Numpy_02_ndarry对象

最新推荐文章于 2024-05-14 15:30:28 发布
最新推荐文章于 2024-05-14 15:30:28 发布
阅读量801 收藏
点赞数
分类专栏： python numpy
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baidu_41805096/article/details/108576548
版权
python 同时被 2 个专栏收录
49 篇文章 5 订阅
订阅专栏
numpy
17 篇文章 2 订阅
订阅专栏

主要内容：

1、创建ndarray

2、ndarry的基本属性

3、 索引与切片

一、ndarry对象

N 维数组对象，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。

1、创建ndarry

1.1、array()

参数说明：

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

常用参数：
    1、object：列表、元组之类的序列对象
    2、dtype：指定数组的数据类型
'''

代码：

import numpy as np

# 列表
list1 = [4,5,6]

# 创建ndarry
t1 = np.array(list1,dtype = "int8")
t1

output:

array([4, 5, 6], dtype=int8)

1.2、asarray()

参数说明：

'''
np.asarray(a, dtype=None, order=None)

常用参数：
    1、object：列表、元组之类的序列对象
    2、dtype：指定数组的数据类型
'''
# 创建ndarry
t2 = np.asarray(t1,dtype = "int8")
t2

output：

array([4, 5, 6], dtype=int8)

提问：
那么array()和asarray有什么区别呢？

当传入的对象是列表时，二者无区别。
当传入的对象时ndarry时，二者有区别：
1、array() 默认拷贝输入的原序列对象，占用新的内存空间
2、asarray() 默认不copy该对象，意味着修改新生成的ndarray数据，会改变原ndarray的数据。

如下：

# 基于ndarray t1创建新的ndarry
t2 = np.asarray(t1,dtype = "int8")
# 修改t2的数据
t2[1] = 10
t1

output:

在这里插入图片描述

1.3、arange()

参数说明：

'''
arange([start,] stop[, step,], dtype=None)

参数解释：
    start：开始数字
    end：结束数字
    step：步长
    dtype：数据类型
注意：
    区间为左闭右开
'''

代码：

# 等同于t3 = np.array(range(1,11,1))
t3 = np.arange(1,11,1,dtype='int8')
t3

output:

array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10], dtype=int8)

1.4、linspace() 等差数列

参数说明：

'''
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

参数解释：
    start：开始数字
    stop：结束数字
    num：生成的元素个数
    endpoint：生成的数组是否包含结束数字，默认为True；设置为False，则数组不包括结束数字
    
注意：
    区间默认为为左闭右闭
原理：步长=极差/间隔

      即为步长=(stop -start)/(num -1)
'''

代码：

t4 = np.linspace(5,10,5,endpoint = True)
t4

output:

array([ 5. , 6.25, 7.5 , 8.75, 10. ])

设置endpoint = False看看

t4 = np.linspace(5,10,5,endpoint = False)
t4

output:

array([5., 6., 7., 8., 9.])

1.5、logspace() 等比数列

参数说明：

''''
np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)

参数解释：
    start：开始数字
    stop：结束数字
    num：生成的元素个数
    base：对数 log 的底数，用于设置等比数列的底数。
    endpoint：生成的数组是否包含结束数字，默认为True；设置为False，则数组不包括结束数字

原理：
1、先生成等差数列：np.linspace(start,end,num,endpoint=True)
2、以base为底数：base ** np.linspace(start,end,num,endpoint=True)
'''

代码：

t5 = np.logspace(1,5,num= 5,base = 2)
t5

output:

array([ 2., 4., 8., 16., 32.])

1.6、zeros(shape) 生成元素全是0的数组
'''
np.zeros(shape)

shape：数组的形状

'''
# 创建一个形状为三行四列的数组
a= np.zeros((3,4))
a

output:

array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])
1.7、ones(shape) 生成元素全是1的数组
'''
np.ones(shape)

shape：数组的形状

'''
np.ones((5,3))

output:

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])
1.8、eyes()创建对角线为1的正方形数组
'''
np.eye(N, M=None, k=0, dtype=<class 'float'>, order='C')

常用参数说明：
N:输出多少行
M:输出多少列，不指定则等于N

'''
np.eye(6)

output:

array([[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.]])
1.9、diag()指定矩阵对角线元素
'''
np.diag(v, k=0)

k:对角线元素
'''
np.diag([3,4,5])

output:

array([[3, 0, 0],
       [0, 4, 0],
       [0, 0, 5]])

2、ndarray的基本属性

2.1、dim 数组维度个数
'''
np.dim 数组维度个数（秩）

NumPy的主要对象是同种类型元素的多维数组。
在NumPy中维度(dimensions)叫做轴(axes)，轴的个数叫做秩(rank)。
'''

