Python 多维数组详解（numpy）

最新推荐文章于 2024-09-26 11:24:36 发布
最新推荐文章于 2024-09-26 11:24:36 发布
阅读量4.7k 收藏 55
点赞数 27
分类专栏： Python 文章标签： numpy python 开发语言
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/qq_34745941/article/details/135006115
版权

文章目录

1 概述

1.1 numpy 简介

  • numpy：Numerical Python（数值表示的 Python），支持大量的维度数组与矩阵运算，此外也提供了大量的数学函数库。
  • 底层算法：使用了 C 语言，所以运算速度快。

安装 numpy：（第三方库）

pip install numpy

示例：

import numpy as np

a = np.array([1, 2, 3])
print(a)  # [1 2 3]

# 返回值类型 ndarray
print(type(a))  # <class 'numpy.ndarray'>

1.2 ndarray 简介

ndarray 主要有以下特点

  • 元素索引：元素下标从 0 开始。
  • 元素类型：元素类型完全相同。（若元素类型不同，按优先级 str > float > int 自动转换）
  • 内存空间：元素所占内存空间一样大。
import numpy as np

# 示例：一维数组
a = np.array([1, 2, 3])

# 元素索引：从 0 开始
print(f'下标为 0 的元素：{a[0]}')  # 1
print(f'下标为 1 的元素：{a[1]}')  # 2
print(f'下标为 2 的元素：{a[2]}')  # 3

# 元素类型：完全一样
print(f'下标为 0 的元素类型：{a[0].dtype}')  # int32
print(f'下标为 1 的元素类型：{a[1].dtype}')  # int32
print(f'下标为 2 的元素类型：{a[2].dtype}')  # int32

# 元素内存空间：完全一样
print(f'下标为 0 的元素内存空间：{a[0].itemsize}')  # 4
print(f'下标为 1 的元素内存空间：{a[1].itemsize}')  # 4
print(f'下标为 2 的元素内存空间：{a[2].itemsize}')  # 4

元素类型转换示例：

import numpy as np

# 示例：一维数组
# 1 和 2 是 int， 3.5 是 float
a = np.array([1, 2, 3.5])

print(a)  # [1.  2.  3.5]
print(f'下标为 0 的元素类型：{a[0].dtype}')  # float64
print(f'下标为 1 的元素类型：{a[1].dtype}')  # float64
print(f'下标为 2 的元素类型：{a[2].dtype}')  # float64

2 数组操作

2.1 创建数组：array()

语法格式：

numpy.array(object,  # 数组的输入数据。可以是列表、元组、数组等
            dtype=None,  # 生成数组的数据类型
            copy=True,  # 是否复制
            order=None,  # 是否排序（内存，C：按行方向，F：按列方向，A：任意方向，k：默认数据输入时方向）
            subok=False,  # 是否返回子类数组
            ndmin=0  # 生成数组的维度
            )

#  重点关注：dtype、ndmin
#  copy、order、subok 了解即可，与内存存储相关，一般不使用

import numpy as np

# 创建一维数组
a = np.array([1, 2, 3])
print(a)

# 创建二维数组
b = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])
print(b)

# 创建结构化数据的数组
student = np.dtype([('name', 'S10'), ('age', 'i1'), ('sex', 'f4')])
c = np.array([('张三', 21, '女'), ('李四', 18, '男')])
print(c)
# [['张三' '21' '女']
#  ['李四' '18' '男']]


# 其它内置创建数组的函数，此处仅举例部分
# 示例：创建给定数组范围的数组：arange()
d = np.arange(start=1,  # 起点（默认 0）
              stop=5,  # 终点（不包含）
              step=1,  # 步长（默认 1）
              dtype=np.int_  # 返回数据的类类型（自动判断）
              )
print(d)  # [1 2 3 4]

2.2 裁切数组：切片

  • 同字符串的 切片
  • [start: end: step]
    • start：起点索引，包含
    • end：终点索引，不包含，默认所有
    • step：步长，默认 1
import numpy as np

