Numpy系统学习（三）创建Ndarray数组对象

目录

1 创建Ndarray数组对象

1.1 从无到有创建数组

1.1.1 使用array()函数

1.1.2 使用empty()函数

1.1.3 使用zeros()，ones()，full()函数

1.1.4 使用arange()函数

1.1.5 使用random.rand()函数

1.1.6 使用random.randint()

1.2 从已有数组创建数组

1.2.1 使用asarray()函数

1.2.2使用frombuffer（）函数

1.2.3 使用fromiter()函数

2.关于其他补充说明

2.1 类型转换

2.2 其他生成

---

1 创建Ndarray数组对象

1.1 从无到有创建数组

1.1.1 使用array()函数

原型：

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

参数说明：

名称	描述
object	数组或嵌套的数列
dtype	数组元素的数据类型，可选
copy	对象是否需要复制，可选
order	创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
subok	默认返回一个与基类类型一致的数组
ndmin	指定生成数组的最小维度

例1：测试使用dtype 类型的，已有类型

import numpy as np
a3=np.array([1,2,3,4,5],dtype="f2")
print(a3)

输出

[1. 2. 3. 4. 5.]

此时尽管输入的是整形，但是输出收到dtype影响，都变为了float型

例2：测试使用dtype类型，创建自己的类型

创建一个student类型的数据类型

姓名 ，学号 ，成绩

import numpy as np
student=np.dtype([("name","S20"),("id","i2"),("score","f2")])#利用dtype生成自己的数据类型
a4=np.array([("LiHua","1001","99.5"),("Qodi","1002","85.5")],dtype=student)
print(a4)

输出

[(b'LiHua', 1001, 99.5) (b'Qodi', 1002, 85.5)]

1.1.2 使用empty()函数

作用创建一个指定形状的未初始化的数组，由于未初始化，所以输出是随机值

原型：

numpy.empty(shape, dtype = none, order = 'C')

参数	描述
shape	数组形状 ，如[3,4] 代表3行4列
dtype	数据类型，可选
order	有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。

例1：创建一个4行3列的未初始化的浮点型数组

import numpy as np
a5=np.empty([4,3],dtype="f2")
print(a5)

输出

[[2.712e+03 2.163e+04 6.842e-02]

[2.251e-01 2.620e-01 6.465e-01]

[9.723e-02 3.159e-06 0.000e+00]

[0.000e+00 0.000e+00 1.984e+00]]

1.1.3 使用zeros()，ones()，full()函数

三个函数类似于empty（），创建指定形状的数组，不过zeros是以0来初始化，ones是以1来初始化，其中的1和0 默认为浮点数，full函数（）可以以自己指定的值来填充，所以会多一个参数fill_value

原型

numpy.zeros(shape, dtype = float, order = 'C')
numpy.ones(shape, dtype = float, order = 'C')
numpy.full(shape, fill_value,dtype = float, order = 'C')

参数说明：

参数	描述
shape	数组形状
dtype	数据类型，可选
order	'C' 用于 C 的行数组，或者 'F' 用于 FORTRAN 的列数组
fill_value	填充的值

例1：输出3行2列，用0初始化的数组

import numpy as np
a6=np.zeros([3,2])
print(a6)

输出

[[0. 0.]

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

1.1.4 使用arange()函数

原型

numpy.arange(start, stop, step, dtype)

根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray。

参数说明：

参数	描述
start	起始值，默认为0
stop	终止值（不包含）
step	步长，默认为1
dtype	返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。

例1：生成一个从2起始，9结束，步长为2的，元素类型为浮点型的一维数组

import numpy as np
a8=np.arange(2,9,2,"f2")
print(a8)
输出

[2. 4. 6. 8.]

1.1.5 使用random.rand()函数

这个函数可以生成任意维度的数组，数组元素的范围为0到1

参数里面，如果有一个数字，代表是一维的，两个数字，则是二维的，三个数组，代表三维的

如

import numpy as np
a1=np.random.rand(4)
a2=np.random.rand(4,2)
print(a1)
print(a2)

1.1.6 使用random.randint()

rand函数只能生成0到1 的浮点数，而我们的randint()生成的是 自己指定范围的整数

原型

randint(low,high=None,size=none,dtype="-1")

参数说明

参数	说明
low	包含的下界
high	不包含的上界
size	元素个数
dtype	元素类型

例1：生成从0到9的五个随机数

import numpy as np
arr=np.random.randint(0,10,5)
print(arr)

