Numpy数组创建

最新推荐文章于 2024-04-29 14:21:24 发布
最新推荐文章于 2024-04-29 14:21:24 发布
阅读量680 收藏
点赞数
分类专栏： 机器学习 文章标签： python numpy 机器学习
原文链接：https://github.com/datawhalechina/team-learning-program/blob/master/IntroductionToNumpy/task01%20%E6%95%B0%E6%8D%AE%E7%B1%BB%E5%9E%8B%E5%8F%8A%E6%95%B0%E7%BB%84%E5%88%9B%E5%BB%BA/04.%20%E6%95%B0%E7%BB%84%E7%9A%84%E5%88%9B%E5%BB%BA.ipynb
版权

numpy数组创建

numpy 提供的最重要的数据结构是ndarray，它是 python 中list的扩展。

创建

  1. array
    array(p_object, dtype=None, copy=True, order=‘K’, subok=False, ndmin=0)

    # 创建一维数组
    a = np.array([0, 1, 2, 3, 4])
    b = np.array((0, 1, 2, 3, 4))
    print(a, type(a))
    # [0 1 2 3 4] <class ‘numpy.ndarray’>
    print(b, type(b))
    # [0 1 2 3 4] <class ‘numpy.ndarray’>

    # 创建二维数组
    c = np.array([[11, 12],
    [21, 22]])
    print(c, type(c))
    # [[11 12]
    # [21 22]] <class ‘numpy.ndarray’>

  2. asarray()

    def asarray(a, dtype=None, order=None):
	return array(a, dtype, copy=False, order=order)
  • 由定义可以看出区别：array()和asarray()主要区别就是当数据源是ndarray 时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时 asarray()不会。（注：更改为较大的dtype时，其大小必须是array的最后一个axis的总大小（以字节为单位）的除数 ）

    x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])
    print(x, x.dtype)
    # [[1 1 1]
    # [1 1 1]
    # [1 1 1]] int32
    x.dtype = np.float

    # ValueError: When changing to a larger dtype, its size must be a divisor of the total size in bytes of the last axis of the array.

  1. fromfunction()
    fromfunction(function, shape, **kwargs)
    给函数绘图的时候可能会用到fromfunction()，该函数可从函数中创建数组

    def f(x, y):
    return 10 * x + y

    x = np.fromfunction(f, (5, 4), dtype=int)
    print(x)
    # [[ 0 1 2 3]
    # [10 11 12 13]
    # [20 21 22 23]
    # [30 31 32 33]
    # [40 41 42 43]]

    x = np.fromfunction(lambda i, j: i == j, (3, 3), dtype=int)
    print(x)
    # [[ True False False]
    # [False True False]
    # [False False True]]

    x = np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int)
    print(x)
    # [[0 1 2]
    # [1 2 3]
    # [2 3 4]]

  2. 零数组
    zeros()函数：返回给定形状和类型的零数组。
    zeros_like()函数：返回与给定数组形状和类型相同的零数组。

    def zeros(shape, dtype=None, order='C'):
def zeros_like(a, dtype=None, order='K', subok=True, shape=None):

    示例：

    x = np.zeros(5)
    print(x) # [0. 0. 0. 0. 0.]

    x = np.array([[1, 2, 3], [4, 5, 6]])
    y = np.zeros_like(x)
    print(y)
    # [[0 0 0]
    # [0 0 0]]

  3. 1数组
    ones()函数：返回给定形状和类型的1数组。
    ones_like()函数：返回与给定数组形状和类型相同的1数组
    用法与zeros()、zeros_like()相同

    def ones(shape, dtype=None, order='C'):
def ones_like(a, dtype=None, order='K', subok=True, shape=None):

  4. 空数组
    empty()函数：返回一个空数组，数组元素为随机数。
    empty_like函数：返回与给定数组具有相同形状和类型的新数组
    用法与zeros()、zeros_like()相同

    def empty(shape, dtype=None, order='C'): 
def empty_like(prototype, dtype=None, order='K', subok=True, shape=None):

  5. 单位数组
    eye()函数：返回一个对角线上为1，其它地方为零的单位数组。
    identity()函数：返回一个方的单位数组。

    def eye(N, M=None, k=0, dtype=float, order='C'):
def identity(n, dtype=None):

    示例：

    x = np.eye(4)
    print(x)
    # [[1. 0. 0. 0.]
    # [0. 1. 0. 0.]
    # [0. 0. 1. 0.]
    # [0. 0. 0. 1.]]

    x = np.eye(2, 3)
    print(x)
    # [[1. 0. 0.]
    # [0. 1. 0.]]

    x = np.identity(4)
    print(x)
    # [[1. 0. 0. 0.]
    # [0. 1. 0. 0.]
    # [0. 0. 1. 0.]
    # [0. 0. 0. 1.]]

