NumPy创建数组的几种方式介绍

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1w 收藏 24
点赞数 4
分类专栏： 数据分析 numpy 文章标签： pytorch 网络 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43276033/article/details/123785686
版权

创建数组

创建数组的几种常见机制：

  1. numpy 中定义的原生数组创建函数
  2. 使用Python中类数组对象创建 numpy 数组

一、 numpy 中定义的原生数组创建函数

1. numpy.zeros(shape, dtype=float, order='C')

参数：

  • shape：int or tuple of lnts，新数组的形状大小；
  • dtype：data-type, optional，指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’}, optional，行优先或者列优先；

Returns：

  • out：ndarray，函数返回一个全零数组。
>>>np.zeros([2,3], dtype=int)
array([[0, 0, 0],
       [0, 0, 0]])

2. numpy.empty(shape, dtype=float, order='C')

参数：

  • shape：int or tuple of lnts，新数组的形状大小；
  • dtype：data-type, optional，指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’}, optional，行优先或者列优先；

Returns：

  • out：ndarray，函数返回一个未初始化的数组。

>>>np.zeros([2,3], dtype=int)
array([[          0,           0,   242358960],
       [        720,           0, -2147483648]])

与 zeros 函数不同，empty 不会将元素初始化为零，因此创建速度更快。但是它就需要用户手动设置数组的所有元素值，谨慎使用。

3. numpy.ones(shape, dtype=float, order='C')

参数：

  • shape：int or tuple of lnts，新数组的形状大小；
  • dtype：data-type, optional，指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’}, optional，行优先或者列优先；

Returns：

  • out：ndarray，函数返回一个全一数组。

>>>np.ones([2,3], dtype=int)
array([[1, 1, 1],
       [1, 1, 1]])

4. numpy.full(shape, fill_value, dtype=None, order='C')

参数：

  • shape：int or sequence of lnts，新数组的形状大小；
  • fill_value：将被赋值给新数组的元素值；
  • dtype：data-type, optional，指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’}, optional，行优先或者列优先；

Returns：

  • out：ndarray，函数返回一个全为fill_value值的数组。
>>>np.full([2,3], 4, dtype=int)
array([[4, 4, 4],
       [4, 4, 4]])

5. numpy.zeros_like(a, dtype=float, order='C', subok=True, shape=None)

参数：

  • a：array_like，创建的新数组定义了和这个对象相同的形状和数据类型；
  • dtype：data-type, optional，重新指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，'C’表示C-order，'F’表示F-order，'K’表示遵循a的顺序；
  • subok：bool, optional，如果为True，则新创建的数组将使用a的子类类型，否则它将是基类数组;
  • shape：int or sequence of ints, optional，重新指定结果的形状。

Returns：

  • out：ndarray，函数返回一个全零数组。
>>>a = np.zeros([2,3], dtype=int)
>>>np.zeros_like(a, dtype=float)
array([[0., 0., 0.],
       [0., 0., 0.]])

6. numpy.empty_like(a, dtype=float, order='C', subok=True, shape=None)

参数：

  • a：array_like，创建的新数组定义了和这个对象相同的形状和数据类型；
  • dtype：data-type, optional，重新指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，'C’表示C-order，'F’表示F-order，'K’表示遵循a的顺序；
  • subok：bool, optional，如果为True，则新创建的数组将使用a的子类类型，否则它将是基类数组;
  • shape：int or sequence of ints, optional，重新指定结果的形状。

Returns：

  • out：ndarray，函数返回一个未初始化的数组。
>>>a = np.zeros([2,3], dtype=int)
>>>np.empty_like(a)
array([[0, 0, 0],
       [0, 0, 0]])

7. numpy.ones_like(a, dtype=float, order='C', subok=True, shape=None)

参数：

  • a：array_like，创建的新数组定义了和这个对象相同的形状和数据类型；
  • dtype：data-type, optional，重新指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，'C’表示C-order，'F’表示F-order，'K’表示遵循a的顺序；
  • subok：bool, optional，如果为True，则新创建的数组将使用a的子类类型，否则它将是基类数组;
  • shape：int or sequence of ints, optional，重新指定结果的形状。

Returns：

  • out：ndarray，函数返回一个全一数组。
>>>a = np.zeros([2,3], dtype=int)
>>>np.ones_like(a)
array([[1, 1, 1],
       [1, 1, 1]])

8. numpy.full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None)

