不同方式创建数组
numpy.empty
numpy.empty 方法用来创建一个指定形状(shape)、数据类型(dtype)且未初始化的数组:
-
numpy.empty(shape, 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 | 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。 |
实例:
import numpy as np
x = np.empty([3,2], dtype = int)
print(x)
'''
[[ 6917529027641081856 5764616291768666155]
[ 6917529027641081859 -5764598754299804209]
[ 4497473538 844429428932120]]
'''
注意 − 数组元素为随机值,因为它们未初始化。
numpy.zeros
创建指定大小的数组,数组元素以 0 来填充:
-
numpy.zeros(shape, dtype = float, order = 'C')
实例:
import numpy as np
# 默认为浮点数
x = np.zeros(5)
print(x) # [0. 0. 0. 0. 0.]
# 设置类型为整数
y = np.zeros((5,), dtype = int)
print(y) # [0 0 0 0 0]
# 自定义类型
z = np.zeros((2,2), dtype = [('x', 'i4'), ('y', 'i4')])
print(z)
'''
[[(0, 0) (0, 0)]
[(0, 0) (0, 0)]]
'''
numpy.ones
创建指定形状的数组,数组元素以 1 来填充:
-
numpy.ones(shape, dtype = None, order = 'C')
实例:
import numpy as np
# 默认为浮点数
x = np.ones(5)
print(x) # [1. 1. 1. 1. 1.]
# 自定义类型
x = np.ones([2,2], dtype = int)
print(x)
'''
[[1 1]
[1 1]]
'''
numpy.full
创建指定形状的数组,数组元素用指定数组填充
-
numpy.full(shape, fill_value,dtype=None,order='C',*, like=None)
-
shape 指定形状
-
fill_value 填充值
-
实例:
import numpy as np
x = np.full(5, 5)
print(x) # [5 5 5 5 5]
# 自定义类型
x = np.full((2, 2), 5, dtype=int)
print(x)
'''
[[5 5]
[5 5]]
'''
numpy.zeros_like
numpy.zeros_like 用于创建一个与给定数组具有相同形状的数组,数组元素以 0 来填充。
numpy.zeros 和 numpy.zeros_like 都是用于创建一个指定形状的数组,其中所有元素都是 0。
它们之间的区别在于:numpy.zeros 可以直接指定要创建的数组的形状,而 numpy.zeros_like 则是创建一个与给定数组具有相同形状的数组。
-
numpy.zeros_like(a, dtype=None, order='K', subok=True, shape=None)
参数说明:
参数 | 描述 |
---|---|
a | 给定要创建相同形状的数组 |
dtype | 创建的数组的数据类型 |
order | 数组在内存中的存储顺序,可选值为 'C'(按行优先)或 'F'(按列优先),默认为 'K'(保留输入数组的存储顺序) |
subok | 是否允许返回子类,如果为 True,则返回一个子类对象,否则返回一个与 a 数组具有相同数据类型和存储顺序的数组 |
shape | 创建的数组的形状,如果不指定,则默认为 a 数组的形状。 |
实例:
import numpy as np
# 创建一个 3x3 的二维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 创建一个与 arr 形状相同的,所有元素都为 0 的数组
zeros_arr = np.zeros_like(arr)
print(zeros_arr)
'''
[[0 0 0]
[0 0 0]
[0 0 0]]
'''
numpy.ones_like
和numpy.zeros_like同样的用法,不多赘述,只是将0变成了1。
numpy.fulls_like
同理。
numpy.eye
numpy.eye函数用于创建一个指定大小的单位矩阵(对角线上的元素为1,其余元素为0)。单位矩阵是一个正方形矩阵,其对角线上的元素全为1,其余元素全为0。
numpy.eye函数的语法如下: numpy.eye(N, M=None, k=0, dtype=<class 'float'>, order='C')
参数说明:
参数 | 描述 |
---|---|
N | 矩阵的行数(或列数,因为单位矩阵是一个正方形矩阵)。必需参数。 |
M | 可选参数,矩阵的列数。默认为None,表示和N相等,即创建一个N行N列的单位矩阵。 |
k | 可选参数,对角线的偏移量。默认值为0,表示主对角线上的元素为1。正值表示位于主对角线上方的对角线元素,负值表示位于主对角线下方的对角线元素。 |
dtype | 可选参数,矩阵的元素类型。默认为float类型。 |
order | 可选参数,矩阵的存储顺序,是按行存储还是按列存储。默认为'C',表示按行存储。 |
实例:
import numpy as np
# 创建一个3x3的单位矩阵
arr1 = np.eye(3)
print(arr1)
# 输出:
# [[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]
# 创建一个4x4的单位矩阵,并将对角线上的元素偏移一位
arr2 = np.eye(4, k=1)
print(arr2)
# 输出:
# [[0. 1. 0. 0.]
# [0. 0. 1. 0.]
# [0. 0. 0. 1.]
# [0. 0. 0. 0.]]
# 创建一个2x5的单位矩阵
arr3 = np.eye(2, 5)
print(arr3)