# 示例1：一维数组
a = np.array([1, 2, 3, 4, 5])

# 裁切 索引1 到 索引4 的元素，步长为 1
print(a[1:4:1])  # [2 3 4]
# 裁切 索引1 到 结尾的元素，步长为 2
print(a[1::2])  # [2 4]

# 示例2：二维数组
b = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

# 裁切 横索引1、纵索引1:3 的元素
print(b[1, 1:3])  # [5 6]

2.3 拼接数组：concatenate()

import numpy as np

# 示例1：连接一维数组
a1 = np.array([1, 2, 3])
a2 = np.array([4, 5, 6])
a = np.concatenate((a1, a2))
print(a)  # [1 2 3 4 5 6]

# 示例2：沿着对称轴（axis=1）连接二维数组
b1 = np.array([[1, 2],
               [3, 4]])
b2 = np.array([[5, 6],
               [7, 8]])
print(np.concatenate((b1, b2), axis=1))
# [[1 2 5 6]
#  [3 4 7 8]]

2.4 拆分数组：array_split()

import numpy as np

# 示例1：一维数组
a = np.array([1, 2, 3, 4, 5, 6])
new_a = np.array_split(a, 3)
print(new_a)
# [array([1, 2]), array([3, 4]), array([5, 6])]

# 示例2：二维数组
b = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])
new_b = np.array_split(b, 2)
print(new_b)
# [array([[1, 2, 3],
#        [4, 5, 6]]), array([[7, 8, 9]])]

print(np.array_split(b, 2, axis=1))  # 沿对称轴拆分
# [array([[1, 2],
#        [4, 5],
#        [7, 8]]), array([[3],
#        [6],
#        [9]])]

2.5 改变数组形状：reshape()

import numpy as np

a = np.arange(12)

print(a)
# [ 0  1  2  3  4  5  6  7  8  9 10 11]

# 示例：由原 一维数组 变为 二维数组（3行4列）
b = a.reshape((3, 4))
print(b)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]

3 元素操作

3.1 获取元素：通过索引

import numpy as np

# 一维数组
a = np.array([1, 2, 3])
print(f'获取下标索引为 0 的元素：{a[0]}')  # 1
print(f'获取下标索引为 1 的元素：{a[1]}')  # 2
print(f'获取下标索引为 2 的元素：{a[2]}')  # 4

# 二维数组
b = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])
print(f'获取下标索引为 0,0 的元素：{b[0][0]}')  # 1。写法1
print(f'获取下标索引为 1,0 的元素：{b[1, 0]}')  # 4。写法2

在这里插入图片描述

3.2 获取元素：通过迭代器 nditer()

import numpy as np

# 示例1：一维数组
a = np.array([1, 2, 3, 4, 5, 6])

for x in np.nditer(a):
    print(x, end=", ")  # 1, 2, 3, 4, 5, 6, 

print()
# 示例2：二维数组
b = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

for x in np.nditer(b):
    print(x, end=", ")  # 1, 2, 3, 4, 5, 6, 7, 8, 9,

3.3 获取元素及索引：ndenumerate()

import numpy as np

# 示例1：一维数组
a = np.array([1, 2, 3, 4, 5, 6])

for idx, x in np.ndenumerate(a):
    print(idx, x, end=", ")
# (0,) 1, (1,) 2, (2,) 3, (3,) 4, (4,) 5, (5,) 6,

print()
# 示例2：二维数组
b = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

for idx, x in np.ndenumerate(b):
    print(idx, x, end=", ")
# (0, 0) 1, (0, 1) 2, (0, 2) 3, 
# (1, 0) 4, (1, 1) 5, (1, 2) 6, 
# (2, 0) 7, (2, 1) 8, (2, 2) 9,

3.4 搜索元素：where()

import numpy as np

a = np.array([0, 1, 2, 3, 3, 5])
x = np.where(a == 3)
print(f'出现元素 3 的索引：{x}')  # (array([3, 4], dtype=int32),)
print(f'元素值为偶数的索引；{np.where(a%2 == 0)}')  # (array([0, 2], dtype=int32),)

3.5 元素排序：sort()

import numpy as np

a = np.array([0, 1, 2, 4, 3, 5])
b = np.sort(a)  # b 是 a 的副本，不影响 a 的元素
print(b)  # [0 1 2 3 4 5]

