NumPy 超详细教程（1）：NumPy 数组-CSDN博客

系列文章地址

Numpy 是 Python 中科学计算的核心库，NumPy 这个词来源于 Numerical 和 Python 两个单词。它提供了一个高性能的多维数组对象，以及大量的库函数和操作，可以帮助程序员轻松地进行数值计算，广泛应用于机器学习模型、图像处理和计算机图形学、数学任务等领域。

Numpy 数组：ndarray

NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型，它是描述相同类型的元素集合。ndarray 中的每个元素都是数据类型对象(dtype)的对象。ndarray 中的每个元素在内存中使用相同大小的块。

numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)
复制代码

参数	描述
object	任何暴露数组接口方法的对象
dtype	数据类型
copy	如果为 True，则 object 对象被复制，否则，只有当`__array__`返回副本，object 是嵌套序列，或者需要副本来满足任何其他要求（dtype，order等）时，才会生成副本。
order	指定阵列的内存布局。如果 object 不是数组，则新创建的数组将按行排列（C），如果指定了（F），则按列排列。如果 object 是一个数组，则以下成立。C（按行）、F（按列）、A（原顺序）、K（元素在内存中的出现顺序）
subok	默认情况下，返回的数组被强制为基类数组。如果为 True，则返回子类。
ndmin	返回数组的最小维数

例一：最简单的示例

import numpy as np

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

print(b)
print(type(b))
复制代码

输出：

[1 2 3]
<class 'numpy.ndarray'>
复制代码

注意：list 打印显示是 [1, 2, 3]，而 ndarray 打印显示是 [1 2 3]，当中没有逗号。

例二：dtype 参数用法示例 NumPy 支持比 Python 更多种类的数值类型

import numpy as np

a = [1, 2, 3]
b = np.array(a, dtype=np.float_)
# 或者
b = np.array(a, dtype=float)

print(b)
print(b.dtype)
print(type(b[0]))
复制代码

输出：

[1. 2. 3.]
float64
<class 'numpy.float64'>
复制代码

例三：copy 参数的用法

import numpy as np

a = np.array([1, 2, 3])
b = np.array(a, copy=True)
a[0] = 0

print(a)
print(b)
复制代码

输出：

[0 2 3]
[1 2 3]
复制代码

可以看到 a 和 b 的值不同，说明 b 是 a 的副本，两个是不同的对象。

import numpy as np

a = np.array([1, 2, 3])
b = np.array(a, copy=False)
a[0] = 0

print(a)
print(b)
复制代码

输出：

[0 2 3]
[0 2 3]
复制代码

a 改变同时引起了 b 的改变，说明 a 和 b 指向的是同一个对象。

例四：ndmin 参数用法示例

import numpy as np

a = [1, 2, 3]
b = np.array(a, ndmin=2)

print(b)
复制代码

输出：

[[1 2 3]]
复制代码

可以看到结果已经变成了二维数组。

例五：subok 参数用法示例

看解释不是很清楚，看下面这个例子就会明白许多。其中 matrix 是矩阵，将在之后的内容中介绍。

import numpy as np

a = np.matrix('1 2 7; 3 4 8; 5 6 9')
print(type(a))
print(a)
at = np.array(a, subok=True)
af = np.array(a, subok=False)
print(type(at))
print(type(af))
复制代码

输出：

<class 'numpy.matrix'>
[[1 2 7]
 [3 4 8]
 [5 6 9]]
<class 'numpy.matrix'>
<class 'numpy.ndarray'>
复制代码

NumPy 数组属性

NumPy 数组的维度（又称维数）称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。 NumPy 中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。

属性	说明
ndarray.ndim	秩，即轴的数量或维度的数量
ndarray.shape	数组的维度，对于矩阵，n 行 m 列
ndarray.size	数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtype	ndarray 对象的元素类型
ndarray.itemsize	ndarray 对象中每个元素的大小，以字节为单位
ndarray.flags	ndarray 对象的内存信息
ndarray.real	ndarray 元素的实部（复数的实部）
ndarray.imag	ndarray 元素的虚部（复数的虚部）
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。