  6. 对角数组
    diag()函数：提取对角线或构造对角数组。

    def diag(v, k=0):

    示例

    x = np.arange(9).reshape((3, 3))
    print(x)# [[0 1 2]# [3 4 5]# [6 7 8]]
    print(np.diag(x)) # [0 4 8]
    print(np.diag(x, k=1)) # [1 5]
    print(np.diag(x, k=-1)) # [3 7]

    v = [1, 3, 5, 7]
    x = np.diag(v)
    print(x)
    # [[1 0 0 0]
    # [0 3 0 0]
    # [0 0 5 0]
    # [0 0 0 7]]

  7. 常数数组
    full()函数：返回一个常数数组。
    full_like()函数：返回与给定数组具有相同形状和类型的常数数组。

    def full(shape, fill_value, dtype=None, order='C'):
def full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None):

    示例

    x = np.full((2,), 7)
    print(x)
    # [7 7]

    x = np.array([[1, 2, 3], [4, 5, 6]])
    y = np.full_like(x, 7)
    print(y)
    # [[7 7 7]
    # [7 7 7]]

  8. 利用数值范围来创建ndarray
    arange()函数：返回给定间隔内的均匀间隔的值。
    linspace()函数：返回指定间隔内的等间隔数字。
    logspace()函数：返回数以对数刻度均匀分布。
    numpy.random.rand() 返回一个由[0,1)内的随机数组成的数组。

    def arange([start,] stop[, step,], dtype=None): 
def linspace(start, stop, num=50, endpoint=True, retstep=False, 
             dtype=None, axis=0):
def logspace(start, stop, num=50, endpoint=True, base=10.0, 
             dtype=None, axis=0):
def rand(d0, d1, ..., dn):

    示例：

    x = np.arange(5)
    print(x) # [0 1 2 3 4]

    x = np.arange(3, 7, 2)
    print(x) # [3 5]

    x = np.linspace(start=0, stop=2, num=9)
    print(x)
    # [0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ]

    x = np.logspace(0, 1, 5)
    print(np.around(x, 2))
    # [ 1. 1.78 3.16 5.62 10. ]
    #np.around 返回四舍五入后的值，可指定精度。
    # around(a, decimals=0, out=None)
    # a 输入数组
    # decimals 要舍入的小数位数。 默认值为0。 如果为负，整数将四舍五入到小数点左侧的位置


    x = np.linspace(start=0, stop=1, num=5)
    x = [10 ** i for i in x]
    print(np.around(x, 2))
    # [ 1. 1.78 3.16 5.62 10. ]

    x = np.random.random(5)
    print(x)
    # [0.41768753 0.16315577 0.80167915 0.99690199 0.11812291]

    x = np.random.random([2, 3])
    print(x)
    # [[0.41151858 0.93785153 0.57031309]
    # [0.13482333 0.20583516 0.45429181]]

  9. 结构数组的创建
    结构数组，首先需要定义结构，然后利用np.array()来创建数组，其参数dtype为定义的结构。

    1. 利用字典来定义结构
      示例：

      personType = np.dtype({
      ‘names’: [‘name’, ‘age’, ‘weight’],
      ‘formats’: [‘U30’, ‘i8’, ‘f8’]})

      a = np.array([(‘Liming’, 24, 63.9), (‘Mike’, 15, 67.), (‘Jan’, 34, 45.8)],
      dtype=personType)
      print(a, type(a))
      # [(‘Liming’, 24, 63.9) (‘Mike’, 15, 67. ) (‘Jan’, 34, 45.8)]
      # <class ‘numpy.ndarray’>

    2. 利用包含多个元组的列表来定义结构
      示例：

      personType = np.dtype([(‘name’, ‘U30’), (‘age’, ‘i8’), (‘weight’, ‘f8’)])
      a = np.array([(‘Liming’, 24, 63.9), (‘Mike’, 15, 67.), (‘Jan’, 34, 45.8)],
      dtype=personType)
      print(a, type(a))
      # [(‘Liming’, 24, 63.9) (‘Mike’, 15, 67. ) (‘Jan’, 34, 45.8)]
      # <class ‘numpy.ndarray’>

      # 结构数组的取值方式和一般数组差不多，可以通过下标取得元素：
      print(a[0])
      # (‘Liming’, 24, 63.9)

      print(a[-2:])
      # [(‘Mike’, 15, 67. ) (‘Jan’, 34, 45.8)]

      # 我们可以使用字段名作为下标获取对应的值
      print(a[‘name’])
      # [‘Liming’ ‘Mike’ ‘Jan’]
      print(a[‘age’])
      # [24 15 34]
      print(a[‘weight’])
      # [63.9 67. 45.8]