参数：

  • a：array_like，创建的新数组定义了和这个对象相同的形状和数据类型；
  • fill_value：将被赋值给新数组的元素值；
  • dtype：data-type, optional，重新指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，'C’表示C-order，'F’表示F-order，'K’表示遵循a的顺序；
  • subok：bool, optional，如果为True，则新创建的数组将使用a的子类类型，否则它将是基类数组;
  • shape：int or sequence of ints, optional，重新指定结果的形状。

Returns：

  • out：ndarray，函数返回一个全一数组。
>>>a = np.zeros([2,3], dtype=int)
>>>np.full_like(a, 4)
array([[4, 4, 4],
       [4, 4, 4]])

9. numpy.eye(N, M=None, k=0, dtype=<class 'float'>, order='C')

参数：

  • N：int，输出数组的行数；
  • M：int, optional，输出数组的列数，如果为None，默认等与N；
  • k：int, optional，0表示主对角线，正数表示上对角线，负数表示下对角线；
  • dtype：data-type, optional，重新指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’}, optional，行优先或者列优先；

Returns：

  • out：ndarray，函数返回一个对角线元素为1，其余元素为零的数组。
>>>np.eye(4, M=5, dtype=float)
array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.]])

>>>np.eye(4, M=5, k=1, dtype=float)
array([[0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])

10. numpy.identity(n, dtype=<class 'float'>)

参数：

  • n：int，输出数组的行数；
  • dtype：data-type, optional，指定数组元素的数据类型（dtype）;

Returns：

  • out：ndarray，函数返回一个对角线元素为1的n×n数组。
>>>np.identity(4, dtype=int)
array([[1, 0, 0, 0],
       [0, 1, 0, 0],
       [0, 0, 1, 0],
       [0, 0, 0, 1]])

11. numpy.arange([start, ]stop, [step, ]dtype=None)

参数：

  • start：int or real, optional，间隔开始，包括开始该值，默认为0；
  • stop：int or real，间隔结束，不包括该值；
  • step：int or real, optional，间隔长度，默认为1；
  • dtype：dtype, optional，输出数组的数据类型。

Returns：

  • out：ndarray，返回固定间隔值的数组。
# arange(stop)
>>>np.arange(6, dtype=int)
array([0, 1, 2, 3, 4, 5])

# arange(start, stop)
>>>np.arange(3, 9, dtype=int)
array([3, 4, 5, 6, 7, 8])

# arange(start, stop, step) 

>>>np.arange(3, 6, 0.5, dtype=int)
array([3, 3, 3, 3, 3, 3])
>>>np.arange(3, 6, 0.5, dtype=float)
array([3. , 3.5, 4. , 4.5, 5. , 5.5])

注意

  1. 如果是浮点参数，那么输出数组的长度是 ceil(stop-start)/step , 因为浮点溢出问题，可能会导致输出数组的最后一个元素大于 stop 值。因此，这种情况下,应该使用numpy.linspace。
>>>np.arange(-3, 3, 0.5, dtype=int)
array([-3, -2, -1,  0,  1,  2,  3,  4,  5,  6,  7,  8])
  1. 内置的 range 函数生成任意大小的Python内置整型， numpy.arange生成的是numpy.int32 or numpy.int64 。这可能会导致对于大的正数的错误结果。

12. numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

参数：

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

Returns：

  • samples：ndarray，等距间隔的序列；
  • step：float, optional，间隔长度；
>>>np.linspace(2.0, 3.0, num=5)
array([2.  , 2.25, 2.5 , 2.75, 3.  ])
>>>np.linspace(2.0, 3.0, num=5, endpoint=False)
array([2. ,  2.2,  2.4,  2.6,  2.8])
>>>np.linspace(2.0, 3.0, num=5, retstep=True)
(array([2.  ,  2.25,  2.5 ,  2.75,  3.  ]), 0.25)

13. numpy.logspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

参数：

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

Returns：

  • samples：ndarray，对数刻度上等距的采样序列；
>>>np.logspace(2.0, 3.0, num=4)
array([ 100.        ,  215.443469  ,  464.15888336, 1000.        ])
>>>np.logspace(2.0, 3.0, num=4, endpoint=False)
array([100.        ,  177.827941  ,  316.22776602,  562.34132519])
>>>np.logspace(2.0, 3.0, num=4, base=2.0)
array([4.        ,  5.0396842 ,  6.34960421,  8.        ])

二、从Python的 array_like 对象转化为 NumPy数组

1. numpy.array(object, dtype=None, *, copy=True, order='K', subok=False, ndmin=0, like=None)