# 输出:
# [[1. 0. 0. 0. 0.]
# [0. 1. 0. 0. 0.]]
从数值范围创建数组
通过数值范围创建数组
-
arange(start,stop,step,dtype=None)
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。 |
实例:
import numpy as np
arr = np.arange(1, 10, 2)
print(arr) # [1 3 5 7 9]
使用linspace函数创建等差数列
-
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
参数说明:
参数 | 描述 |
---|---|
start | 序列的起始值 |
stop | 序列的终止值,如果endpoint 为true ,该值包含于数列中 |
num | 要生成的等步长的样本数量,默认为50 |
endpoint | 该值为 true 时,数列中包含stop 值,反之不包含,默认是True。 |
retstep | 如果为 True 时,生成的数组中会显示间距,反之不显示。 |
import numpy as np
arr = np.linspace(100, 1000, 10, retstep=True, dtype=int)
print(arr)
# (array([ 100, 200, 300, 400, 500, 600, 700, 800, 900, 1000]), 100.0)
使用logspace函数创建等比数列
-
logspace(start,stop,num=50,endpoint=True,base=10.0,dtype=None)
参数说明:
参数 | 描述 |
---|---|
start | 序列的起始值为:base ** start |
stop | 序列的终止值为:base ** stop。如果endpoint 为true ,该值包含于数列中 |
num | 要生成的等步长的样本数量,默认为50 |
endpoint | 该值为 true 时,数列中中包含stop 值,反之不包含,默认是True。 |
base | 对数 log 的底数。 |
import numpy as np
arr = np.logspace(0, 7, num=8, base=2, dtype=int)
print(arr) # [ 1 2 4 8 16 32 64 128]
生成随机数组
生成(0,1)之间的随机数组
-
np.random.rand()
import numpy as np
arr = np.random.rand(5)
print(arr) # [0.16304341 0.45546733 0.32797049 0.74217815 0.00958019]
arr1 = np.random.rand(2,3)
print(arr1)
'''
[[0.06861252 0.12880793 0.51077598]
[0.91621039 0.85334393 0.60402487]]
'''
随机生成满足正态分布的数组
-
np.random.randn()
import numpy as np
arr = np.random.randn(5)
print(arr) # [-0.40135193 -0.3646722 -0.92847322 -0.1222238 -1.42063451]
arr1 = np.random.randn(2, 3)
print(arr1)
'''
[[-2.84211723 0.69445947 1.48354103]
[-0.78539191 -0.36915508 -1.95940616]]
'''
生成一定范围内的随机数组
-
np.random.randint()
import numpy as np
arr = np.random.randint(1, 10, 5)
print(arr) # [1 6 4 2 3]
arr1 = np.random.randint(1, 10, size=(2,3))
print(arr1)
'''
[[2 1 7]
[7 4 7]]
'''
生成正态分布的随机数组
-
np.random.normal()
import numpy as np
arr = np.random.normal(0, 1, 5)
print(arr) # [-1.4574298 0.11783582 -1.36048166 -1.34754545 0.55146328]
arr1 = np.random.normal(0, 1, size=(2, 3))
print(arr1)
'''
[[ 0.35987413 1.13669535 -0.1170589 ]
[-0.10113842 0.42553987 -2.02518348]]
'''
从已有的数组创建数组
numpy.asarray
-
numpy.asarray(a, dtype = None, order = None)
numpy.asarray
和numpy.array
都可以将输入数据转换为NumPy数组,但它们之间有一些细微的区别。
主要区别如下:
-
输入类型:
numpy.asarray
接受任何可迭代对象作为输入,包括列表、元组、数组、生成器等。而numpy.array
可以接受各种输入类型,包括列表、元组、数组、生成器、标量值等。 -
内存拷贝行为:当输入数据是NumPy数组时,
numpy.asarray
默认不会复制输入数据,而是返回一个指向相同数据的新数组。这样可以节省内存空间。而numpy.array
默认会进行内存拷贝,返回一个新的数组对象。 -
dtype 参数:
numpy.asarray
提供了一个dtype
参数,用于指定输出数组的数据类型。如果输入数据本身已经是NumPy数组,dtype
参数会被忽略。而numpy.array
也提供了dtype
参数,但它可以在创建新数组时指定数据类型,即使输入数据是NumPy数组。
综上所述,numpy.asarray
在功能上基本等同于numpy.array
,但在处理输入数据类型和内存拷贝行为方面有一些不同。如果输入数据已经是NumPy数组,两者的行为相同。如果输入数据是列表、元组或其他可迭代对象,通常可以使用numpy.asarray
来避免不必要的内存拷贝操作。
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。 |
实例:
import numpy as np
x1 = [1, 2, 3, 4]
x2 = [(1, 2, 3), (4, 5, 6)]
x3 = [[1, 2, 3], [4, 5, 6]]
x4 = (1, 2, 3, 4)
x5 = ((1, 2, 3), (4, 5, 6))
x6 = ([1, 2, 3], [4, 5, 6])
a = np.asarray(x)
print(a)
numpy.frombuffer
numpy.frombuffer 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。 |
实例:
import numpy as np
s = b'Hello World'
s1 = 'Hello World'
a = np.frombuffer(s, dtype='S1')
print(a) # [b'H' b'e' b'l' b'l' b'o' b' ' b'W' b'o' b'r' b'l' b'd']
a1 = np.frombuffer(s1, dtype = 'S1')
print(a1) # ['H' 'e' 'l' 'l' 'o' ' ' 'W' 'o' 'r' 'l' 'd']
numpy.fromiter
numpy.fromiter 方法从可迭代对象中建立 ndarray 对象,返回一维数组。
-
numpy.fromiter(iterable, dtype, count=-1)
参数说明:
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 |
实例:
import numpy as np
# 使用 range 函数创建列表对象
list=range(5)
it=iter(list)
# 使用迭代器创建 ndarray
x=np.fromiter(it, dtype=float)
print(x) # [0. 1. 2. 3. 4.]