3.6 元素过滤：过滤器

import numpy as np

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

# 过滤器：仅保留 >= 3 的元素
filter_a = a >= 3
new_a = a[filter_a]
print(new_a)  # [4 3 5]

3.7 行列互换：transponse()

import numpy as np

a = np.arange(12).reshape(3, 4)
print(a)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]

b = np.transpose(a)
print(b)
# [[ 0  4  8]
#  [ 1  5  9]
#  [ 2  6 10]
#  [ 3  7 11]]

# 利用属性，效果同上
c = a.T
print(c)

4 扩展

4.1 元素类型：dtype

类型字符代码描述
bool_b布尔型（True、False）
int_i整数（默认，类似 C 语言中的 long、int32 或 int64）
intc与 C 的 int 类型一样，一般是 int32 或 int64
intp用于索引的整数（类似 C 语言中的 ssize_t，一般是 int32 或 int64）
int8i1字节数（ − 2 7 -2^7 −27 to 2 7 − 1 2^7-1 27−1）
int16i2字节数（ − 2 15 -2^{15} −215 to 2 15 − 1 2^{15}-1 215−1）
int32i4字节数（ − 2 31 -2^{31} −231 to 2 31 − 1 2^{31}-1 231−1）
int64i8字节数（ − 2 63 -2^{63} −263 to 2 63 − 1 2^{63}-1 263−1）
uint8u1无符号整数（ 0 0 0 to 2 8 − 1 2^{8}-1 28−1）
uint16u2无符号整数（ 0 0 0 to 2 16 − 1 2^{16}-1 216−1）
uint32u4无符号整数（ 0 0 0 to 2 32 − 1 2^{32}-1 232−1）
uint64u8无符号整数（ 0 0 0 to 2 64 − 1 2^{64}-1 264−1）
float_float64 类型的简写
float16f2半精度浮点数。1个符号位，5个指数位，10个尾数位
float32f4单精度浮点数。1个符号位，8个指数位，23个尾数位
float64f8双精度浮点数。1个符号位，11个指数位，52个尾数位
complex_complex 128 类型的简写
complex64c8复数，表示双 32 位浮点数
complex128c16复数，表示双 64 位浮点数
string_S固定长度字符串，如：S10，长度为 10
objectOPython 对象类型