1、ndarray.shape

返回一个包含数组维度的元组，对于矩阵，n 行 m 列，它也可以用于调整数组维度。 例一：

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.shape)
复制代码

输出：

(2, 3)
复制代码

例二：

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
a.shape = (3, 2)
print(a)
复制代码

输出：

[[1 2]
 [3 4]
 [5 6]]
复制代码

例三： NumPy 也提供了reshape() 函数来调整数组维度。只是 reshape() 返回调整维度后的副本，而不改变原 ndarray。

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
b = a.reshape(3, 2)
print(b)  # a 没变
复制代码

输出：

[[1 2]
 [3 4]
 [5 6]]
复制代码

2、ndarray.ndim

返回数组的维度（秩）。 例一：

import numpy as np

a = np.arange(24)
print(a.ndim)

# 现在调整其大小
b = a.reshape(2, 4, 3)
print(b.ndim)
复制代码

输出：

1
3
复制代码

3、ndarray.flags

ndarray.flags 返回 ndarray 对象的内存信息，包含以下属性：

属性	描述
C_CONTIGUOUS	数据是在一个单一的C风格的连续段中
F_CONTIGUOUS	数据是在一个单一的Fortran风格的连续段中
OWNDATA	数组拥有它所使用的内存或从另一个对象中借用它
WRITEABLE	数据区域可以被写入，将该值设置为 False，则数据为只读
ALIGNED	数据和所有元素都适当地对齐到硬件上
WRITEBACKIFCOPY	UPDATEIFCOPY 已弃用，由 WRITEBACKIFCOPY 取代;
UPDATEIFCOPY	这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.flags)
复制代码

输出：

C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
复制代码

4、ndarray.real

import numpy as np

x = np.sqrt([1+0j, 0+1j])
print(x)
print(x.real)
print(x.real.dtype)
复制代码

输出：

[1.        +0.j         0.70710678+0.70710678j]
[1.         0.70710678]
float64
复制代码

NumPy 中的常数

正无穷：Inf = inf = infty = Infinity = PINF
负无穷：NINF
正零：PZERO
负零：NZERO
非数值：nan = NaN = NAN
自然数e：e
π：pi
伽马：euler_gamma
None 的别名：newaxis

示例：

print(np.inf)
print(np.NINF)
print(np.PZERO)
print(np.NZERO)
print(np.nan)
print(np.e)
print(np.pi)
print(np.euler_gamma)
print(np.newaxis)
复制代码

输出：

inf
-inf
0.0
-0.0
nan
2.718281828459045
3.141592653589793
0.5772156649015329
None
复制代码

