NumPy简明教程

最新推荐文章于 2024-09-03 17:37:40 发布

weixin_30412577

最新推荐文章于 2024-09-03 17:37:40 发布

阅读量59

点赞数

文章标签： python c/c++

原文链接：http://www.cnblogs.com/lanye/p/5420203.html

版权

源地址：http://blog.csdn.net/sunny2038/article/details/9002531

http://blog.csdn.net/sunny2038/article/details/9023797

http://blog.csdn.net/sunny2038/article/details/8907736

NumPy数组（1、数组初探）

更新

目前我的工作是将NumPy引入到Pyston中（一款Dropbox实现的Python编译器/解释器）。在工作过程中，我深入接触了NumPy源码，了解其实现并提交了PR修复NumPy的bug。在与NumPy源码以及NumPy开发者打交道的过程中，我发现当今中文NumPy教程大部分都是翻译或参考英文文档，因此导致了许多疏漏。比如NumPy数组中的broadcast功能，几乎所有中文文档都翻译为“广播”。而NumPy的开发者之一，回复到“broadcast is a compound -- native English speakers can see that it's " broad" + "cast" = "cast (scatter, distribute) broadly, I guess "cast (scatter, distribute) broadly" probably is closer to the meaning（NumPy中的含义）"。有鉴于此，我打算启动一个项目，以我对NumPy使用以及源码层面的了解编写一个系列的教程。

地址随后会更新。CSDN的排版（列表）怎么显示不正常了。。。

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数组之前。先详细介绍下NumPy数组的基本属性。NumPy数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推。在NumPy中，每一个线性的数组称为是一个轴（axes），秩其实是描述轴的数量。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是NumPy中的轴（axes），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。

NumPy的数组中比较重要ndarray对象属性有：

ndarray.ndim：数组的维数（即数组轴的个数），等于秩。最常见的为二维数组（矩阵）。
ndarray.shape：数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中，表示数组的“行数”和“列数”。ndarray.shape返回一个元组，这个元组的长度就是维度的数目，即ndim属性。
ndarray.size：数组元素的总个数，等于shape属性中元组元素的乘积。
ndarray.dtype：表示数组中元素类型的对象，可使用标准的Python类型创建或指定dtype。另外也可使用前一篇文章中介绍的NumPy提供的数据类型。
ndarray.itemsize：数组中每个元素的字节大小。例如，一个元素类型为float64的数组itemsiz属性值为8(float64占用64个bits，每个字节长度为8，所以64/8，占用8个字节），又如，一个元素类型为complex32的数组item属性为4（32/8）。
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。

创建数组

　　先来介绍创建数组。创建数组的方法有很多。如可以使用array函数从常规的Python列表和元组创造数组。所创建的数组类型由原序列中的元素类型推导而来。

[python] view plain copy

>>> from numpy import *
　　　
>>> a = array( [2,3,4] )　　　
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int32')
>>> b = array([1.2, 3.5, 5.1])　　　
>>> b.dtype
dtype('float64')

使用array函数创建时，参数必须是由方括号括起来的列表，而不能使用多个数值作为参数调用array。　　　

[python] view plain copy

>>> a = array(1,2,3,4) # 错误
>>> a = array([1,2,3,4]) # 正确

可使用双重序列来表示二维的数组，三重序列表示三维数组，以此类推。

[python] view plain copy

>>> b = array( [ (1.5,2,3), (4,5,6) ] )　　
>>> b
array([[ 1.5, 2. , 3. ],
　　　 [ 4. , 5. , 6. ]])

可以在创建时显式指定数组中元素的类型

[python] view plain copy

>>> c = array( [ [1,2], [3,4] ], dtype=complex)
>>> c
array([[ 1.+0.j, 2.+0.j],
　　　 [ 3.+0.j, 4.+0.j]])

通常，刚开始时数组的元素未知，而数组的大小已知。因此，NumPy提供了一些使用占位符创建数组的函数。这些函数有助于满足除了数组扩展的需要，同时降低了高昂的运算开销。

用函数zeros可创建一个全是0的数组，用函数ones可创建一个全为1的数组，函数empty创建一个内容随机并且依赖与内存状态的数组。默认创建的数组类型(dtype)都是float64。