4.2 数组属性

import numpy as np

a = np.array([1, 2, 3])
print(a)  # [1 2 3]
print(f'维度数量 ndim={a.ndim}')
print(f'元素总数 size={a.size}')
print(f'元素形状 shape={a.shape}')  # 行 * 列 = 总数
print(f'元素类型 dtype={a.dtype}')
print(f'元素大小 itemsize={a.itemsize}')  # 单位：字节
print(f'内存标志 flags={a.flags}')
print(f'元素实部 real={a.real}')
print(f'元素虚部 imag={a.imag}')
print(f'元素缓冲 data={a.data}')
鱼丸丶粗面
关注
专栏目录
python中的矩阵、多维数组
灵思哑舍
01-08 789
2. 创建一般的多维数组 importnumpy as np a=np.array([1,2,3], dtype=int)# 创建1*3维数组 array([1,2,3]) type(a)# numpy.ndarray类型 a.shape# 维数信息(3L,) a.dtype.name# 'int32' a.size# 元素个数：3 a.ite...
NumPy简明教程（二、数组1）
热门推荐
sunny2038的专栏
05-31 31万+
NumPy数组（1、数组初探） NumPy数组 NumPy数组是一个多维数组对象，称为ndarray。其由两部分组成： 实际的数据描述这些数据的元数据 大部分操作仅针对于元数据，而不改变底层实际的数据。 关于NumPy数组有几点必需了解的： NumPy数组的下标从0开始。同一个NumPy数组中所有元素的类型必须是相同的。 NumPy数组属性 在详细介绍NumPy数组
【python数据结构】多维数组
Zincy星辰
11-04 5837
在程序设计语言中大都提供了数组作为构造数据类型，本章重点讨论数组以及特殊矩阵的存储与寻址。 目录 数组 数组的定义 数组的特点 数组的基本操作 数组的存储结构与寻址 一维数组 二维数组 按行优先存储的寻址 矩阵的压缩存储 特殊矩阵和稀疏矩阵 压缩存储的基本思想 对称矩阵 三角矩阵 下三角矩阵： 上三角矩阵： 对角矩阵 稀疏矩阵 转置操作： 十字链表 本章总结 数组 数组的定义 数组是由一组类型相同的数据元素构成的有序集合，每个数据元素称为一个数...
Python NumPy 基础操作：多维数据处理详解
最新发布
敲代码别忘了喝上一杯凉白开。
09-26 742
NumPy 是 Python 进行科学计算与数据处理的基础库，尤其在多维数组的创建、操作与分析方面极为强大。本教程将深入介绍 NumPy 如何创建一维、二维和三维数据，及其在数据添加、合并和维度形态观察中的应用。你将学习到如何利用 `np.array()` 创建数据，使用 `np.concatenate()` 合并不同维度的数据，以及如何使用 `np.vstack()` 和 `np.hstack()` 进行指定方向的合并操作。
python之多维数组（一）
sxau_zhangtao的博客
08-01 4万+
多维数组ndarray创建方式array()函数empty()函数zeros()函数ones()函数asarray()函数arange()函数linspace()函数logspace()函数random()函数ndarray对象属性shapendimitemsizesizedtype Numpy中定义的最终对象是称为ndarray的N维数组类型。它描述相同类型的元素集合。可以使用基于零的索引访问...
（27）python-多维数组
xdg15294969271的博客
10-25 2452
文章目录1、问题描述2、三维数组 1、问题描述 三维数组在python有时是要用到的，但是三个指标分别代表的含义经常会忘记，在这里记个笔记。 2、三维数组 import numpy as np a = np.ones((2,3,4)) print(a) """ [[[1. 1. 1. 1.] [1. 1. 1. 1.] [1. 1. 1. 1.]] [[1. 1. 1. 1.] [1. 1. 1. 1.] [1. 1. 1. 1.]]] """ 在这个三维数组中，有两个二维数组，
python中多维数组_python学习笔记-多维数组
weixin_39560029的博客
12-12 506
Python中初始化一个5 x 3每项为0的数组，最好方法是：multilist=[[0forcolinrange(5)]forrowinrange(3)]我们知道，为了初始化一个一维数组，我们可以这样做：alist=[0]*5没错，那我们初始化一个二维数组时，是否可以这样做呢：multi=[[0]*5]*3其实，这样做是不对的，因为[0] * 5是一个一维...
python多维数组索引_Numpy多维数组索引与切片详解
weixin_39739234的博客
11-29 1009
作者：Zarten简介： 互联网一线工作者，尊重原创并欢迎评论留言指出不足之处，也希望多些关注和点赞是给作者最好的鼓励 ！概述numpy中多维数组的索引与切片跟python中的列表类似，但最大的区别是，数组切片是原始数组的视图，也就是说对视图上的修改直接会影响到原始数组，因为numpy的主要是处理大数据，如果每次切片都进行一次复制，那对性能和内存是相当大的考验。索引及切片1.一维数组的索引及切片...
pythonnumpy初始化三维数组_Python numpy多维数组实现原理详解
weixin_39617484的博客
12-03 1004
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，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。今天就针对多维数组展开来写博客numpy其一部分功能如下：1.ndarray，是具有矢量算术运算且节省空间的多维数组。2.可以用于对整组的数据快速进行运算的辨准数学函数。3.能够用于读写磁盘数据的工具以及用于操作系统内存映射的工具。NumPy...