NumPy 创建数组

1、numpy.empty

此方法用来创建一个指定维度（shape）、数据类型（dtype）的未初始化的数组。

numpy.empty(shape, dtype=float, order='C')
复制代码

参数	描述
shape	一个表示数组维度的元组
dtype	数据类型
order	有 "C" 和 "F" 两个选项

示例：

import numpy as np

x = np.empty([3, 2], dtype=int)
print(x)
复制代码

输出：

[[         0 1072693248]
 [         0 1072693248]
 [         0 1072693248]]
复制代码

empty() 方法和 zeros() 方法不同，不会将数组值设置为零，因此可能会略微加快。另一方面，它要求用户手动设置数组中的所有值，并应谨慎使用。

2、numpy.zeros

创建指定维度，以 0 填充的新数组。

numpy.zeros(shape, dtype=float, order='C')
复制代码

示例：

import numpy as np

x = np.zeros(5)
print(x)
复制代码

输出：

[0. 0. 0. 0. 0.]
复制代码

注意：默认是 float 类型的

3、numpy.ones

创建指定维度，以 1 填充的新数组。

numpy.ones(shape, dtype=float, order='C')
复制代码

示例：

import numpy as np

x = np.ones(5)
print(x)
复制代码

输出：

[1. 1. 1. 1. 1.]
复制代码

4、numpy.full

返回给定维度和类型的新数组，填充 fill_value。

numpy.full(shape, fill_value, dtype=None, order='C')
复制代码

参数	描述
shape	返回数组的维度
fill_value	填充值
dtype	返回数组的数据类型，默认值 None 指：`np.array(fill_value).dtype`
order	在计算机内存中的存储元素的顺序，只支持 'C'（按行）、'F'（按列），默认 'C'

示例：

import numpy as np

a = np.full((2, 3), 9)
print(a)
复制代码

输出：

[[9 9 9]
 [9 9 9]]
复制代码

NumPy 从数值范围创建数组

1、numpy.arange

该函数等效于 Python 内置 range 函数，但返回的是 ndarray 而不是列表。

arange([start,] stop[, step,], dtype=None)
复制代码

[ ] 括起来的表示可选参数。

参数	描述
start	起始值，默认为 0
stop	终止值（不包含）
step	步长，默认为1
dtype	创建的 ndarray 的数据类型，如果没有提供，则会使用输入数据的类型。

示例：

import numpy as np

a = np.arange(5)
b = np.arange(10, 20, 2)
print(a)
print(b)
复制代码

输出：

[0 1 2 3 4]
[10 12 14 16 18]
复制代码

2、numpy.linspace

创建一个一维等差数列的数组，与 arange 函数不同，arange 是固定步长，而 linspace 则是固定元素数量。

linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
复制代码

参数	描述
start	序列的起始值
stop	序列的终止值，如果 endpoint 为 True，则该值包含于数列中
num	要生成的等步长的样本数量，默认为 50
endpoint	该值为 Ture 时，数列中中包含 stop 值，反之不包含，默认是 True。
retstep	如果为 True 时，生成的数组中会显示间距，反之不显示。
dtype	ndarray 的数据类型

例一：endpoint 参数的用法

我特意挑了下面这个除不尽的例子来显示 endpoint 的效果。可以看到，endpoint=False 取值是 endpoint=True，并且 num = num + 1 的结果去掉终止值。这话有点拗口啊，对比一下下例中的 num 参数值及输出结果就明白了。

import numpy as np

a = np.linspace(0, 5, 3, endpoint=False)
b = np.linspace(0, 5, 4, endpoint=True)

print(a)
print(b)
复制代码

输出：

[0.         1.66666667 3.33333333]
[0.         1.66666667 3.33333333 5.        ]
复制代码

例二：retstep 参数的用法

返回一个元组，第一个元素是 numpy.ndarray，第二个元素是步长。

import numpy as np

a = np.linspace(0, 10, 5, retstep=True)
print(a)
复制代码

输出：

(array([ 0. ,  2.5,  5. ,  7.5, 10. ]), 2.5)
复制代码

例三：dtype 参数

dtype 参数指定后会将结果强制转换成 dtype 指定的类型，如果是 float 转 int，最终值就可能不是等差的了。

import numpy as np

a = np.linspace(0, 10, 5, dtype=int)
print(a)
复制代码

输出：

[ 0  2  5  7 10]
复制代码

3、numpy.logspace

numpy.logspace 函数用于创建一个等比数列。

numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
复制代码

参数	描述
start	序列的起始值为：`base ** start` （幂运算）
stop	序列的终止值为：`base ** stop`。如果 endpoint 为 True，该值包含于数列中
num	要生成的等步长的样本数量，默认为50
endpoint	该值为 Ture 时，数列中中包含 stop 值，反之不包含，默认是 True。
base	对数 log 的底数。
dtype	ndarray 的数据类型

