numpy之多维数组

NumPy的核心特征之一就是N-维数组对象—— ndarray。ndarray是Python中一个快速、灵活的大型数据集容器，数组允许你使用类似于标量的操作语法在整块数据上进行数学计算。

一个ndarray是一个通用的多维同类数据容器，也就是说，它包含的每一个元素均为相同类型。每一个数组都有一个shape属性，用来表征数组每一维度的数量；每一个数组都有一个dtype属性，用来描述数组的数据类型。

“数组”、“NumPy数组”或“ndarray”时，他们都表示同一个对象：ndarray对象。

一、生成ndarray

生成数组最简单的方式就是使用array函数。array函数接收任意的序列型对象（当然也包括其他的数组），生成一个新的包含传递数据的NumPy数组：

data = [1, 2, 3, 4, 5]
arr = np.array(data)
arr # 结果：array([1, 2, 3, 4, 5])

如果是嵌套序列，例如同等长度的列表，将会自动转换成多维数组：

data = [[1, 2, 3, 4, 5], [1, 2, 3, 4, 5]]
arr = np.array(data)
arr # 结果：array([[1, 2, 3, 4, 5],
      			  [1, 2, 3, 4, 5]])
   
arr.shape # 结果：(2, 5)

除了np.array，还有很多其他函数可以创建新数组。例如，给定长度及形状后，zeros可以一次性创造全0数组，ones可以一次性创造全1数组。empty则可以创建一个没有初始化数值的数组。

arange是Python内建函数range的数组版：

np.arange(10) # 结果：array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

二、ndarray的数据类型

数据类型，即dytpe，是一个特殊的对象，它包含了ndarray需要为某一种类型数据所申明的内存块信息（也称为元数据，即表示数据的数据）：

data = [[1, 2, 3, 4, 5], [1, 2, 3, 4, 5]]
arr = np.array(data, dtype='float')
arr.dtype # 结果：dtype('float64')

可以使用astype方法显式地转换数组的数据类型：

data = [[1, 2, 3, 4, 5], [1, 2, 3, 4, 5]]
arr1 = np.array(data, dtype='float')
arr2 = arr1.astype(np.int32)
arr2.dtype # 结果：dtype('int32')

要注意，传入astype的最好是np.int32之类的，而不是np.int，否则会有警告。

三、索引和切片

3.1 一维数组的索引

一维数组比较简单，看起来和Python的列表很类似，但数组的切片是原数组的视图，这意味着数据并不是被复制了，任何对于视图的修改都会反映到原数组上：

a = np.array([1, 2, 3, 4])
b = a[0:2] 
b[0] = 0
a # 结果：array([0, 2, 3, 4])

如果想要一份数组切片的拷贝而不是一份视图的话，必须使用copy显式地复制这个数组：

a = np.array([1, 2, 3, 4])
b = a[0:2].copy()
b[0] = 0
a # 结果：array([1, 2, 3, 4])，未改变原数组
b # 结果：array([0, 2])

3.2 多维数组的索引

在一个二维数组中，每个索引值对应的元素不再是一个值，而是一个一维数组：

a = np.array([[1, 2, 3, 4], [3, 4, 5, 6]])
a # 结果：array([[1, 2, 3, 4],
                 [3, 4, 5, 6]])
a[0] # 结果：array([1, 2, 3, 4])

有两种方法获取单个元素：

a = np.array([[1, 2, 3, 4], [3, 4, 5, 6]])
a # 结果：array([[1, 2, 3, 4],
                 [3, 4, 5, 6]])
a[0][2] # 结果：3
a[0, 2] # 结果：3

也可以进行多组切片：

a = np.array([[1, 2, 3, 4], [3, 4, 5, 6], [5, 6, 7, 8]])
a # 结果：array([[1, 2, 3, 4],
                 [3, 4, 5, 6],
       			 [5, 6, 7, 8]])
a[:2, 1:] # 结果：array([[2, 3, 4],
      					 [4, 5, 6]])

3.3 布尔索引

在索引数组时可以传入布尔值数组，布尔值数组的长度必须和数组轴索引长度一致（当布尔值数组的长度不正确时，布尔值选择数据的方法并不会报错）：

a = np.array([[1, 2, 3, 4], [3, 4, 5, 6], [5, 6, 7, 8], [7, 8, 9, 10]])
a # 结果：array([[ 1,  2,  3,  4],
      			 [ 3,  4,  5,  6],
     			 [ 5,  6,  7,  8],
      			 [ 7,  8,  9, 10]])

b = np.array(['dog', 'cat', 'dog', 'pig']) # 如果此处不用数组的话，下面的只会输出False
b == 'dog' # 结果：array([ True, False,  True, False])

a[b == 'dog'] # 结果：array([[1, 2, 3, 4],
      						 [5, 6, 7, 8]])

可以在条件表达式前使用～对条件取反：

a[~(b == 'dog')] # 结果：array([[ 3,  4,  5,  6],
     						    [ 7,  8,  9, 10]])

如果有多个布尔值条件，可以用数学操作符如&（表示并）、|（表示或）连接（每个布尔值条件要用小括号），但不能用and或or：

a[(b == 'dog') | (b == 'pig')] # 结果：array([[ 1,  2,  3,  4],
     										  [ 5,  6,  7,  8],
    										  [ 7,  8,  9, 10]])

也可以基于常识来设置布尔值数组的值，比如将小于5的数都变为5：

a[a < 5] = 5
a # 结果：array([[ 5,  5,  5,  5],
      			 [ 5,  5,  5,  6],
     			 [ 5,  6,  7,  8],
       			 [ 7,  8,  9, 10]])