python 双冒号切片_Numpy 学习笔记

Numpy 中数据结构的核心是 n 维数组 n-dimensional array，简称 ndarray，需要注意的是数组中的元素都要属于同一个数据类型。

几个常用的 ndarray 的属性：ndarray.dtype，ndarray.shape，ndarray.ndim

几个常用的生成 ndarray 的方法：np.zeros( )，np.ones( )，np.zeros_like( )，np.ones_like( )，np.empty( )，np.arange( )，np.eye( )，np.identity( )

np.zeros(shape, dtype=float)：shape 参数可以是一个自然数，也可以是二维元组，当元组中有三个参数时，后两个参数可以理解为 ndarray 的行数和列数，第一个参数为同样形状的 array 的个数。继续增加参数的个数的工作机制同上，都是对于后续的数组进行一个按照给定参数的量进行复制，np.ones( ) 工作机制类似。

np.zeros((2, 5, 3))

array([[[ 0., 0., 0.],

[ 0., 0., 0.],

[ 0., 0., 0.],

[ 0., 0., 0.],

[ 0., 0., 0.]],

[[ 0., 0., 0.],

[ 0., 0., 0.],

[ 0., 0., 0.],

[ 0., 0., 0.],

[ 0., 0., 0.]]])

np.zeros_like()，np.ones_like() 的参数为已有的一个 ndarray，会返回一个同形状的元素全 0 或全 1 的 ndarray。

np.empty() 生成一个占位的空数组，由于需要自行设置数组中的每一个值，因此要尽量少用。

np.arange() 的参数为一个整数，工作机制类似于 python 内建函数 range，但返回一个 ndarray。

np.arange(11)

array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

np.eye(N, M=none, k=0, dtype=) ：N 为矩阵的行，M 为矩阵的列，如果 M 不指定则默认为 N x N 方阵，k 为 1 所在的对角线的位置

不指定列数：

np.eye(3) # 相当于 np.identity(3)

array([[ 1., 0., 0.],

[ 0., 1., 0.],

[ 0., 0., 1.]])

指定列数和 1 所在对角线位置：

np.eye(3, 4, 2)

array([[ 0., 0., 1., 0.],

[ 0., 0., 0., 1.],

[ 0., 0., 0., 0.]])

当 k ≥ M 时，为 0 矩阵：

np.eye(3, 4, 4)

array([[ 0., 0., 0., 0.],

[ 0., 0., 0., 0.],

[ 0., 0., 0., 0.]])

还可以通过 np.identity() 来创建单位矩阵

np.identity(4)

array([[ 1., 0., 0., 0.],

[ 0., 1., 0., 0.],

[ 0., 0., 1., 0.],

[ 0., 0., 0., 1.]])

ndarray 的索引和切片

一维 ndarray

一维 ndarray 的索引和切片与 list 类似，主要差别是可以通过索引和切片直接修改原 ndarray 中的值。同时， ndarray 的切片只是提供了原 ndarray 的一个局部视图 view 而不是原 ndarray 的一个拷贝，但对于切片的任何修改都会反映到原有的 ndarray 中去。后续大量数组的操作都是采用视图而非拷贝的原因是 Numpy 是为了操作大量数据而构建的，因此从性能的角度出发需要尽量的减少内存占用。

arr = np.arange(10)

arr[3: 8] = 10

arr_slice = arr[5: 8]

arr_slice

array([10, 10, 10])

对切片进行索引赋值操作会直接作用到原来的数组：

arr_slice[1] = 12

arr

array([0, 1, 2, 10, 10, 10, 12, 10, 8, 9])

如果确实需要进行复制，则可以通过显式的使用 arr[ 5: 8].copy() 来完成。

当对一维数组进行 arr.shape 查询时结果是诸如 (3, ) 的形式，这个看起来很怪异的形状在 Numpy 中称为 Rank 1 数组，对应的 arr.ndim 返回 1，在实际使用中应尽量避免这种数据结构，原因请参见这篇 rank 1 数组。

二维和高维 ndarray

二维数组的单个索引值得到的是一个一维数组：

arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

arr2d[2]

array([7, 8, 9])

两个索引值则会获取相应位置的值：

arr2d[2, 2] # arr2d[2][2]

9

高维数组的索引机制与二维类似，即会根据提供的索引值逐次找到相应位置的数组或元素。

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

arr3d.shape

(1, 4, 3)

单个索引值：