数据挖掘技术-创建数组对象

创建一维数组与多维数组并查看数组属性。如代码 41所示。

代码 41 创建并查看数组属性

In[1]:	import numpy as np          #导入NumPy库 arr1 = np.array([1, 2, 3, 4])  #创建一维数组 print('创建的数组为：',arr1)
Out[1]:	创建的数组为： [1 2 3 4]
In[2]:	arr2 = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])    #创建二维数组 print('创建的数组为：\n',arr2)
Out[2]:	创建的数组为：  [[ 1  2  3  4]  [ 4  5  6  7]  [ 7  8  9 10]]
In[3]:	print('数组维度为：',arr2.shape)  #查看数组结构
Out[3]:	数组维度为： (3, 4)
In[4]:	print('数组维度为：',arr2.dtype)  #查看数组类型
Out[4]:	数组维度为： int64
In[5]:	print('数组元素个数为：',arr2.size)  #查看数组元素个数
Out[5]:	数组元素个数为： 12
In[6]:	print('数组每个元素大小为：',arr2.itemsize)  #查看数组每个元素大小
Out[6]:	数组每个元素大小为： 8

数组arr1只有一个元素，因此它是一维数组。而数组arr2有三行四列元素，因此它是二维数组，其中第0轴的长度为3（即行数），第1轴的长度为4（即列数）。还可以通过修改数组的shape属性，在保持数组元素个数不变的情况下，改变数组每个轴的长度。代码 42将数组arr2的shape改为(4,3)，注意从(3,4)改为(4,3)并不是对数组进行转置，而只是改变每个轴的大小，数组元素的顺序并没有改变。

代码 42重新设置数组shape

In[7]:	arr2.shape = 4,3                   #重新设置shape维度 print('重新设置shape维度后的arr2为：',arr2)
Out[7]:	重新设置shape维度后的arr2为： [[ 1  2  3]  [ 4  4  5]  [ 6  7  7]  [ 8  9 10]]

arange函数类似于Python基础自带函数range，通过指定开始值，终值和步长来创建一维数组，创建的数组是不含终值的，如代码 43所示。

代码 43使用arange函数创建数组

In[9]:	print('使用arange函数创建的数组为：',np.arange(0,1,0.1))  #创建一维数组
Out[9]:	使用arange函数创建的数组为： [ 0.   0.1  0.2  0.3  0.4  0.5  0.6  0.7  0.8  0.9]

linspace函数通过指定开始值，终值和元素个数来创建一维数组，默认设置是包括终值，这一点需要和arange函数区分，如代码 44所示。

代码 44使用linspace函数创建数组

In[10]:	print('使用linspace函数创建的数组为：',np.linspace(0, 1, 12))
Out[10]:	使用linspace函数创建的数组为： [0.         0.09090909 0.18181818 0.27272727 0.36363636 0.45454545  0.54545455 0.63636364 0.72727273 0.81818182 0.90909091 1.        ]

logspace函数和linspace函数类似，其创建的是等比数列。生成1（）到100（），有20个元素的等比数列，如代码 45所示。

代码 45 使用logspace函数创建等比数组

In[11]:	print('使用logspace函数创建的数组为：',np.logspace(0, 2, 20))
Out[11]:	使用logspace函数创建的数组为： [  1.           1.27427499   1.62377674   2.06913808   2.6366509    3.35981829   4.2813324    5.45559478   6.95192796   8.8586679   11.28837892  14.38449888  18.32980711  23.35721469  29.76351442   37.92690191  48.32930239  61.58482111  78.47599704 100.        ]

NumPy还提供了其他函数创建特殊数组，如zeros，eye，diag和ones等。

其中zeros函数，用来创建值全部为0的数组，即创建的数组值全部填充为0，如代码 46所示。

代码 46 使用zeros函数创建数组

In[12]:	print('使用zeros函数创建的数组为：',np.zeros((2,3)))
Out[12]:	使用zeros函数创建的数组为： [[ 0.  0.  0.]  [ 0.  0.  0.]]

eye函数，用来生成类似单位数组，在主对角线上的元素为1，其他的元素为0，如代码 47所示。

代码 47 使用eye函数创建数组

In[13]:	print('使用eye函数创建的数组为：',np.eye(3))
Out[13]:	使用eye函数创建的数组为： [[ 1.  0.  0.]  [ 0.  1.  0.]  [ 0.  0.  1.]]

diag函数，创建类似对角的数组。即除对角线以外其他元素都为0。对角线上的元素可以是0或其他值，如代码 48所示。

代码 48 使用diag函数创建数组

In[14]:	print('使用diag函数创建的数组为：',np.diag([1,2,3,4]))
Out[14]:	使用diag函数创建的数组为： [[1 0 0 0]  [0 2 0 0]  [0 0 3 0]  [0 0 0 4]]

ones函数，用来创建元素全部为1的数组，即创建的数组元素全部填充为1，如代码 49所示。

代码 49 使用ones函数创建数组

In[15]:	print('使用ones函数创建的数组为：',np.ones((5,3)))
Out[15]:	使用ones函数创建的数组为： [[ 1.  1.  1.]  [ 1.  1.  1.]  [ 1.  1.  1.]  [ 1.  1.  1.]  [ 1.  1.  1.]]

对于NumPy数组中的数据类型，每一个数据类型均有对应的转换函数，如代码 410所示。

代码 410 数组数据类型转换

In[16]:	print('转换结果为：',np.float64(42))  #整型转换为浮点型
Out[16]:	转换结果为： 42.0
In[17]:	print('转换结果为：',np.int8(42.0))  #浮点型转换为整型
Out[17]:	转换结果为： 42
In[18]:	print('转换结果为：',np.bool(42))  #整型转换为布尔型
Out[18]:	转换结果为： True
In[19]:	print('转换结果为：',np.bool(0))  #整型转换为布尔型
Out[19]:	转换结果为： False
In[20]:	print('转换结果为：',np.float(True))  #布尔型转换为浮点型
Out[20]:	转换结果为： 1.0
In[21]:	print('转换结果为：',np.float(False))  #布尔型转换为浮点型
Out[21]:	转换结果为： 0.0

为了更好地帮助读者理解数据结构，下面将创建一个存储餐饮企业库存信息的数据类型。其中，用一个长度为40个字符的字符串来记录商品的名称，用一个64位的整数来记录商品的库存数量，最后用一个64位的单精度浮点数来记录商品的价格，具体步骤如下。

1. 创建数据类型，如代码 411所示。

代码 411 创建数据类型

In[22]:	df = np.dtype([("name", np.str_, 40), ("numitems", np.int64), ("price",np.float64)]) print('数据类型为：',df)
Out[22]:	数据类型为： [('name', '<U40'), ('numitems', '<i8'), ('price', '<f8')]

1. 查看数据类型，可以直接查看或者使用numpy.dtype函数查看，如代码 412所示。

代码 412 查看数据类型

In[23]:	print('数据类型为：',df["name"])
Out[23]:	数据类型为：<U40
In[24]:	print('数据类型为：',np.dtype(df["name"]))
Out[24]:	数据类型为：<U40

在使用array函数创建数组时，数组的数据类型默认是浮点型。自定义数组数据，则可以预先指定数据类型，如代码 413所示。

代码 413 自定义数组数据

In[25]:	itemz = np.array([("tomatoes", 42, 4.14), ("cabbages", 13, 1.72)], dtype=df) print('自定义数据为：',itemz)
Out[25]:	自定义数据为： [('tomatoes', 42,  4.14) ('cabbages', 13,  1.72)]