(四)Numpy 创建数组

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：

1. 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。

2. 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。

3. 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.]