python数组初始化_Python科学计算库Numpy数组的初始化和基本操作

umPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵&＃xff0c;比Python自身的嵌套列表&＃xff08;nested list structure)结构要高效的多&＃xff08;该结构也可以用来表示矩阵&＃xff08;matrix&＃xff09;&＃xff09;。它包括&＃xff1a;1、一个强大的N维数组对象Array&＃xff1b;2、比较成熟的&＃xff08;广播&＃xff09;函数库&＃xff1b;3、用于整合C/C&＃43;&＃43;和Fortran代码的工具包&＃xff1b;4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。

今天我们来看下Numpy数组。

一. Numpy数组对象

Numpy中的多维数组称为ndarray&＃xff0c;它有两个组成部分。

数据本身。

描述数据的元数据。

它有以下几个属性&＃xff1a;

ndarray.ndim&＃xff1a;数组的维数

ndarray.shape&＃xff1a;数组每一维的大小

ndarray.size&＃xff1a;数组中全部元素的数量

ndarray.dtype&＃xff1a;数组中元素的类型&＃xff08;numpy.int32, numpy.int16, and numpy.float64等&＃xff09;

ndarray.itemsize&＃xff1a;每个元素占几个字节

在数组的处理过程中&＃xff0c;原始数据不受影响&＃xff0c;变化的只是元数据。

Numpy数组通常是由相同种类的元素组成&＃xff0c;即数组中数据类型必须一致。好处是&＃xff1a;数组元素类型相同&＃xff0c;可轻松确定存储数组所需的空间大小。同时&＃xff0c;numpy可运用向量化运算来处理整个数组。Numpy数组的索引从0开始。

例子&＃xff1a;>>> import numpy as np

>>> a &＃61; np.arange(15).reshape(3, 5)

>>> a

array([[ 0, 1, 2, 3, 4],

[ 5, 6, 7, 8, 9],

[10, 11, 12, 13, 14]])

>>> a.shape

(3, 5)

>>> a.ndim

2

>>> a.dtype.name

&＃39;int64&＃39;

>>> a.itemsize

8

>>> a.size

15

>>> type(a)

>>> b &＃61; np.array([6, 7, 8])

>>> b

array([6, 7, 8])

>>> type(b)

二.创建数组&＃xff1a;

使用array函数讲tuple和list转为array&＃xff1a;>>> import numpy as np

>>> a &＃61; np.array([2,3,4])

>>> a

array([2, 3, 4])

>>> a.dtype

dtype(&＃39;int64&＃39;)

>>> b &＃61; np.array([1.2, 3.5, 5.1])

>>> b.dtype

dtype(&＃39;float64&＃39;)

多维数组&＃xff1a;>>> b &＃61; np.array([(1.5,2,3), (4,5,6)])

>>> b

array([[ 1.5, 2. , 3. ],

[ 4. , 5. , 6. ]])

生成数组的同时指定类型&＃xff1a;>>> c &＃61; np.array( [ [1,2], [3,4] ], dtype&＃61;complex )

>>> c

array([[ 1.&＃43;0.j, 2.&＃43;0.j],

[ 3.&＃43;0.j, 4.&＃43;0.j]])

生成数组并赋为特殊值&＃xff1a;

ones&＃xff1a;全1

zeros&＃xff1a;全0

empty&＃xff1a;随机数&＃xff0c;取决于内存情况>>> np.zeros( (3,4) )

array([[ 0., 0., 0., 0.],

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

[ 0., 0., 0., 0.]])

>>> np.ones( (2,3,4), dtype&＃61;np.int16 ) # dtype can also be specified

array([[[ 1, 1, 1, 1],

[ 1, 1, 1, 1],

[ 1, 1, 1, 1]],

[[ 1, 1, 1, 1],

[ 1, 1, 1, 1],

[ 1, 1, 1, 1]]], dtype&＃61;int16)

>>> np.empty( (2,3) ) # uninitialized, output may vary

array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260],

[ 5.30498948e-313, 3.14673309e-307, 1.00000000e&＃43;000]])

生成均匀分布的array&＃xff1a;

arange&＃xff08;最小值&＃xff0c;最大值&＃xff0c;步长&＃xff09;&＃xff08;左闭右开&＃xff09;

linspace&＃xff08;最小值&＃xff0c;最大值&＃xff0c;元素数量&＃xff09;>>> np.arange( 10, 30, 5 )

array([10, 15, 20, 25])

>>> np.arange( 0, 2, 0.3 ) # it accepts float arguments

array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])

>>> np.linspace( 0, 2, 9 ) # 9 numbers from 0 to 2

array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])

>>> x &＃61; np.linspace( 0, 2*pi, 100 ) # useful to evaluate function at lots of points

三.基本运算:

整个array按顺序参与运算&＃xff1a;>>> a &＃61; np.array( [20,30,40,50] )

>>> b &＃61; np.arange( 4 )

>>> b

array([0, 1, 2, 3])

>>> c &＃61; a-b

>>> c

array([20, 29, 38, 47])

>>> b**2

array([0, 1, 4, 9])

>>> 10*np.sin(a)

array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])

>>> a<35

array([ True, True, False, False], dtype&＃61;bool)

两个二维使用*符号仍然是按位置一对一相乘&＃xff0c;如果想表示矩阵乘法&＃xff0c;使用dot&＃xff1a;>>> A &＃61; np.array( [[1,1],

... [0,1]] )

>>> B &＃61; np.array( [[2,0],

... [3,4]] )

>>> A*B # elementwise product

array([[2, 0],

[0, 4]])

>>> A.dot(B) # matrix product

array([[5, 4],

[3, 4]])

>>> np.dot(A, B) # another matrix product

array([[5, 4],

[3, 4]])

内置函数&＃xff08;min,max,sum)&＃xff0c;同时可以使用axis指定对哪一维进行操作&＃xff1a;>>> b &＃61; np.arange(12).reshape(3,4)

>>> b

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

>>>

>>> b.sum(axis&＃61;0) # sum of each column

array([12, 15, 18, 21])

>>>

>>> b.min(axis&＃61;1) # min of each row

array([0, 4, 8])

>>>

>>> b.cumsum(axis&＃61;1) # cumulative sum along each row

array([[ 0, 1, 3, 6],

[ 4, 9, 15, 22],

[ 8, 17, 27, 38]])

Numpy同时提供很多全局函数>>> B &＃61; np.arange(3)

>>> B

array([0, 1, 2])

>>> np.exp(B)

array([ 1. , 2.71828183, 7.3890561 ])

>>> np.sqrt(B)

array([ 0. , 1. , 1.41421356])

>>> C &＃61; np.array([2., -1., 4.])

>>> np.add(B, C)

array([ 2., 0., 6.])

四.寻址&＃xff0c;索引和遍历&＃xff1a;

一维数组的遍历语法和Python list类似&＃xff1a;>>> a &＃61; np.arange(10)**3

>>> a

array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729])

>>> a[2]

8

>>> a[2:5]

array([ 8, 27, 64])

>>> a[:6:2] &＃61; -1000 # equivalent to a[0:6:2] &＃61; -1000; from start to position 6, exclusive, set every 2nd element to -1000

>>> a

array([-1000, 1, -1000, 27, -1000, 125, 216, 343, 512, 729])

>>> a[ : :-1] # reversed a

array([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000])

>>> for i in a:

... print(i**(1/3.))

...

nan

1.0

nan

3.0

nan

5.0

6.0

7.0

8.0

9.0

多维数组的访问通过给每一维指定一个索引&＃xff0c;顺序是先高维再低维&＃xff1a;>>> def f(x,y):

... return 10*x&＃43;y

...

>>> b &＃61; np.fromfunction(f,(5,4),dtype&＃61;int)

>>> b

array([[ 0, 1, 2, 3],

[10, 11, 12, 13],

[20, 21, 22, 23],

[30, 31, 32, 33],

[40, 41, 42, 43]])

>>> b[2,3]

23

>>> b[0:5, 1] # each row in the second column of b

array([ 1, 11, 21, 31, 41])

>>> b[ : ,1] # equivalent to the previous example

array([ 1, 11, 21, 31, 41])

>>> b[1:3, : ] # each column in the second and third row of b

array([[10, 11, 12, 13],

[20, 21, 22, 23]])

When fewer indices are provided than the number of axes, the missing indices are considered complete slices:

>>>

>>> b[-1] # the last row. Equivalent to b[-1,:]

array([40, 41, 42, 43])

…符号表示将所有未指定索引的维度均赋为 &＃xff1a; &＃xff0c;&＃xff1a;在python中表示该维所有元素&＃xff1a;>>> c &＃61; np.array( [[[ 0, 1, 2], # a 3D array (two stacked 2D arrays)

... [ 10, 12, 13]],

... [[100,101,102],

... [110,112,113]]])

>>> c.shape

(2, 2, 3)

>>> 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]])

遍历&＃xff1a;

如果只想遍历整个array可以直接使用&＃xff1a;>>> for row in b:

... print(row)

...

[0 1 2 3]

[10 11 12 13]

[20 21 22 23]

[30 31 32 33]

[40 41 42 43]

但是如果要对每个元素进行操作&＃xff0c;就要使用flat属性&＃xff0c;这是一个遍历整个数组的迭代器>>> for element in b.flat:

... print(element)

...

0

1

2

3

10

11

12

13

20

21

22

23

30

31

32

33

40

41

42

43