参数：

  • object：array-like结构的数值数据对象，如果是标量，返回包含该对象的0维数组；
  • dtype：data-type, optional，输出数组的数据类型；
  • copy ：bool, optional，值为True，则复制对象；
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，'C’表示C-order，'F’表示F-order，'K’表示遵循a的顺序；
  • subok：bool, optional，如果为True，直接返回子类，否则返回数组；
  • ndminint, optional，指定生成的数组应具有的最小维度数。为了满足这一要求，将根据需要对其形状进行预处理；

Returns：

  • out：ndarray，满足要求的数组对象；
>>>np.array([1, 2, 3])
array([1, 2, 3])

# 多维数组
>>>np.array([[1, 2], [3, 4]])
array([[1, 2],
       [3, 4]])

# 最小二维
>>>np.array([1, 2, 3], ndmin=2)
array([[1, 2, 3]])

# 结构化数据类型对象
>>>x = np.array([(1,2),(3,4)],dtype=[('a','<i4'),('b','<i4')])
x['a']
array([1, 3])

# 从子类创造一个数组
>>>np.array(np.mat('1 2; 3 4'))
array([[1, 2],
       [3, 4]])
>>>np.array(np.mat('1 2; 3 4'), subok=True)
matrix([[1, 2],
        [3, 4]])

2. numpy.asarray(a, dtype=None, order=None, *, like=None)

参数：

  • a：array_like，输入数据，任何形式都会被转化为数组；
  • dtype：data_type, optional，设置输出数据的数据类型；
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，'C’表示C-order，'F’表示F-order，'K’表示遵循a的顺序；

Returns：

  • out：ndarray，如果输入的 a 已经是满足要求的数组了，则不会复制，直接返回。如果 a 是数组的子类，则返回基类ndarray。
# 列表生成数组
>>>a = [1, 2]
>>>np.asarray(a)
array([1, 2])

# a 是数组，不发生复制
>>>a = np.array([1, 2])
>>>np.asarray(a) is a
True

# a 是数组，重新设置了新的数据类型，发生复制

>>>a = np.array([1, 2], dtype=np.float32)
>>>np.asarray(a, dtype=np.float32) is a
True
>>>np.asarray(a, dtype=np.float64) is a
False

numpy.array 和 numpy.asarray 的区别：
当参数本身就是数组时，numpy.array 会重新产生一个副本，而 numpy.asarray 不会。

3. numpy.asanyarray(a, dtype=None, order=None, *, like=None)

参数：

  • a：array_like，输入数据，任何形式都会被转化为数组；
  • dtype：data_type, optional，设置输出数据的数据类型；
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，'C’表示C-order，'F’表示F-order，'K’表示遵循a的顺序；

Returns：

  • out：ndarray or an ndarray subclass，如果输入的 a 已经是满足要求的数组或数组的子类，则不会复制，直接返回。
>>>a = [1, 2]
>>>np.asanyarray(a)
array([1, 2])

>>>a = np.array([(1.0, 2), (3.0, 4)], dtype='f4,i4').view(np.recarray)
>>>np.asanyarray(a) is a
True

4. numpy.asmatrix(data, dtype=None)

参数：

  • data：array_like，输入数据；
  • dtype：data_type, optional，设置输出数据的数据类型；
    Returns：
  • mat：matrix，输出转化后的矩阵，如果输入已经是一个矩阵，则不发生复制。
>>>x = np.array([[1, 2], [3, 4]])
>>>m = np.asmatrix(x)
>>>x[0,0] = 5
>>>m
matrix([[5, 2],
        [3, 4]])

5. numpy.copy(a, order='K', subok=False)

参数：

  • a：array_like，输入数据；
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，'C’表示C-order，'F’表示F-order，'K’表示遵循a的顺序；
  • subok：bool, optional，如果为True，则子类将被返回，否则返回的数组将被强制为基类数组（默认为False）。