Python numpy多维数组实现原理详解
12-20
NumPy是Python编程语言中的一个核心库，专为科学计算设计，尤其在处理多维数组和矩阵时表现出高效性。它的主要数据结构是`ndarray`，全称为n-dimensional array，是一个可以存储同质数据的多维数组。下面将详细探讨`...
Python高级特性——详解多维数组切片(Slice)
09-18
在Python中，最常用的库NumPy提供了`ndarray`类型，它支持多维数组的创建和操作。在示例中，我们创建了一个三维数组`a`，通过`reshape(2,3,4)`方法将一维数组转换为2x3x4的结构，即2层、3行和4列的数据。 切片操作...
numpy之多维数组
TSzero的博客
03-30 4568
python的numpy库使用方法指南
【Python深度学习前传】用NumPy创建多维数组
2301_79099373的博客
04-12 1032
在这个程序中只涉及到numpy模块中的一个arange函数，该函数可以传入一个整数类型的参数n，函数返回值看着像一个列表，其实返回值类型是numpy.ndarray。这是NumPy中特有的数组类型。例如，arange(5) ** 2的结果是[ 0 1 4 9 16]，可以看到，对一个ndarray类型的数组使用次方运算，实际上是对每一个数组元素进行次方运算。例如，如果要生成一个二维数组，需要向array函数传一个列表类型的参数，每一个列表元素是一维的ndarray类型数组，作为二维数组的行。
Numpy - 多维数据数组
数据媛
06-18 2108
numpy包(模块)几乎总是用于Python中的数值计算。这个软件包为Python提供了高性能的向量、矩阵、张量数据类型。它是在C和Fortran中创建的，因此当计算被矢量化（用矩阵和矢量表示操作）时，性能很高。 1.模块的导入： %matplotlib inline import matplotlib.pyplot as plt from numpy import * 2.数组创建numpy 有几种初始化numpy数组的方法，例如：使用Python的list或tuple。使用旨...
Python: NumPy中的多维数组ndarray
10-15 9万+
Python中的数组
numpy多维数组
子小程
07-28 1541
（3,4）指的是三个一维数组，每个一维数组长度为4。即3行4列 （2,3,4）指的是包含两个二维数组，每个二维数组包含三个一位数组，每个一位数组长度为4.即2个2维数组，每个数组3行4列 (2,3,4,5) 表示两个三维数组,每个三维数组有3个二维数组,每个二维数组有4个一维数组,一维数组长度为5 ...
关于python数据可视化的学习（多维数组）
小镇做题家
02-29 524
numpy是python中科学计算的基础包，它是一个python库（开发程序的子程序集合），提供多维数组对象，各种派生数组对象，如掩码数组和矩阵以及用于数组快速操作的各种例程。（来源：php中文网）
python多维数组的创建
锅锅的博客
05-02 9668
一、介绍 在python里面已经没有了多维数组的概念，直接用的张量来表示多维数组，其实也就换了个名字 二、用法 1、一维数组 重复方法定义一维数组 numpy方法一维数组 二维数组 重复方法定义二维数组 numpy方法二维数组 三维数组 重复方法定义三维数组 numpy方法三维数组 ...
Python数据分析基础01: 多维数组矩阵 --- numpy
谢TS的博客
05-30 701
NumPy 是 Python 中科学计算的基础包。它是一个 Python 库，提供多维数组对象、各种派生对象（例如掩码数组和矩阵）以及用于对数组进行快速操作的各种函数，包括数学、逻辑、形状操作、排序、选择、I/O 、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等等。
python 多维数组
06-08
Python 中的多维数组可以使用嵌套列表（nested list）实现。嵌套列表就是将一个列表作为另一个列表的元素，从而实现多维数组的效果。 以下是一个二维数组的例子： ```python my_array = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] ``` 可以使用两个索引来访问二维数组中的元素： ```python print(my_array[0][0]) # 1 print(my_array[1][2]) # 6 ``` 可以使用嵌套的列表推导式来创建多维数组： ```python my_array = [[i*j for j in range(1, 4)] for i in range(1, 4)] # [[1, 2, 3], [2, 4, 6], [3, 6, 9]] ``` 可以使用 `numpy` 库来创建和处理多维数组，它提供了更方便的操作方式，可以进行各种矩阵运算。例如： ```python import numpy as np my_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(my_array[0][0]) # 1 print(my_array[1][2]) # 6 ``` 需要注意的是，`numpy` 库需要事先安装，可以使用 `pip install numpy` 命令进行安装。
评论 1
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

打赏作者

鱼丸丶粗面

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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