# 一维数组
a = np.array([1,2,3])
a.ndim

output:

1

# 二维数组
a = np.array([[1,2,3],[4,5,6]])
a.ndim

output:

2

2.2、shape 数组的形状
'''
np.shape 返回数据为元组类型
'''
# 一维数组的形状
a = np.array([1,2,3])
print(a)
a.shape

output:

[1 2 3]
(3,)

# 二维数组的形状
a = np.array([[1,2,3],[4,5,6]])
print(a)
a.shape

output:

[[1 2 3]
 [4 5 6]]
(2, 3)
2.3、size 数组元素的个数
# 二维数组
a = np.array([[1,2,3],[4,5,6]])
print(a)
a.size

output:

[[1 2 3]
 [4 5 6]]
6
2.4、dtype 数组元素的数据类型
print(a)
a.dtype

output:

[[1 2 3]
 [4 5 6]]
dtype('int32')

数组数据类型的修改

ndarray.astype(new_type)

a.astype('int32')
a.astype(np.int64)

ndarray.tostring() 序列化到本地

a.tostring()
2.5、itemsize 每个元素的字节大小
'''
一个元素数据类型为float64的数组itemsiz属性值为8(=64/8）
一个元素数据类型为int32的数组item属性为4(=32/8).
'''
a.itemsize

output:

4

3、索引与切片

3.1、元素索引

'''
元素索引：通过单个整数值来索引元素
'''
# 一维数组
n1 = np.array([2,3,4,5,6,7])
# 取单个元素（取下标为2，即第三个元素）
n1[2]      # 4


# 二维数组
n2 = np.arange(20).reshape(5,4)
n2
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [ 8,  9, 10, 11],
#        [12, 13, 14, 15],
#        [16, 17, 18, 19]])


n2[1,2]
# 6

3.2、 切片索引： 索引连续的数组子集

利用切片进行索引，切片语法与list差不多。

'''
一维数组的切片索引操作同python原生数组操作一样
ndarray[start:end:step]
左闭右开
'''
n1 = np.array([2,3,4,5,6,7])

# 取连续的元素
n1[1:4]    # array([3, 4, 5])

# 取倒数的元素
n1[-4:-2]  # array([24, 5])

'''
二维数组的切片索引操作
ndarrays[start:stop:step,start:stop:step]
左闭右开
'''
n2 = np.arange(20).reshape(5,4)
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [ 8,  9, 10, 11],
#        [12, 13, 14, 15],
#        [16, 17, 18, 19]])

# 取多行数据
n2[1:4:2]
# array([[ 4,  5,  6,  7],
#        [12, 13, 14, 15]])

# 取多列数据
n2[:,-4-2]
# array([[ 0,  1],
#        [ 4,  5],
#        [ 8,  9],
#        [12, 13],
#        [16, 17]])

# 多行多列
n2[1:3,2:4]
# array([[ 6,  7],
#        [10, 11]])

3.3、 花式索引：

花式索引：通过整型数组进行索引

n2
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [ 8,  9, 10, 11],
#        [12, 13, 14, 15],
#        [16, 17, 18, 19]])

# 使用两个整数数组来对axis= 0,1两个轴进行花式索引(按坐标索引数据)
n2[[2,1],[0,1]]  # 坐标（2，0）、（1，1）
# array([8, 5]

# 交换行(交换第三行和第二行顺序)
n2[[2,1]]
# array([[ 8,  9, 10, 11],
#        [ 4,  5,  6,  7]])

# 交换列(交换第三列和第二列顺序)
n2[:,[2,1]]
# array([[ 2,  1],
#        [ 6,  5],
#        [10,  9],
#        [14, 13],
#        [18, 17]])

np.ix_()

'''
np.ix_()
输入选取的行数组与列数组，取交集方形区域的数据
'''

n2[np.ix_([2,3],[0,1,3])]
# array([[ 8,  9, 11],
#        [12, 13, 15]])

'''
等价于np.ix_
该花式索引要掌握~！
'''
n2[[2,3]][:,[0,1,3]]
# array([[ 8,  9, 11],
#        [12, 13, 15]])
3.4、 布尔索引：
'''
布尔索引
通过条件进行逻辑判断，返回True/False,利用布尔值进行索引
'''
n2
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [ 8,  9, 10, 11],
#        [12, 13, 14, 15],
#        [16, 17, 18, 19]])