可以哟娜特d.dtype.itemsize来查看数组中元素占用的字节数目。

[python] view plain copy

>>> d = zeros((3,4))
>>> d.dtype
dtype('float64')
>>> d
array([[ 0., 0., 0., 0.],
　　 [ 0., 0., 0., 0.],
　　 [ 0., 0., 0., 0.]])
>>> d.dtype.itemsize
8

也可以自己制定数组中元素的类型

[python] view plain copy

>>> ones( (2,3,4), dtype=int16 ) #手动指定数组中元素类型
array([[[1, 1, 1, 1],
　　　 [1, 1, 1, 1],
　　　 [1, 1, 1, 1]],
　　　
　　　 [[1, 1, 1, 1],
　　　 [1, 1, 1, 1],
　　　 [1, 1, 1, 1]]], dtype=int16)
>>> empty((2,3))
　　　array([[ 2.65565858e-316, 0.00000000e+000, 0.00000000e+000],
　　　 [ 0.00000000e+000, 0.00000000e+000, 0.00000000e+000]])

NumPy提供一个类似arange的函数返回一个数列形式的数组:

[python] view plain copy

>>> arange(10, 30, 5)
array([10, 15, 20, 25])

以10开始，差值为5的等差数列。该函数不仅接受整数，还接受浮点参数：　

[python] view plain copy

>>> arange(0,2,0.5)
array([ 0. , 0.5, 1. , 1.5])

当arange使用浮点数参数时，由于浮点数精度有限，通常无法预测获得的元素个数。因此，最好使用函数linspace去接收我们想要的元素个数来代替用range来指定步长。linespace用法如下，将在通用函数一节中详细介绍。

[python] view plain copy

>>> numpy.linspace(-1, 0, 5)
array([-1. , -0.75, -0.5 , -0.25, 0. ])

数组中的元素是通过下标来访问的，可以通过方括号括起一个下标来访问数组中单一一个元素，也可以以切片的形式访问数组中多个元素。关于切片访问，将在切片一节介绍。

知识点：NumPy中的数据类型
对于科学计算来说，Python中自带的整型、浮点型和复数类型远远不够，因此NumPy中添加了许多数据类型。如下：

NumPy中的基本数据类型
名称	描述
bool	用一个字节存储的布尔类型（True或False）
inti	由所在平台决定其大小的整数（一般为int32或int64）
int8	一个字节大小，-128 至 127
int16	整数，-32768 至 32767
int32	整数，-2 31 至 2 32 -1
int64	整数，-2 63 至 2 63 - 1
uint8	无符号整数，0 至 255
uint16	无符号整数，0 至 65535
uint32	无符号整数，0 至 2 ** 32 - 1
uint64	无符号整数，0 至 2 ** 64 - 1
float16	半精度浮点数：16位，正负号1位，指数5位，精度10位
float32	单精度浮点数：32位，正负号1位，指数8位，精度23位
float64或float	双精度浮点数：64位，正负号1位，指数11位，精度52位
complex64	复数，分别用两个32位浮点数表示实部和虚部
complex128或complex	复数，分别用两个64位浮点数表示实部和虚部

NumPy类型转换方式如下：

[python] view plain copy

>>> float64(42)
42.0
>>> int8(42.0)
42
>>> bool(42)
True
>>> bool(42.0)
True
>>> float(True)
1.0

许多函数的参数中可以指定参数的类型，当然，这个类型参数是可选的。如下：

[python] view plain copy

>>> arange(7, dtype=uint16)
array([0, 1, 2, 3, 4, 5, 6], dtype=uint16)

输出数组

    当输出一个数组时，NumPy以特定的布局用类似嵌套列表的形式显示：

第一行从左到右输出
每行依次自上而下输出
每个切片通过一个空行与下一个隔开
一维数组被打印成行，二维数组成矩阵，三维数组成矩阵列表。

[python] view plain copy

>>> a = arange(6) # 1d array
>>> print a
[0 1 2 3 4 5]
　　　
>>> b = arange(12).reshape(4,3) # 2d array
>>> print b
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]　　　
>>> c = arange(24).reshape(2,3,4) # 3d array
>>> print c
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
　　　
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]

    reshape将在下一篇文章中介绍　
    如果一个数组太长，则NumPy自动省略中间部分而只打印两端的数据：

[python] view plain copy

>>> print arange(10000)
　　　[ 0 1 2 ..., 9997 9998 9999]
　　　
>>> print arange(10000).reshape(100,100)
　　　[[ 0 1 2 ..., 97 98 99]
　　　 [ 100 101 102 ..., 197 198 199]
　　　 [ 200 201 202 ..., 297 298 299]
　　　 ...,
　　　 [9700 9701 9702 ..., 9797 9798 9799]
　　　 [9800 9801 9802 ..., 9897 9898 9899]
　　　 [9900 9901 9902 ..., 9997 9998 9999]]


