Numpy数组与矩阵（一）

Numpy数组与矩阵（一）

1 ndarray对象

​ Numpy最重要的的一个特点是N为数组对象ndarray，它是一系列同类型数据的集合，以0 下标为开始对集合中的元素建立索引。

​ ndarray的组成部分有：

• 一个指向数据（内存或内存映射文件中的一块数据）的指针；
• 数据类型或dtype，描述在数组中的固定大小的格子；
• 一个表示数组形状（shape）的元组，表示各维度大小的元组；
• 一个跨度元组（stride），其中的整数指的是为了前进到当前维度的下一个元素需要“跨过”的字节数。

​ 创建一个ndarray只需要调用Numpy的array函数就可以了，它的语法结构如下所示：

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

​ 以下进行参数说明：

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	默认返回一个基类类型一致的数组
ndmin	指定生成数组的最小维度

​ 下面我们给出几个实例：

# 导入Numpy库，并给它起一个别名：np
import numpy as np
# 示例一
a = np.array([1, 2, 3, 4, 5])
# 示例二
data = [[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]]
b = np.array(data)

​ 当我们需要查看数组的维度时，直接调用ndim属性就可以了，具体我们可以使用变量名.ndim来查看。

2 数据类型

​ NumPy支持的数据类型比Python内置的类型要多很多，其中的不分类型也是对应于Python的内置类型而精心设计的。

名 称	描 述
bool_	布尔数据类型（True或False）
int_	默认的整数类型（就像C语言中long，int32或int64）
intc	和C语言中的int一样，一般是int32 或int64
intp	用于索引的整数类型（一般情况下仍然是int32 或int64）
int8	字节（-128~127）
int16	整数（-32768~32767）
int32	整数（-2147483648~2147483647）
int64	整数（-9223372036854775808~9223372036854775807）
uint8	无符号整数（0~255）
uint16	无符号整数（0~65535）
uint32	无符号整数（0~4294967295）
uint64	无符号整数（0~18446744073709551615）
float_	float64类型的简写
float16	半精度浮点数，包括：1个符号位，5个指数位，10个尾数位
float32	单精度浮点数，包括：1个符号位，8个指数位，23个尾数位
float64	双精度浮点数，包括：1个符号位，11个指数位，52个尾数位
complex_	complex128类型的简写，也就是128位复数
complex64	复数，表示双32位浮点数（实数部分和虚数部分）
complex128	复数，表示双64位浮点数（实数部分和虚数部分）

​ 以下我将会举出几个实例：

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

​ 运行以上程序，我们知道数组c中各元素的数据类型是int32。

d = np.array([-11.7, 41.55, 32.6, -19.88, 32.11, -9.5])
print(d)
d.dtype

3 数组属性

​ Numpy的数组中比较重要的ndarray对象属性如下表所示。

属 性	说 明
ndarray.ndim	秩，也就是轴的数量或者维度的数量
ndarray.shape	数组的维度，对于矩阵，n行m列
ndarray.size	数组元素的总个数，相当于shape中n*m的值
ndarray.dtype	ndarray对象的元素类型
ndarray.itemsize	ndarray对象中每个元素的大小，以字节为单位
ndarray.flags	ndarray对象的内存信息
ndarray.real	ndarray元素的实部
ndarray.imag	ndarray元素的虚部
ndarray.data	包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性

​ 我们通过实例来说明数组的这些特性。我们首先需要创建数组，然后直接调用数组的这些属性。

a = np.arange(25, dtype = np.float_).reshape(5, 5)
b = np.array([1, 2, 3, 4, 5])
print(a)
print(b)

​ 我们创建了a，b两个不同维度的数组，之后我们调用属性查看这两个数组之间的差别。

print('数组a的属性：')
print(a.ndim)
print(a.shape)
print(a.size)
print(a.dtype)
print(a.itemsize)

​ 以上就是数组a的所有属性显示。

print('数组b的属性：')
print(b.ndim)
print(b.shape)
print(b.size)
print(b.dtype)
print(b.itemsize)

​ 以上就是数组b的所有属性显示。

4 创建数组

​ 以下给出数组创建函数：

函 数	描 述
array	将输入的数据（列表、元组、数组或其他序列类型）转换成ndarray
asarray	将输入转换为ndarray，如果已经是ndarray，则不用复制
arange	直接返回ndarray而不是列表
ones,ones_like	ones表示生成一个由1组成的数组；ones_like表示返回与指定数组具有相同形状和数据类型的数组，并且数组中的值都是1
zeros,zeros_like	zeros表示生成一个由1组成的数组；zeros_like表示返回与指定数组具有相同形状和数据类型的数组，并且数组中的值都是0
empty,empty_like	通过分配新内存来创建新数组，但不要使用1和0之类的来填充数组
full,full_like	返回与给定数组具有相同形状和类型的数组，并且数组中元素的值是fill_value的值
eye,identity	创建一个正方形N*N单位矩阵（对角线上的值为1，其余都为0）

4.1 零元素数组

​ 我们创建全部都是由0来填充的数组，要使用**zeros函数**，下面将会给出具体创建函数以及参数说明。

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

​ 参数说明如下：

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

​ 实例说明：

import numpy as np
a = np.zeros((5,2))
print(a)