# 同时满足两个条件即为真，否则假
(n2>4) & (n2<18)
# array([[False, False, False, False],
#        [False,  True,  True,  True],
#        [ True,  True,  True,  True],
#        [ True,  True,  True,  True],
#        [ True,  True, False, False]])

#  & 并且
n2[(n2>4) & (n2<18)]
# array([ 5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17])

#  | 或  满足其中一个条件即可
n2[(n2>4) | (n2<18)]
# array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
#        17, 18, 19])
JessieZeng aaa
关注
专栏目录
python import numpy_python numpy详解
weixin_39782573的博客
11-24 2356
numpy引用import numpy as npN维数组对象np.array([0,1,2,3,4],[9,8,7,6,5,4])np.array()生成一个ndarray数组np.array()输出成[ ]形式，元素由空格分隔ndarry对象的属性.ndim 秩，即轴的数量或维度的数量.shape ndarry对象的尺度，对于矩阵，n行m列.size ndarry对象元素的个数，相当于.sha...
python定义numpy数组_Numpy数组的创建及其属性
weixin_36061828的博客
01-11 7054
在《Python Numpy基础：多维数组ndarray对象》我们对 ndarray 数组对象有了基本的认识，ndarray 数组由数据本身以及描述性元数据构成，且分开存放，从而减少对数据本身的访问频率，进而优化了效率，ndarray 数组，也可以称为 Numpy 数组，该数组所有的数据类型必相同，即具有同质性；且数组的下标也是从 0 开始的。在上一节中大多数情况下是生成的是随机数组但是这与我们的...
python中创建二维的ndarray数组
weixin_41855010的博客
02-09 4523
和创建以为数组类似，创建二维数组本质上就是把一位数组中的单独元素定义为数组，相当于是数组的数组；我们同样适用np.ndarray方法，并且将参数设置为[list,list]的列表值或者列表变量，为了有良好的可读性，我们常常会把二维数组写成矩阵的形式，这样查询和修改调整参数的时候会非常直观方便，我们可以使用以下代码进行演示。 import numpy as np data = np.array([ ...
科学计算NumPy之Ndarray数组对象的创建、切片、索引、修改等操作汇总
积跬步，至千里。
04-25 1901
NumPy是Python中的一个常用开源数学计算扩展库，是Numerical Python的缩写。它支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。这使得NumPy在科学计算、统计分析、数据挖掘、机器学习等领域中广泛使用。
【Python数据科学快速入门系列 | 02】创建ndarray对象的十多种方法
机器未来的博客
07-31 2267
创建ndarray对象的十多种方法
Numpy的介绍与使用
qq_43592077的博客
06-22 441
一、数组的创建 数组简介 数组 (array) 是相同类型的元素 (element) 的集合所组成数据结构 (data structure)。numpy 数组中的元素用的最多是「数值型」元素，平时我们说的一维、二维、三维数组长下面这个样子 (对应着线、面、体)。四维数组很难被可视化。 注意一个关键字 axis，中文叫「轴」，一个数组是多少维度就有多少根轴。由于 Python 计数都是从 0 开始的，那么 第 1 维度 = axis 0 第 2 维度 = axis 1 第 3 维度 = axis 2 二、创
详解Python list 与 NumPy.ndarry 切片之间的对比
09-21
本文将详细探讨Python list与NumPy.ndarry在进行切片操作时的区别，以及它们各自的特点和使用场景。 首先，Python的list是一种动态数组，支持存储任意类型的元素，具有很高的灵活性。当对list进行切片操作时，返回...
NumPy数组对象ndarray
湘妞妞的博客
06-05 595
numpy（Numerical Python）提供了python对对象的支持：ndarray，具有矢量运算能力，快速、节省空间。numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
掌握NumPy数组对象ndarray
霏霏_伊人
05-03 1670
1.1.1 创建数组对象 NumPy 提供了两种基本对象：ndarray和ufunc。ndarray(下文统一称为数组）是存储单一数据类型的多维数组，而ufunc则是对数组进行处理的函数。 1.数组的属性 2.数组的创建 NumPy提供的array函数可以创建一维或多维数组，基本语法格式如下： numpy.array(object,dtype=None,copy=True,ord...
python 创建空的numpy数组_python数据分析包|NumPy-01
weixin_39545269的博客
11-22 2259