示例：

其实没啥好说的，主要是注意 start 参数的值并非是真正的起始值。

import numpy as np

a = np.logspace(1, 4, num=4)
print(a)
复制代码

输出：

[   10.   100.  1000. 10000.]
复制代码

4、numpy.geomspace

创建一个一维等比数列。

numpy.geomspace(start, stop, num=50, endpoint=True, dtype=None, axis=0)
复制代码

参数	描述
start	序列的起始值
stop	序列的终止值，如果 endpoint 为 True，该值包含于数列中
num	要生成的样本数量，默认为 50
endpoint	该值为 Ture 时，数列中中包含 stop 值，反之不包含，默认是 True。
dtype	ndarray 的数据类型
axis	1.16.0 版本中的新功能，没看懂怎么用，官网上连个例子都没有，值为 0 和 -1 的时候结果相同，其他时候都报错。

示例：

import numpy as np

a = np.geomspace(1, 8, num=4)
print(a)
复制代码

输出：

[1. 2. 4. 8.]
复制代码

NumPy 从已有的数组创建数组

1、numpy.asarray

numpy.asarray 类似 numpy.array，但 numpy.asarray 的参数只有三个。

numpy.asarray(a, dtype=None, order=None)
复制代码

参数	描述
a	输入数据，可以转换为数组的任何形式。这包括列表，元组列表，元组，元组元组，列表元组和 ndarray。
dtype	数据类型
order	在计算机内存中的存储元素的顺序，只支持 'C'（按行）、'F'（按列），默认 'C'

示例：

import numpy as np

a = np.asarray([1, 2, 3])
print(a)
复制代码

输出：

[1 2 3]
复制代码

2、numpy.frombuffer

numpy.frombuffer 用于实现动态数组。numpy.frombuffer 接受 buffer 输入参数，以流的形式读入转化成 ndarray 对象。

numpy.frombuffer(buffer, dtype=float, count=-1, offset=0)
复制代码

参数	描述
buffer	实现了 `__buffer__` 方法的对象，（绝对不是菜鸟教程上说的任意对象都可以）
dtype	返回数组的数据类型
count	读取的数据数量，默认为 -1，读取所有数据。
offset	读取的起始位置，默认为 0。

例一： buffer 是字符串的时候，Python3 默认 str 是 Unicode 类型，所以要转成 bytestring 在原 str 前加上 b。

import numpy as np

a = np.frombuffer(b'Hello World', dtype='S1')
print(a)
复制代码

输出：

[b'H' b'e' b'l' b'l' b'o' b' ' b'W' b'o' b'r' b'l' b'd']
复制代码

例二： 看了上面的例子，似乎对“实现动态数组”没啥感觉，那么我们来看这个例子。

import numpy as np
import array

a = array.array('i', [1, 2, 3, 4])
print(a)

na = np.frombuffer(a, dtype=np.int_)
print(na)

a[0] = 10
print(a)
print(na)
复制代码

输出：

array('i', [1, 2, 3, 4])
[1 2 3 4]
array('i', [10, 2, 3, 4])
[10  2  3  4]
复制代码

array.array 创建的数组对象内存是连续的（这里不能用 list，会报：AttributeError: 'list' object has no attribute '__buffer__'），numpy.frombuffer 从 array.array 的内存中创建数组，从上例中可以看出，改变 array.array 的值，numpy.frombuffer 的值也会跟着改变，由此可见。

例三：

array.array 数组中的值改变是可以的，但是如果是添加值，那就不行了。

import numpy as np
import array

a = array.array("i", [1, 2, 3, 4])
na = np.frombuffer(a, dtype=int)
print(na)

a.append(5)
print(na)
复制代码

输出：

[1 2 3 4]
[140896288       381         3         4]
复制代码

3、numpy.fromiter

numpy.fromiter 方法从可迭代对象中建立 ndarray 对象，返回一维数组。

numpy.fromiter(iterable, dtype, count=-1)
复制代码

参数	描述
iterable	可迭代对象
dtype	返回数组的数据类型
count	读取的数据数量，默认为 -1，读取所有数据

例一：

import numpy as np

iterable = (x * x for x in range(5))
a = np.fromiter(iterable, int)
print(a)
复制代码