输出

[6 4 7 1 5]

1.2 从已有数组创建数组

1.2.1 使用asarray()函数

numpy.asarray 类似 numpy.array，但 numpy.asarray 参数只有三个，比 numpy.array 少两个。

原型

numpy.asarray(a, dtype = None, order = None)

参数说明：

参数	描述
a	任意形式的输入参数，可以是，列表, 列表的元组, 元组, 元组的元组, 元组的列表，多维数组
dtype	数据类型，可选
order	可选，有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。

例1： 利用已有的1.1.3 节的a6 数组，生成一个新的数组

import numpy as np
a6=np.zeros([3,2])
a7=np.asanyarray(a6)
print(a7)

输出

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

1.2.2使用frombuffer（）函数

frombuffer()函数用于实现动态数组

numpy.frombuffer 接受 buffer 输入参数，以流的形式读入转化成 ndarray 对象。

numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)

注意：buffer 是字符串的时候，Python3 默认 str 是 Unicode 类型，所以要转成 bytestring 在原 str 前加上 b。

参数说明：

参数	描述
buffer	可以是任意对象，会以流的形式读入。
dtype	返回数组的数据类型，可选
count	读取的数据数量，默认为-1，读取所有数据。
offset	读取的起始位置，默认为0。

例1：以流的形式从a开始读入“You are the best !” 建立数组

import numpy as np
a6=np.zeros([3,2])
a7=np.asanyarray(a6)
print(a7)

输出

[b'a' b'r' b'e' b' ' b't' b'h' b'e' b' ' b'b' b'e' b's' b't' b'!']

1.2.3 使用fromiter()函数

这个函数是通过已有的迭代器创建数组，对于迭代器，我们需要知道常见的比如list,tuple,dict等都是，具体可以阅读以下博客

第4章 Python基础概念之迭代、可迭代对象、迭代器-CSDN博客

原型

numpy.fromiter(iterable, dtype, count=-1)

参数	描述
iterable	可迭代对象
dtype	返回数组的数据类型
count	读取的数据数量，默认为-1，读取所有数据

示例：通过一个list迭代对象建立一个数组

import numpy as np
a9=[1,2,3,4,5]
arr=np.fromiter(a9,dtype="i1")
print(a9)

输出

[1,2,3,4,5]

注意：这里的dtype没有默认值，故需要申明dtype，否则会报错

2.关于其他补充说明

2.1 类型转换

numpy 主要通过dtype自定义，如果未自定义，则根据传入的内容调整类型

numpy默认ndarray的所有的元素的数据类型是相同的，这一点与python中的list不同，如果传进来的列表中包含不同的类型，则统一为同一类型，优先级str（字符串）>float>int

例1：比较float和int的优先级

import numpy as np
a1=np.array([0.1,0.2,3,4,5])
print(a1)

输出：

[0.1 0.2 3. 4. 5. ]

可见如果有浮点型，就优先将整形转换为浮点型

例2：比较str和float,int的优先级

import numpy as np
a2=np.array([0.1,0.2,"3",4,5])
print(a1)

输出：

['0.1' '0.2' '3' '4' '5']

可见有字符型的“3”以后，会把所有的浮点型，整形都转换为浮点型

2.2 其他创建方式

以上仅罗列了一些常用的，数组对象的生成还可以有更多的选择

如生成正态分布的randn()函数

如生成对角矩阵的eye()函数

使用的情况类似，所以需要用到的情况下直接查表即可

---------------------------------------相关文章快速跳转----------------------------------------

Numpy系列

Numpy系统学习（一）Numpy数组介绍数组的秩Qodi的博客-CSDN博客

Numpy系统学习（二）Numpy的数据类型_Qodi的博客-CSDN博客

Numpy系统学习（三）创建Ndarray数组对象创建ndarray对象Qodi的博客-CSDN博客

Numpy系统学习（四）数组元素操作_Qodi的博客-CSDN博客

Numpy系统学习（五）数组元素运算numpy 取反Qodi的博客-CSDN博客

Pandas系列

Pandas系统学习（一）基本数据结构pandas架构Qodi的博客-CSDN博客

pandas系统学习（二）数据处理.md_Qodi的博客-CSDN博客

pytorch系列

从原理到实践 | Pytorch tensor 张量花式操作_Qodi的博客-CSDN博客

pytorch的自动微分、计算图 | 代码解析_Qodi的博客-CSDN博客

从原理到代码实践 | pytorch损失函数_Qodi的博客-CSDN博客