　　可通过设置printoptions参数来禁用NumPy的这种行为并强制打印整个数组。

基本运算

数组的算术运算是按元素逐个运算。数组运算后将创建包含运算结果的新数组。

[python] view plain copy

>>> a= np.array([20,30,40,50])
>>> b= np.arange( 4)
>>> b
array([0, 1, 2, 3])
>>> c= a-b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10*np.sin(a)
array([ 9.12945251,-9.88031624, 7.4511316, -2.62374854])
>>> a<35
array([True, True, False, False], dtype=bool)

与其他矩阵语言不同，NumPy中的乘法运算符*按元素逐个计算，矩阵乘法可以使用dot函数或创建矩阵对象实现(后续章节会介绍)

[python] view plain copy

>>> A= np.array([[1,1],
...[0,1]])
>>> B= np.array([[2,0],
...[3,4]])
>>> A*B # 逐个元素相乘
array([[2, 0],
　　 [0, 4]])
>>> np.dot(A,B) # 矩阵相乘
array([[5, 4],
　　 [3, 4]])

　有些操作符如+=和*=用来更改已存在数组而不创建一个新的数组。

[python] view plain copy

>>> a= np.ones((2,3), dtype=int)
>>> b= np.random.random((2,3))
>>> a*= 3
>>> a
array([[3, 3, 3],
　　 [3, 3, 3]])
>>> b+= a
>>> b
array([[ 3.69092703, 3.8324276, 3.0114541],
　　　 [ 3.18679111, 3.3039349, 3.37600289]])
>>> a+= b # b转换为整数类型
>>> a
array([[6, 6, 6],
[6, 6, 6]])

当数组中存储的是不同类型的元素时，数组将使用占用更多位（bit）的数据类型作为其本身的数据类型，也就是偏向更精确的数据类型 (这种行为叫做upcast)。

[python] view plain copy

>>> a= np.ones(3, dtype=np.int32)
>>> b= np.linspace(0,np.pi,3)
>>> b.dtype.name
'float64'
>>> c= a+b
>>> c
array([ 1., 2.57079633, 4.14159265])
>>> c.dtype.name
'float64'
>>> d= exp(c*1j)
>>> d
array([ 0.54030231+0.84147098j,-0.84147098+0.54030231j,
　　　 -0.54030231-0.84147098j])
>>> d.dtype.name
'complex128'

　　许多非数组运算，如计算数组所有元素之和，都作为ndarray类的方法来实现，使用时需要用ndarray类的实例来调用这些方法。

[python] view plain copy

>>> a= np.random.random((2,3))
>>> a
array([[ 0.65806048, 0.58216761, 0.59986935],
[ 0.6004008, 0.41965453, 0.71487337]])
>>> a.sum()
　 3.5750261436902333
>>> a.min()
0.41965453489104032
>>> a.max()
0.71487337095581649

这些运算将数组看作是一维线性列表。但可通过指定axis参数（即数组的行）对指定的轴做相应的运算：

[python] view plain copy

>>> b= np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> b.sum(axis=0) # 计算每一列的和，注意理解轴的含义，参考数组的第一篇文章
array([12, 15, 18, 21])
>>> b.min(axis=1) # 获取每一行的最小值
array([0, 4, 8])
>>> b.cumsum(axis=1) # 计算每一行的累积和
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]])

索引，切片和迭代

　　　和列表和其它Python序列一样，一维数组可以进行索引、切片和迭代操作。

[python] view plain copy

>>> a= np.arange(10)**3 #记住，操作符是对数组中逐元素处理的！
>>> a
array([0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
>>> a[2]
8
>>> a[2:5]
array([ 8, 27, 64])
>>> a[:6:2]= -1000 # 等同于a[0:6:2]= -1000，从开始到第6个位置，每隔一个元素将其赋值为-1000
>>> a
array([-1000, 1,-1000, 27,-1000, 125, 216, 343, 512, 729])
>>> a[: :-1] # 反转a
array([ 729, 512, 343, 216, 125,-1000, 27,-1000, 1,-1000])
>>>for i in a:
... print i**(1/3.),
...
nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0

