Python数据分析NumPy和pandas（三、NumPy学习记录1）

创建numpy的ndarrays数组

创建数组的最简单方法是使用 array 函数。这接受任何类似序列的对象（包括其他数组）并生成一个包含传递数据的新 NumPy 数组。例如，列表是很好的转换候选对象：

一种最简单的数组创建方式是使用array函数，这个函数接受任何类似序列的对象参数来创建numpy数组，包括接受numpy数组本身作为参数来创建新的数组，这个新的数组接受参数传递过来的数据作为新的数组中的元素。下面举例说明。用python的列表list作为参数来创建数组，如下：

import numpy as np
#新建一个python的list列表
data1 = [6, 7, 8, 9, 0]

#用array函数接受data1作为参数创建数组
arr1 = np.array(data1)

print(arr1)

控制台输出：[6 7 8 9 0]

如果用嵌套的等长列表作为array函数参数来创建数组，那么这个嵌套且内部列表等长的列表将被转换为多维数组，下面创建一个2维数组：

import numpy as np

#python 内置的嵌套列表list，其中每个元素长度为4
data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]

#用嵌套列表创建一个二维数组
arr2 = np.array(data2)

print(arr2)

控制台打印输出结果：

[[1 2 3 4] 
 [5 6 7 8]]

看输出结果是一个2行4列的数组。

可以用数组的ndim属性来查看这个arr2数组是几维的。arr2.ndim   输出2 表示2维数组。

可以用数组的shape属性来看下这个arr2数组的形状。arr2.shape 输出一个python元组（2,4），表示是一个2行4列的二维数组。

除了 numpy.array 之外，还有许多其他函数可用于创建新数组。例如，numpy.zeros 和 numpy.ones 分别创建具有给定长度或形状的 0 或 1 数组。numpy.empty 也可以用于创建一个数组，而不将其值初始化为任何特定值。如果要使用这些方法创建更高维度的数组，可以传递一个元组参数，如下举例：

import numpy as np

#用zeros函数创建长度为10，每个元素值为0. 的一维数组
z_arr = np.zeros(10)
print(z_arr)

#用zeros函数接收一个元组（3，6）作为参数，创建每个元素值为0. 的3行6列的二维数组
z_arr2 = np.zeros((3, 6))
print(z_arr2)

#用empty函数接收一个元组（2，3，2）作为参数，创建每个元素不赋值的三位数组
z_arr3 = np.empty((2, 3, 2))
print(z_arr3)

输出结果:

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

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

[[[6.23042070e-307 4.22795269e-307]
  [1.69121367e-306 1.78022342e-306]
  [1.05700345e-307 3.11525958e-307]]

 [[1.11259940e-306 1.60220393e-306]
  [8.01097889e-307 1.11260144e-306]
  [6.89812281e-307 2.22522596e-306]]]

从输出结果可以看出1.如果未在zeros函数中指定生成的数组元素的值类型，默认为float类型。2.使用empty函数生成数组时，此函数返回未初始化的内存，因此可能包含非零的 “垃圾” 值，所以我们仅当打算用数据填充新数组时，才应使用此函数，一般情况下不使用此函数生成占位空数组等。

注意：由于 NumPy 专注于数值计算，因此数据类型（如果未指定）在许多情况下将是 float64（浮点）。

以下表格是一些常用的重要的数组创建函数和说明

函数	说明
array	将传入的数据（list、tuple、array或者其他序列类型的数据）转化为ndarray，默认情况下，生成的数组的数据类型为传入的数据类型，或者显示指定数据类型np.array([1, 2, 3], dtype=np.float64)，array会复制传入的数据
asarray	将输入的序列类的数据转换为 ndarray，但如果输入的序列已经是 ndarray，则不会复制，相当于引用原来的ndarray
arange	与内置的python范围range类似，但返回 ndarray 而不是列表。例如np.arrange(5)，返回[0 1 2 3 4]
ones, ones_like	生成一个具有给定形状和数据类型的全1的数组；ones_like 采用另一个数组并生成具有相同形状和数据类型的全1的数组，例如： array1 = np.array([[2.1,2.2,2.3,2.4],[1.1,1.2,1.3,1.4]]) array2 = np.ones_like(array1) 则array2输出：[[1. 1. 1. 1.]  [1. 1. 1. 1.]]
zeros, zeros_like	与ones，ones_like函数类似，不过生成的是全0数组
empty, empty_like	通过分配新内存来创建新数组，但不填充任何值，类似于ones，ones_like和zeros，zeros_like函数
full, full_like	生成给定形状和数据类型的数组，所有值都设置为指示的 “fill value”;full_like 采用另一个数组并生成具有相同形状和数据类型的填充数组。例如： np.full((2,3), 1) 输出：[[1 1 1]  [1 1 1]] numpy.full(shape, fill_value, dtype=None, order='C')
eye, identity	创建一个正方形 N × N 单位矩阵（对角线上为 1，其他位置为 0）。例如 np.eye(5) 输出： [[1. 0. 0. 0. 0.]  [0. 1. 0. 0. 0.]  [0. 0. 1. 0. 0.]  [0. 0. 0. 1. 0.]  [0. 0. 0. 0. 1.]] np.identity(6)输出： [[1. 0. 0. 0. 0. 0.]  [0. 1. 0. 0. 0. 0.]  [0. 0. 1. 0. 0. 0.]  [0. 0. 0. 1. 0. 0.]  [0. 0. 0. 0. 1. 0.]  [0. 0. 0. 0. 0. 1.]]