先将数组展平

 3.切片

1.数组与标量

2.数组与数组

等长数组&＃xff1a;对应元素相加

不等长数组&＃xff1a;广播

 3.数组的内积

 4.数学函数

x &＃61; np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9]))
print(x)
print(np.sin(x)) # 一维数组中所有元素求正弦值
print(np.cos(x)) # 二维数组中所有元素求余弦值
print(np.round(np.cos(x))) # 四舍五入
print(np.ceil(x/2)) # 向上取整

 5.布尔运算 ><&＃61;&＃61; &| np.all() np.any() np.sum()

1.ndarray.sort(),numpy.sort()

axis&＃61;0&＃xff1a;列的元素改变位置&＃xff0c;垂直方向计算

axis&＃61;1&＃xff1a;行的元素改变位置&＃xff0c;水平方向计算

 2.np.argsort(),np.argmax(),np.argmin()

 # _表示上一条语句

赋值&＃xff1a;对同一对象新建了一个引用

浅复制&＃xff1a;共享数据&＃xff0c;保存在base数组中&＃xff08;改变数据会互相影响&＃xff09;

深复制&＃xff1a;新建完全不同的两个对象&＃xff0c;除了初始数据相同

numpy中的array只有赋值受到改变形状的影响&＃xff1b;

赋值、切片、视图均受到改变值的影响

在python标准库中&＃xff0c;

对list对象——

赋值相当于新建引用(始终为同一变量)&＃xff0c;

切片相当于浅拷贝(只拷贝外层元素&＃xff0c;内部嵌套元素通过引用&＃xff0c;而不是独立分配内存)

 

但切片不会受到改变值的影响

跟 int对象一样 

1.下标、切片

a[x1][y1]
a[x1,y1] # 输出a[x1][y1]
a[[x1,x2,x3],[y1,y2,y3]] # 输出a[x1][y1],a[x2][y2],a[x3][y3]
a[x1:x3,y1:y3] # 输出a[x1][y1:y3],a[x2][y1:y3]# 输出a[x1][y1],a[x1][y2],a[x2][y1],a[x2][y2]a[x1] # 输出a[x1][:]
a[[x1,x2,x3]] # 输出a[x1][:],a[x2][:],a[x3][:]
a[:,[y1,y2,y3]] # 输出a[:][y1],a[:][y2],a[:][y3]

1. x.shape x.size

x.shape&＃xff1a;返回形状的元组

x.size&＃xff1a;元素总个数

 2. x.reshape()

 3. x.resize() np.resize() 

注意&＃xff1a;array不能引用或被引用

ValueError: cannot resize an array that references or is referenced ...

 np.resize()则没有这个要求