输出：

[ 0  1  4  9 16]
复制代码

看起来有点像 numpy.array，array 方法需要传入的是一个 list，而 fromiter 可以传入可迭代对象。

例二： 将上例换成 array 试试看。

import numpy as np

iterable = (x * x for x in range(5))
a = np.array(iterable)
print(a)
复制代码

输出：

<generator object <genexpr> at 0x000000001442DD00>
复制代码

4、empty_like

返回一个与给定数组具有相同维度和类型的未初始化的新数组。

numpy.empty_like(prototype, dtype=None, order='K', subok=True)
复制代码

参数	描述
prototype	给定的数组
dtype	覆盖结果的数据类型，版本1.6.0中的新功能。
order	指定阵列的内存布局。C（按行）、F（按列）、A（原顺序）、K（元素在内存中的出现顺序）
subok	默认情况下，返回的数组被强制为基类数组。如果为 True，则返回子类。

示例：

import numpy as np
a = np.empty_like([[1, 2, 3], [4, 5, 6]])
print(a)
复制代码

输出：*

[[870   0   0]
 [  0   0   0]]
复制代码

5、zeros_like

numpy.zeros_like(a, dtype=None, order='K', subok=True)
复制代码

参数同上。

示例：

import numpy as np
a = np.zeros_like([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
print(a)
复制代码

输出：*

[[0. 0. 0.]
 [0. 0. 0.]]
复制代码

6、ones_like

numpy.ones_like(a, dtype=None, order='K', subok=True)
复制代码

参数同上。

示例：

import numpy as np
a = np.ones_like([[1, 2, 3], [4, 5, 6]])
print(a)
复制代码

输出：*

[[1 1 1]
 [1 1 1]]
复制代码

7、numpy.full_like

返回与给定数组具有相同维度和类型的并以 fill_value 填充的数组。

numpy.full_like(a, fill_value, dtype=None, order='K', subok=True)
复制代码

参数	描述
a	给定的数组
fill_value	填充值
dtype	返回数组的数据类型，默认值 None，则使用给定数组的类型
order	指定阵列的内存布局。C（按行）、F（按列）、A（原顺序）、K（元素在内存中的出现顺序）
subok	默认情况下，返回的数组被强制为基类数组。如果为 True，则返回子类。

zeros_like、ones_like 其实都是此方法的特例。

示例：

import numpy as np

x = np.arange(6, dtype=int)
print(x)
print('-------------------')
a = np.full_like(x, 1)
b = np.full_like(x, 0.1)
c = np.full_like(x, 0.1, dtype=np.double)

print(a)
print(b)
print(c)
复制代码

输出：

[0 1 2 3 4 5]
-------------------
[1 1 1 1 1 1]
[0 0 0 0 0 0]
[0.1 0.1 0.1 0.1 0.1 0.1]
复制代码

欢迎关注我的公众号

大龄码农的Python之路

NumPy 超详细教程（1）：NumPy 数组

系列文章地址

Numpy 数组：ndarray

NumPy 数组属性

1、ndarray.shape

2、ndarray.ndim

3、ndarray.flags

4、ndarray.real

NumPy 中的常数

NumPy 创建数组

1、numpy.empty

2、numpy.zeros

3、numpy.ones

4、numpy.full

NumPy 从数值范围创建数组

1、numpy.arange

2、numpy.linspace

3、numpy.logspace

4、numpy.geomspace

NumPy 从已有的数组创建数组

1、numpy.asarray

2、numpy.frombuffer

3、numpy.fromiter

4、empty_like

5、zeros_like

6、ones_like

7、numpy.full_like

“相关推荐”对你有帮助么？