这篇教程python基础之Numpy库中array用法总结写得很实用，希望能帮到您。
前言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。
为什么要用numpyPython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。
数组的创建
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]])
生成均匀分布的array：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. ]
生成特殊数组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.]]
获取数组的属性>>> 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
数组索引，切片，赋值‘…'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) #>>> barray([[ 0, 1, 2, 3], [10, 11, 12, 13], [20, 21, 22, 23], [30, 31, 32, 33], [40, 41, 42, 43]])
数组操作>>> 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 #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 aTrue>>> c = a.copy() #深拷贝>>> c is aFalse 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^xarray([[ 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 |
输出数组当输出一个数组时，NumPy以特定的布局用类似嵌套列表的形式显示： - 第一行从左到右输出
- 每个切片通过一个空行与下一个隔开
- 一维数组被打印成行，二维数组成矩阵，三维数组成矩阵列表。
- 如果一个数组太长，则NumPy自动省略中间部分而只打印两端的数据：
>>> 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]]]
总结到此这篇关于python基础之Numpy库中array用法的文章就介绍到这了,更多相关python Numpy中array用法内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
Python使用Appium在移动端抓取微博数据的实现
我用Python给班主任写了一个自动阅卷脚本(附源码) |