Returns：

  • out：数组a；效果等同于np.array(a, copy=True)
峡谷的小鱼
关注
  • 4
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
[Numpy] 创建数组
Hudas的博客
07-27 3248
本文主要讲解Numpy创建数组相关知识
创建numpy数组常用的四类方法
youzi85的博客
01-09 1440
说到python的数据分析第三方扩展库，就不得不提到numpy和pandas。今天我们一起来学习numpy中怎么创建数组。
【Numpy】np创建数组的常用方法
最新发布
qq_61144763的博客
04-29 602
Numpy创建数组的常用方法
numpy中的一些函数
m0_73503720的博客
10-11 1487
numpy函数
numpy 创建数组的各种函数
业精于勤，荒于嬉；行成于思，毁于随
04-11 2455
python——numpy数据库
NumPy创建数组的方法
feizuiku0116的博客
09-05 3106
结果显示：数组会将所有元素的数据类型都转为'
浅谈numpy数组的几种排序方式
09-20
创建NumPy数组通常有以下几种方式： 1. 创建1维数组：通过`np.array()`函数，如`data = np.array([1,3,4,8])`。你可以查看数组的维度`data.shape`和类型`data.dtype`。 2. 创建二维数组：使用两个列表作为参数，如`...
Numpy 改变数组维度的几种方法小结
01-20
0. 首先，创建一个多维数组 from numpy import * a = arange(24) 得到： [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] 1.reshape 函数 b = a.reshape(2,3,4) print(b) 得到一个 2*3*4 维的
Python Numpy 数组的初始化和基本操作
12-23
Python 是一种高级的，动态的，多泛型的编程语言。Python代码很多时候看起来就像是伪代码一样，因此你可以使用很少的几行可读性很高的代码来实现一个非常强大的想法。 一.基础： Numpy的主要数据类型是ndarray，即...
取numpy数组的某几行某几列方法
09-20
首先，numpy数组是一种强大的数据结构，它允许高效地存储和操作多维数据。例如，给定一个二维数组a： ```python a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) ``` 在这个例子中，a是一个3x3的数组，包含三行...
NumPy 多维数组，创建数组的几个函数
weixin_52797843的博客
12-19 2222
python numpy 创建数组的函数详解，举例
NumPy(ndarray创建)
weixin_38477351的博客
01-12 5767
ndarray创建 ndarray创建 1、可以通过numpy模块中常用的几个函数进行创建 ndarray多维数组对象，主要函数如下： (1)array函数：接收一个普通的 python序列，并将其转换为ndarray。 ...
07 Python Numpy库的其他方式创建数列
Corollary的博客
04-08 286
07其他方式创建数组 zeros创建数组 def zerosTest(): a = np.zeros(5) print(a) b = np.zeros(5, dtype = int) print(b) #创建二维数组 c = np.zeros((3, 4)) print(c) zerosTest() ones创建数组 def o...
Numpy|创建数组的多种方法
Python进阶专栏《爬虫实战进阶》，《数据分析入门与实战》原创作者
12-26 1796
本文是该专栏的第17篇，后面会持续分享python的数据分析知识，记得关注。使用numpy创建数组的方法有很多，你知道的有哪些呢？笔者下面将几种创建数组的方法进行了统一整理，废话不多说，直接往下一起探讨吧！
numpy数组定义
糯米君的博客
05-09 994
import numpy as np # numpy数组包含相同类型的元素 a = np.arange(10).reshape(2, 5) print(a) # 可以通过ndim、shape 和size查看数组维度、每一维的大小及数组总大小 print(a.ndim) print(a.shape) print(a.dtype)
NumPy生成数组的4个常用函数
wangyiniya的博客
02-03 1389
NumPy生成数组的4个常用函数是哪些呢?今天番茄加速就来讲一下。 对于更大的数组，手动初始化数据是不现实的，比如使用python的list. 我们得用numpy提供的函数才能生成不同形式的数组。 今天列举4个常用的函数。 arange函数 arange函数：起始点，终点，步长;不包括终点 In [2]: x = arange(0,10,1) In [3]: x Out[3]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) In [4]: x = arange(-1, 1, 0
Numpy使用（python）numpy创建数组
weixin_52147015的博客
10-09 1637
Numpy使用（python）numpy创建数组
数据分析----numpy数组的三种创建方式
redrose2100的博客
05-06 4166
【原文链接】 一、使用列表创建numpy数组 1 使用numpy创建一维数组 2 使用numpy创建二维数组 3 使用numpy创建一维数组，源为不同数据类型的列表 如下，源虽然是不同类型的元素的列表，但是创建numpy对象后，都转换为字符串类型，类型的优先级是：字符串 > 浮点数 > 整数 二、通过读取图片创建多维numpy数组 1 将图片信息读取到numpy数组中 首先在jupyter根目录中上传了一张"100.png"的图片，然后使用如下代码即可读取 import matplotli
numpy 多维数组矩阵如何读取某列数据
07-13
要读取多维数组或矩阵中的某一列数据，可以使用NumPy的索引功能。以下是几种常见的方法： ...这些是使用NumPy读取多维数组或矩阵中某一列数据的几种常见方法。根据实际需求，选择适合的方法来读取所需的列数据。
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