NumPy数组的基本用法

NumPy数组的基本用法

ndarray是一个通用的同构数据多维容器，也就是说，其中的所有元素必须是相同类型的。每个数组都有一个shape（一个表示各维度大小的元组）和一个dtype（一个用于说明数组数据类型的对象）

创建ndarray

创建数组最简单的办法就是使用array函数。它接受一切序列型的对象（包括其他数组），然后产生一个新的含有传入数据的NumPy数组

data1 = [6, 7.5, 8, 0, 1]
arr1 = np.array(data1)
arr1
# array([ 6. ,  7.5,  8. ,  0. ,  1. ])

嵌套序列（比如由一组等长列表组成的列表）将会被转换为一个多维数组：

data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]
arr2 = np.array(data2)
arr2
# array([[1, 2, 3, 4],
#      [5, 6, 7, 8]])

# 数组的维度
arr2.ndim
# 2
arr2.shape
# (2, 4)

除非特别说明，np.array会尝试为新建的这个数组推断出一个较为合适的数 据类型。数据类型保存在一个特殊的dtype对象中。比如说，在上面的两个例子中:

arr1.dtype
# dtype('float64')
arr2.dtype
# dtype('int64')

除np.array之外，还有一些函数也可以新建数组。比如，zeros和ones分别可以创建指定长度或形 状的全0或全1数组。empty可以创建一个没有任何具体值的数组。要用这些方法创建多维数组，只 需传入一个表示形状的元组即可:

np.zeros(10)
np.zeros((3, 6))
np.empty((2, 3, 2))

注意 empty并不是全返回0，有时候是一些未初始化的垃圾值

由于NumPy关注的是数值计算，因此，如果没有特别指定，数据类型基本都是float64（浮点数）

数组创建函数：

ndarray的数据类型

dtype（数据类型）是一个特殊的对象，它含有ndarray将一块内存解释为特定数据类型所需的信息:

arr1 = np.array([1, 2, 3], dtype=np.float64)
arr2 = np.array([1, 2, 3], dtype=np.int32)
arr1.dtype
arr2.dtype

NumPy的数据类型

可以通过ndarray的astype方法明确地将一个数组从一个dtype转换成另一个dtype:

arr = np.array([1, 2, 3, 4, 5])
arr.dtype
float_arr = arr.astype(np.float64)
float_arr.dtype

基本的索引和切片

NumPy数组的索引是一个内容丰富的主题，因为选取数据子集或单个元素的方式有很多。一维数 组很简单。从表面上看，它们跟Python列表的功能差不多:

arr = np.arange(10)
arr
arr[5]
arr[5:8]
arr[5:8] = 12
arr

值得注意的是，数组切片是原始数组的视图。这意味着数据不会被复制，视图上的任何修改都会直接反映到源数组上，也就是说任何对数据的直接切片，都不是重新创建一个新的数据

如果你想要得到的是ndarray切片的一份副本而非视图，就需要明确地进行复制操作 例如 arr[5:8].copy

对于多维数组，可以传入一个以逗号隔开的索引列表来选取单个元素:

arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 两种方法等价
arr2d[0][2]
arr2d[0, 2]

在多维数组中，如果省略了后面的索引，则返回对象会是一个维度低一点的ndarray（它含有高一级维度上的所有数据）因此，在2×2×3数组arr3d中:

arr3d = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
arr3d
#array([[[ 1,  2,  3],
#        [ 4,  5,  6]],
#
#       [[ 7,  8,  9],
#        [10, 11, 12]]])

arr3d[0]
# array([[1, 2, 3],
#       [4, 5, 6]])

arr3d[0]是一个2×3数组