属性

在使用 numpy 时，你会想知道数组的某些信息。很幸运，在这个包里边包含了很多便捷的方法，可以给你想要的信息。

numpy.ndarray.ndim用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。
numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。
numpy.ndarray.size数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。
numpy.ndarray.dtype ndarray 对象的元素类型。
numpy.ndarray.itemsize以字节的形式返回数组中每一个元素的大小。

```
class ndarray(object):
    shape = property(lambda self: object(), lambda self, v: None, lambda self: None)
    dtype = property(lambda self: object(), lambda self, v: None, lambda self: None)
    size = property(lambda self: object(), lambda self, v: None, lambda self: None)
    ndim = property(lambda self: object(), lambda self, v: None, lambda self: None)
    itemsize = property(lambda self: object(), lambda self, v: None, lambda self: None)
```

示例：

a = np.array([1, 2, 3, 4, 5])
print(a.shape) # (5,)
print(a.dtype) # int32
print(a.size) # 5
print(a.ndim) # 1
print(a.itemsize) # 4

b = np.array([[1, 2, 3], [4, 5, 6.0]])
print(b.shape) # (2, 3)
print(b.dtype) # float64
print(b.size) # 6
print(b.ndim) # 2
print(b.itemsize) # 8

在ndarray中所有元素必须是同一类型，否则会自动向下转换，int->float->str
示例：

a = np.array([1, 2, 3, 4, 5])
print(a) # [1 2 3 4 5]
b = np.array([1, 2, 3, 4, ‘5’])
print(b) # [‘1’ ‘2’ ‘3’ ‘4’ ‘5’]
c = np.array([1, 2, 3, 4, 5.0])
print© # [1. 2. 3. 4. 5.]