　　　多维数组可以每个轴有一个索引。这些索引由一个逗号分割的元组给出。

[python] view plain copy

>>>def f(x,y):
... return 10*x+y
...
>>> b= np.fromfunction(f,(5,4),dtype=int) #fromfunction是一个函数，下篇文章介绍。
>>> b
array([[ 0, 1, 2, 3],
[10, 11, 12, 13],
[20, 21, 22, 23],
[30, 31, 32, 33],
[40, 41, 42, 43]])
>>> b[2,3]
23
>>> b[0:5, 1] # 每行的第二个元素
array([ 1, 11, 21, 31, 41])
>>> b[: ,1] # 与前面的效果相同
array([ 1, 11, 21, 31, 41])
>>> b[1:3,: ] # 每列的第二和第三个元素
array([[10, 11, 12, 13],
[20, 21, 22, 23]])

　　　当少于提供的索引数目少于轴数时，已给出的数值按秩的顺序复制，确失的索引则默认为是整个切片：

[python] view plain copy

>>> b[-1] # 最后一行，等同于b[-1,:]，-1是第一个轴，而缺失的认为是：，相当于整个切片。
array([40, 41, 42, 43])

b[i]中括号中的表达式被当作i和一系列:，来代表剩下的轴。NumPy也允许你使用“点”像b[i,...]。

点(…)代表许多产生一个完整的索引元组必要的分号。如果x是秩为5的数组(即它有5个轴)，那么:　　　

x[1,2,…] 等同于 x[1,2,:,:,:],
x[…,3] 等同于 x[:,:,:,:,3]
x[4,…,5,:] 等同 x[4,:,:,5,:]

[python] view plain copy

>>> c= array( [ [[ 0, 1, 2], #三维数组（两个2维数组叠加而成）
...[ 10, 12, 13]],
...
...[[100,101,102],
...[110,112,113]]] )
>>> c.shape
(2, 2, 3)
>>> c[1,...] #等同于c[1,:,:]或c[1]
array([[100, 101, 102],
[110, 112, 113]])
>>> c[...,2] #等同于c[:,:,2]
array([[ 2, 13],
[102, 113]])

多维数组的遍历是以是第一个轴为基础的：

[python] view plain copy

>>>for row in b:
... print row
...
[0 1 2 3]
[10 11 12 13]
[20 21 22 23]
[30 31 32 33]
[40 41 42 43]

如果想对数组中每个元素都进行处理，可以使用flat属性，该属性是一个数组元素迭代器：

[python] view plain copy

>>>for element in b.flat:
... print element,
...
0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43

更多关于[]、…、newaxis、ndenumerate、indices、index exp的内容请参考NumPy示例

形状（shape）操作

更改数组的形状

数组的形状取决于其每个轴上的元素个数：

[python] view plain copy

>>> a= np.floor(10*np.random.random((3,4)))
>>> a
array([[ 7., 5., 9., 3.],
[ 7., 2., 7., 8.],
[ 6., 8., 3., 2.]])
>>> a.shape
(3, 4)

可以用多种方式修改数组的形状：

[python] view plain copy

>>> a.ravel() # 平坦化数组
array([ 7., 5., 9., 3., 7., 2., 7., 8., 6., 8., 3., 2.])
>>> a.shape= (6, 2)
>>> a.transpose()
array([[ 7., 9., 7., 7., 6., 3.],
[ 5., 3., 2., 8., 8., 2.]])

由ravel()展平的数组元素的顺序通常是“C风格”的，就是以行为基准，最右边的索引变化得最快，所以元素a[0,0]之后是a[0,1]。如果数组改变成其它形状(reshape)，数组仍然是“C风格”的。NumPy通常创建一个以这个顺序保存数据的数组，所以ravel()通常不需要创建起调用数组的副本。但如果数组是通过切片其它数组或有不同寻常的选项时，就可能需要创建其副本。还可以同过一些可选参数函数让reshape()和ravel()构建FORTRAN风格的数组，即最左边的索引变化最快。

reshape函数改变调用数组的形状并返回该数组，而resize函数改变调用数组自身。

[python] view plain copy

>>> a
array([[ 7., 5.],
[ 9., 3.],
[ 7., 2.],
[ 7., 8.],
[ 6., 8.],
[ 3., 2.]])
>>> a.resize((2,6))
>>> a
array([[ 7., 5., 9., 3., 7., 2.],
[ 7., 8., 6., 8., 3., 2.]])