4.2 一元素数组

​ 利用==ones函数==来实现全部由1来填充元素的数组，具体语法结构以及参数说明如下述：

numpy.ones(shape, dtype = None, order = 'C')

​ 至于以上提到的参数，和零元素数组中的参数说明相同，在此不再概述。

​ 下面我们将举出实例进行说明：

import numpy as np
b = np.ones((5, 5))
print(b)
print(b.dtype)

4.3 arange函数

​ 在Numpy中，我们还可以通过**arange函数**来创建数组，并且用arange函数创建出来的是ndarray对象。具体的函数使用以及参数说明如下述：

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

​ 参数说明如下：

参 数	描 述
start	是数组的起始值，默认为0
stop	终止值（且不包含，也就是到这个数或者超过这个数，就停止）
step	步长，默认情况下为1
dtype	返回ndarray的数据类型，如果没有提供，就会使用输入数据的类型

​ 实例演示：

import numpy as np
arr1 = np.arange(0, 10, 2)
arr2 = np.arange(10, -10, -4)
arr3 = np.arange(1, 5, 2, dtype = float)
arr4 = np.arange(10)
print('arr1 = ', arr1)
print('arr2 = ', arr2)
print('arr3 = ', arr3)
print('arr4 = ', arr4)

4.4 等差数列数组

​ Numpy中的**linspace函数**是用来创建一个一维数组，该数组是由一个等差数列构成的。具体语法结构如下所述：

nmupy.linspace(start, stop, num = , endpoint = True, retstep = Fasle, dytpe = None)

​ 具体参数说明如下：

参 数	描 述
start	序列的起始值
stop	序列的终止值，如果endpoint是True，该值将会包含在数列中
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，则不包括。默认为True
retstep	如果是True，生成的数组中会显示间距，反之不会显示
dtype	ndarray的数据类型

​ 实例说明：

import numpy as np
a = np.linspace(0, 5, 6)
b = np.linspace(0, 5, 6, endpoint = False)
print("a = ", a)
print("b = ", b)

4.5 等比数列数组

​ Numpy中的**logspace函数**可以用来创建一个等比数列，语法格式如下：

nmupy.logspace(start, stop, num = , endpoint = True, base = , dtype = None)

​ 参数具体说明如下：

参 数	描 述
start	序列的起始值基于base**start
stop	序列的终止值j基于base**stop，如果endpoint是True，该值将会包含在数列中
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，则不包括。默认为True
base	对数log的底数
dtype	ndarray的数据类型

​ 具体实例说明：

import numpy as np
a = np.logspace(1, 10, 10 ,base = 2)
print(a)

5 数据索引与切片

​ ndarray对象可以通过索引过着切片进行访问和修改，Numpy切片语法和Python列表切片的方法相同。下面我我将为大家介绍数组的索引与切片。

5.1 索引

​ 我们将会了解如何通过索引和切片来选择元素，以此来获得其中的值。数组的索引总是使用“[]”来索引数组的元素，以便这些元素可以被单独引用，用于不同的用途，下面我们将通过案例来说明如何进行索引操作。

import numpy as np
a = np.random.randn(6)
print("a = ", a)
print("a[2] = ", a[2])
print("a[-1] = ", a[-1])

​ 依据上面的例子，我们可以看到，在一维数组中，我们可以通过中括号指定索引第i个值（从0开始计数）。我们的例子中a[2]，输出的是第三个数。

​ 当然，我们也可以从后向前索引，最后一个元素的索引是-1，像例子中a[-1]，输出的就是最后一个数。

print("a[[1,4]] = ", a[[1,4]])

​ 如果我们需要选择多各项，可以在方括号中传递索引数组，就比如我们需要第2个和第5个数字，我们就可以使用a[[1, 4]]，来达到获取数组中的两个数据。

​ 当然，我们还可以定义一个二维数组，二维数组被表示成由行和列组成的矩形数组，由两个轴来定义，其中轴0表示行，轴1表示列。我们要是想通过索引来表示一个值，那么我们需要输入这个数字的行、列索引，行索引在前，列索引在后。具体方法是：数组名[行索引，列索引]。

​ 具体实例如下：

import numpy as np
b = np.random.randn(4, 4)
print("b = ", b)
print("b[3, 3] = ", b[3, 3])

5.2 切片

​ 切片在Python中的应用十分重要。切片的定义是在一个数组中，我们通过提取其中的一部分元素来形成一个新的数组。当使用Python列表对数组进行切片时，我们的得到数组是一个副本。为了获取某个数组的一个切片，我们通过以下方式：

arrays_name[start:stop:step]

​ 上述方法表示，从索引start开始到索引stop（不包含），之间的步长是step。默认情况下，会分别设置为：start = 0、stop = 维度的大小和step = 1。

​ 下面我们通过实例说明：

import numpy as np
a = np.arange(10)
print('a = ', a)
print('a[0:5] =', a[0: 5])
print('a[1:7:2]', a[1:7:2])

​ 对于二维数组，切片也同样适用，不同的是，行和列需要分别定义。示例如下：

import numpy as np
a = np.random.randn(24).reshape(6, 4)
print('a = ')
print(a)
print('获取数组a的第三行数据：')
print(a[2, :])
print('获取数组a的第一列数据：')
print(a[:, 0])

​ 对于二维数组还有很多有趣的操作，感兴趣的话，可以自己动手自我尝试一下。