详细介绍数据分析基础包：Numpy的基础使用方法。欢迎微信随缘关注@pythonic生物人本篇您将学到什么？1、numpy简介 2、numpy数组ndarray使用 创建numpy数组ndarray array函数借助列表（list）创建一维数组 array函数借助列表（list）创建二维数组 array函数借助元组（tuple）创建数组 arange函数创建数组 empty函数创建空数...
【Numpy】创建数组
热门推荐
weixin_51781852的博客
02-22 1万+
简介：NumPy（Numerical Python的缩写）是一个开源的Python科学计算库。使用NumPy，就可以很自然地使用数组和矩阵。NumPy包含很多实用的数学函数，涵盖线性代数运算、傅里叶变换和随机数生成等功能。本文主要介绍一下数组创建的几种方法。 目录 1.numpy.array() 2.numpy.empty() 3.numpy.zeros() 4.numpy.ones() 5.numpy.frombuffer 6.numpy.fromiter() 1.num...
使用numpy来创建数组
修炼之路
05-22 1万+
1、通过python列表来创建数组import numpy as np if __name__ == "__main__": a = [1,2,3] arr1 = np.array(a) print(arr1) # [1 2 3] b = [[1,2,3],[4,5,6]] arr2 = np.array(b) prin...
numpy生成数组的五种方式
ximu__l的博客
06-02 1890
内容主要说了以下几个函数：np.arange()函数、np.linspace()函数、np.logspace()函数、np.zeros(),np.ones(),np.empty()函数、np.fromfunction()。用于生成数组
Python NumPy数组的创建方法
最新发布
Vincent的博客
05-14 2771
Numpy是Python中科学计算的基础包，其核心对象就是ndarray（n维数组）。利用数组可以快速执行逻辑，形状操作，统计和傅里叶变换等运算，其效率比Python原生的数组效率更高。因此使用Numpy的第一件事就是创建Numpy数组，本文总结了5种常用的创建NumPy数组方法。
创建numpy数组常用的四类方法
youzi85的博客
01-09 1462
说到python的数据分析第三方扩展库，就不得不提到numpy和pandas。今天我们一起来学习numpy中怎么创建数组。
创建Numpy数组的三种方法
hdxx2022的博客
03-24 3340
但突然，一盆冷水泼身上，关键问题来了，如果我们想创建由0到19的数字序列数组，那是不是得一个数字一个数字地敲，创建0到100的呢？Numpy库的核心对象便是ndarray数组，又称n维数组。注意：这里要掌握arange()的结构，np.arange(x)为左闭右开结构，数据从0开始，到x-1结束，生成规则递增序列，同时也可以指定arange的3s参数，start、stop与step。当然，上例得到的只是一维数组，想要多维的，请将一系列的列表传递给数组函数，但要保证（）内部的数据类型是list，这点很重要。
Numpy数组——1.数组的创建
计算机科研杂货铺
11-20 1万+
Numpy创建数组一、numpy.array创建数组自定义元素二、numpy.zeros创建元素全为0数组三、numpy.ones创建元素全为1的数组四、numpy.empty创建"空"数组五、numpy.arange创建有序序列六、numpy.linspace创建线段 一、numpy.array创建数组自定义元素 使用numpy.array可以自定义数组的dim、shape、size。 代码： import numpy as np a = np.array([2, 23, 4]) print(a) 输
N维数组( ndarray)
云计算、数据库、大数据、容器、微服务、深度学习、NLP、Python
05-15 1005
ndarray 一个 ndarray是具有相同类型和大小的项目的（通常是固定大小的）多维容器。 尺寸和数组中的项目的数量是由它的shape定义， 它是由N个非负整数组成的tuple（元组），用于指定每个维度的大小。 数组中项目的类型由单独的data-type object (dtype)指定， 其中一个与每个ndarray相关联 与Python中的其他容器对象一样，可以通过对数组进行索引或切片（例如，使用N个整数）以及通过ndarray的方法和属性来访问和修改ndarray的内容 数组属性 数组属性反映
创建Numpy数组的3种方法
xiaoweids的博客
05-01 871
Numpy库的核心对象便是ndarray数组，又称n维数组。但突然，一盆冷水泼身上，关键问题来了，如果我们想创建由0到19的数字序列数组，那是不是得一个数字一个数字地敲，创建0到100的呢？注意：这里要掌握arange()的结构，np.arange(x)为左闭右开结构，数据从0开始，到x-1结束，生成规则递增序列，同时也可以指定arange的3s参数，start、stop与step。当然，上例得到的只是一维数组，想要多维的，请将一系列的列表传递给数组函数，但要保证（）内部的数据类型是list，这点很重要。
Numpy ndarry
05-31
numpy ndarray是一个多维数组对象，是numpy的核心数据结构。它是由相同类型的元素组成的表格数据，每个元素由正整数元组（即数组的索引）来标识。ndarray维度的数量被称为rank，数组的形状被描述为一个整数元组，每...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值