如果在reshape操作中指定一个维度为-1，那么其准确维度将根据实际情况计算得到

前两篇文章对NumPy数组做了基本的介绍，本篇文章对NumPy数组进行较深入的探讨。首先介绍自定义类型的数组，接着数组的组合，最后介绍数组复制方面的问题。

自定义结构数组

通过NumPy也可以定义像C语言那样的结构类型。在NumPy中定义结构的方法如下：

定义结构类型名称；定义字段名称，标明字段数据类型。

[python] view plain copy

student= dtype({'names':['name', 'age', 'weight'], 'formats':['S32', 'i','f']}, align = True)

这里student是自定义结构类型的名称，使用dtype函数创建，在第一个参数中，'names'和'formats'不能改变，names中列出的是结构中字段名称，formats中列出的是对应字段的数据类型。S32表示32字节长度的字符串，i表示32位的整数，f表示32位长度的浮点数。最后一个参数为True时，表示要求进行内存对齐。

字段中使用NumPy的字符编码来表示数据类型。更详细的数据类型见下表。

数据类型	字符编码
整数	i
无符号整数	u
单精度浮点数	f
双精度浮点数	d
布尔值	b
复数	D
字符串	S
Unicode	U
Void	V

在定义好结构类型之后，就可以定义以该类型为元素的数组了：

[python] view plain copy

a= array([(“Zhang”, 32, 65.5), (“Wang”, 24, 55.2)], dtype =student)

除了在每个元素中依次列出对应字段的数据外，还需要在array函数中最后一个参数指定其所对应的数据类型。

注：例子来源于张若愚的Python科学计算艺术的29页。更多关于dtype的内容请参考《NumPy for Beginner》一书的第二章。

组合函数

这里介绍以不同的方式组合函数。首先创建两个数组：

[python] view plain copy

>>> a = arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> b = 2 * a
>>> b
array([[ 0, 2, 4],
[ 6, 8, 10],
[12, 14, 16]])

水平组合

[python] view plain copy

>>> hstack((a, b))
array([[ 0, 1, 2, 0, 2, 4],
[ 3, 4, 5, 6, 8, 10],
[ 6, 7, 8, 12, 14, 16]])

也可通过concatenate函数并指定相应的轴来获得这一效果：

[python] view plain copy

>>> concatenate((a, b), axis=1)
array([[ 0, 1, 2, 0, 2, 4],
[ 3, 4, 5, 6, 8, 10],
[ 6, 7, 8, 12, 14, 16]])

垂直组合

[python] view plain copy

>>> vstack((a, b))
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 0, 2, 4],
[ 6, 8, 10],
[12, 14, 16]])

同样，可通过concatenate函数，并指定相应的轴来获得这一效果。

[python] view plain copy

>>> concatenate((a, b), axis=0)
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 0, 2, 4],
[ 6, 8, 10],
[12, 14, 16]])

深度组合

另外，还有深度方面的组合函数dstack。顾名思义，就是在数组的第三个轴（即深度）上组合。如下：

[python] view plain copy

>>> dstack((a, b))
array([[[ 0, 0],
[ 1, 2],
[ 2, 4]],
[[ 3, 6],
[ 4, 8],
[ 5, 10]],
[[ 6, 12],
[ 7, 14],
[ 8, 16]]])

仔细观察，发现对应的元素都组合成一个新的列表，该列表作为新的数组的元素。

行组合

行组合可将多个一维数组作为新数组的每一行进行组合：

[python] view plain copy

>>> one = arange(2)
>>> one
array([0, 1])
>>> two = one + 2
>>> two
array([2, 3])
>>> row_stack((one, two))
array([[0, 1],
[2, 3]])

对于2维数组，其作用就像垂直组合一样。

列组合

列组合的效果应该很清楚了。如下：

[python] view plain copy

>>> column_stack((oned, twiceoned))
array([[0, 2],
[1, 3]])