八音幻梦
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
对timedelta64的理解
gulie8的博客
08-05 2712
NumPy 允许对两个 Datetime 值进行相减，该操作会产生一个带有时间单位的数字。由于 NumPy 在其核心中没有物理量系统，因此创建了timedelta64数据类型来补充 datetime64。timedelta64 的参数是一个数字，表示单位数和日期/时间单位，例如 (D)ay、(M)onth、(Y)ear、(h)ours、(m)inutes 或(s) 秒。timedelta64 数据类型还接受字符串“NAT”代替“Not A Time”值的数字。 例子： Datetimes 和 .
python 时间间隔 timedelta64[ns] 转化成整数格式
XH生信和机器学习空间
11-12 1万+
首先把时间格式的naT转换成0 days 查询数据类型 查询数据框data_onset中onset_days 列第13～16行 数据: >>> data_onset.onset_days[13:16] 13 13 days 14 NaT 15 NaT Name: onset_days, dtype: timedelta64[ns] Name: onset_days, dtype: timedelta64[ns] 格式为timedelta64[ns] 首先将缺失
【Numpy】np创建数组的常用方法
最新发布
qq_61144763的博客
04-29 591
Numpy创建数组的常用方法
NumPy库入门1——ndarray创建数组
吃瓜小白鼠的博客
05-22 1620
[外链图片转存中…(img-Tk5S60Au-1590072886116)]
python numpy的ndarray及其创建（特定数组，等差数组，随机数组）
糯米君的博客
03-29 1128
numpy的ndarray及其创建（创建特定数组，等差数组，随机数组）
numpy（一）：numpy的创建数组+基本属性+numpy随机数组+数组的访问+数组的变换
不愿意透露姓名的网友
11-15 2508
文章目录一、了解nump二、numpy的基本属性（shape,ndim,size,dtype,itemsize,data）①一维数组的举例②多维数组的举例③特别注意：numpy中的一维数组的shape理解三、numpy中数组的多种创建方法1.array（）：2.arange（），左闭右开3.linspace(),左闭右闭4.logspace()，等比数列5.zeros()和ones()，占位数组6...
python将txt等文件中的数据读为numpy数组的方法
09-19
为了将这些行转换为numpy数组，我们首先创建一个空列表`lists = []`，然后遍历每一行。假设每行数据由`\t`分隔，且我们只关心每行的前两项，可以使用`split()`函数，如下所示： ```python val_list = file.readlines...
numpy数组示例——1、数组的创建
12-22
import numpy as np #numpy.array(object,dtype=None) a1=np.array([1,3,2,5,4],dtype=int)#一维 a2=np.array([[1,2,3,4,5,6],[3,5,7,9,11,13],[2,3,4,5,6,7]],dtype=int)#二维 a3=np.array([[[1,2,3],[2,3,4],[1,3,...
物流大数据分析 实验3 NumPy数组创建及操作(完整版） (1).ipynb
09-22
物流大数据分析 实验3 NumPy数组创建及操作(完整版） (1).ipynb
Python数据分析应用：创建numpy数组.pptx
02-04
理解这些基本的数组创建方法是进行高效数据分析的基础。通过熟练掌握NumPy数组的创建和操作，你将能够更有效地处理和分析大量数据。在实际的数据科学项目中，这些技能将助你实现复杂的数据处理和建模任务。
Numpy数组操作
12-21
在本文中，我们将深入探讨Numpy数组的操作，包括创建、属性、索引和切片等方面。 首先，Numpy数组的创建可以通过多种方法实现： 1. `numpy.array`：这是最基础的创建数组的方法，可以接受列表、元组或其他序列作为...
第十三章 如何创建二维矩阵
weixin_45160649的博客
06-10 1885
文章目录示例1 创建了一个8*9的乘法表：练习1. 创建一个长字符串，并在程序末尾打印它，而不是大量调用print2. 创建一个每维的长度都为2的四维矩阵，将每个元素都设置为： i * j * k * m ,这些值都为元素在各维的索引上加1（模拟索引从1开始的情形）示例2 让用户初始化矩阵练习1 在这个程序的开头，让用户指定行数和列数：实例3 如何旋转矩阵实现代码改进改进print_mat()...
numpy 学习中的注意事项
weixin_43328816的博客
09-11 2210
1.python中的range()与numpy中的arange():都是生成一个数组 python 中的range()：返回的是一个list， 函数说明： range(start, stop[, step]) -> range object，根据start与stop指定的范围以及step设定的步长，生成一个序列。 参数含义：start:计数从start开始。默认是从0开始。例如range（5）等价于range（0， 5）; end:技术到end结束，但不包括end.例如...
Python-数组
LancerRose的博客
12-14 533
1. Python中的数组形式 用list和tuple等数据结构表示数组一维数组 list=[1,2,3,4] 二维数组 list = [[1,2,3],[4,5,6],[7,8,9]] array模块通过安装array模块，利用array函数创建数组。array.array(“B”,range(5)) 提供append,insert和read等方法 2.ndarrayndarray是N维数组 Nu
Python之numpy数组篇（上）
申小兮和林小兮的博客宝
10-21 3080
Python之numpy数组及其运算，创建数组，测试数组元素接近度，修改数组元素值，数组与标量、数组的运算
Java12主要更新介绍
topdeveloperr的博客
10-24 3841
Table of Contents java12 支持Unicode11 在Linux系统上提供POSIX_SPAWN选项 JVM 常量API 支持压缩数格式 日语中新的一个方形字符支持 在备用存储设备上分配java的堆中的老年代 ZGC: 并发的类卸载 新的命令行Flag-XX:+ExtensiveErrorReports java.security.manager添加了新...
python- numpy数据类型
贵有恒何必三更眠五更起 最无益只怕一日曝十日寒
10-01 850
numpy 支持的数据类型比Python内置的类型要多很多，基本上可与C语言的数据类型对应上，其中部分类型对应为Python内置的类型。numpy的数值类型实际上是dtype对象的实例，并对应唯一的字符，包括np.bool_, np.int32,np.float32等。在结构化类型的情况下 字段的名称 每个字段的数据类型 和每个字段所取的内存块的部分。数据的类型 整数，浮点数或者python对象。数据的大小 例如整数 使用多少个字节存储。如果数据类型是子数组 它的形状和数据类型。
oratop的使用简介
姚远OracleACE的博客
05-13 1688
文章目录简介运行选项 简介 oratop是采用类似top命令的方式实时监控oracle数据库，包括rac和non-rac数据库。它不需要安装在被监控的数据库服务器上，只要有oracle的客户端就行了，可以采用类似sqlplus的方式连接被监控的数据库。 运行 显示帮助信息 $ ./oratop.RDBMS_11.2_LINUX.X64 -h oratop: Release 14.1.2 Usage...
Python获取int最大值和float最大值
热门推荐
米兰小子SHC
01-07 7万+
计算机所能表示的最大值，根据你的计算机的位数决定。有机计算机是64位，有的是32位，因此具体情况各不相同。本人的电脑是64位的。 1.获得int型的最大值 import sys MAX_INT=sys.maxsize print(MAX_INT) 2.获得float型的最大值 ##灰常简单 max_float=float('inf') 是的，你没有看错。最大的浮点数就是这个’inf’ ，...
从numpy数组创建dataframe
06-28
可以使用pandas库中的DataFrame函数从numpy数组创建DataFrame。具体步骤如下： 1. 导入pandas库和numpy库 ```python import pandas as pd import numpy as np ``` 2. 创建numpy数组 ```python arr = np.array([...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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