对于2维数组，其作用就像水平组合一样。

分割数组

在NumPy中，分割数组的函数有hsplit、vsplit、dsplit和split。可将数组分割成相同大小的子数组，或指定原数组分割的位置。

水平分割

[python] view plain copy

>>> a = arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> hsplit(a, 3)
[array([[0],
[3],
[6]]),
array([[1],
[4],
[7]]),
array([[2],
[5],
[8]])]

也调用split函数并指定轴为1来获得这样的效果：

[python] view plain copy

split(a, 3, axis=1)

垂直分割

垂直分割是沿着垂直的轴切分数组：

[python] view plain copy

>>> vsplit(a, 3)
>>> [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

同样，也可通过solit函数并指定轴为1来获得这样的效果：

[python] view plain copy

>>> split(a, 3, axis=0)

面向深度的分割

dsplit函数使用的是面向深度的分割方式：

[python] view plain copy

>>> c = arange(27).reshape(3, 3, 3)
>>> c
array([[[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8]],
[[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17]],
[[18, 19, 20],
[21, 22, 23],
[24, 25, 26]]])
>>> dsplit(c, 3)
[array([[[ 0],
[ 3],
[ 6]],
[[ 9],
[12],
[15]],
[[18],
[21],
[24]]]),
array([[[ 1],
[ 4],
[ 7]],
[[10],
[13],
[16]],
[[19],
[22],
[25]]]),
array([[[ 2],
[ 5],
[ 8]],
[[11],
[14],
[17]],
[[20],
[23],
[26]]])]

复制和镜像（View）

　　　当运算和处理数组时，它们的数据有时被拷贝到新的数组有时不是。这通常是新手的困惑之源。这有三种情况:

完全不复制

　　　简单的赋值，而不复制数组对象或它们的数据。

[python] view plain copy

>>> a = arange(12)
>>> b = a #不创建新对象
>>> b is a # a和b是同一个数组对象的两个名字
True
>>> b.shape = 3,4 #也改变了a的形状
>>> a.shape
(3, 4)

　　　Python 传递不定对象作为参考4，所以函数调用不拷贝数组。

[python] view plain copy

>>> def f(x):
... print id(x)
...
>>> id(a) #id是一个对象的唯一标识
148293216
>>> f(a)
148293216

视图(view)和浅复制

　　　不同的数组对象分享同一个数据。视图方法创造一个新的数组对象指向同一数据。

[python] view plain copy

>>> c = a.view()
>>> c is a
False
>>> c.base is a #c是a持有数据的镜像
True
>>> c.flags.owndata
False
>>>
>>> c.shape = 2,6 # a的形状没变
>>> a.shape
(3, 4)
>>> c[0,4] = 1234 #a的数据改变了
>>> a
array([[ 0, 1, 2, 3],
[1234, 5, 6, 7],
[ 8, 9, 10, 11]])

切片数组返回它的一个视图：

[python] view plain copy

>>> s = a[ : , 1:3] # 获得每一行1，2处的元素
>>> s[:] = 10 # s[:] 是s的镜像。注意区别s=10 and s[:]=10
>>> a
array([[ 0, 10, 10, 3],
[1234, 10, 10, 7],
[ 8, 10, 10, 11]])

深复制

　　这个复制方法完全复制数组和它的数据。

[python] view plain copy

>>> d = a.copy() #创建了一个含有新数据的新数组对象
>>> d is a
False
>>> d.base is a #d和a现在没有任何关系
False
>>> d[0,0] = 9999
>>> a
array([[ 0, 10, 10, 3],
[1234, 10, 10, 7],
[ 8, 10, 10, 11]])

参考文献：

《Python科学计算》
《Tentative NumPy Tutorial》
《NumPy for Beginner》

更多关于shape、reshape、resize和ravel的内容请参考NumPy示例

set_printoptions(threshold='nan')

这样，输出时数组的所有元素都会显示出来。

转载于:https://www.cnblogs.com/lanye/p/5420203.html

weixin_30412577

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
NumPy简明教程

源地址：http://blog.csdn.net/sunny2038/article/details/9002531http://blog.csdn.net/sunny2038/article/details/9023797http://blog.csdn.net/sunny2038/article/details/8907736NumPy数组（1、数组初探）更新目前我的工作是...
复制链接

扫一扫