numpy.array 函数简介-ag真人游戏

import numpy as np

numpy.array 常用变量及参数

• dtype变量，用来存放数据类型， 创建数组时可以同时指定。
• shape变量， 存放数组的大小， 这人值是可变的， 只要确保无素个数不变的情况下可以任意修改。（-1为自动适配， 保证个数不变）
• reshape方法，创建一个改变了形状的数组，与原数组是内存共享的，即都指向同一块内存。 

创建数组的方法

[python]  view plain  copy

1. np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]], dtype=np.float)  
2. np.arange(0,1,0.1) #0到1之间步长为0.1的数组, 数组中不包含1  
3. np.linspace(0, 1, 5) # 开始：0， 结束1, 元素个数 5。 array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ])  
4. np.logspace(0, 1, 5) # 开始：0， 结束1, 元素个数 5. array([ 10**0.  ,  10**0.25,  10**0.5 ,  10**0.75,  10**1.  ])  
5.                      # 结果是 array([  1.        ,   1.77827941,   3.16227766,   5.62341325,  10.        ])  
6.   
7. s = 'abcdefg'  
8. np.fromstring(s, dtype=np.int8)  
9.   
10. def func2(i, j):  
11.     return (i 1) * (j 1)  
12. np.fromfunction(func2, (9,9))  
13.   
14. np.ones((2, 2))  
15. np.zero((2, 2))  
16. np.eye(2)  
17.   
18. #创建二维数组：  
19. np.arange(0, 60, 10).reshape(-1, 1)   np.arange(0, 6)  

数据读取

通过 下标范围获取数据： 与python list对象操作一致。 不同点是这方法 获取的数组与原数组是内存共享的。

通过 整数序列获取新数组：例 x[ [3,2,3,2] ], 产生新数组， 内存不共享 使用 布尔数组获取数据：例:  x[np.array([true, false, true, false, false])] 或 x[x>0.5] , 返回true对应的数字。 代码示例： [python]  view plain  copy

1. >>> x = np.arange(10)  
2. >>> y = x[::-1]  
3. >>> x  
4. array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])  
5. >>> y  
6. array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])  
7. >>> y[0] = 100  
8. >>> x  
9. array([  0,   1,   2,   3,   4,   5,   6,   7,   8, 100])  
10. >>> y  
11. array([100,   8,   7,   6,   5,   4,   3,   2,   1,   0])  
12. >>> x[0] = 99  
13. >>> x  
14. array([ 99,   1,   2,   3,   4,   5,   6,   7,   8, 100])  
15. >>> y  
16. array([100,   8,   7,   6,   5,   4,   3,   2,   1,  99])  
17. >>> y = x[1:6]  
18. >>> y  
19. array([1, 2, 3, 4, 5])  
20. >>> y[2] = 33  
21. >>> y  
22. array([ 1,  2, 33,  4,  5])  
23. >>> x  
24. array([ 99,   1,   2,  33,   4,   5,   6,   7,   8, 100])  
25. >>> x[[3,2,3,2]]  
26. array([33,  2, 33,  2])  
27. >>> z = x[[3,2,3,2]]  
28. >>> z  
29. array([33,  2, 33,  2])  
30. >>> z[3] = 4  
31. >>> z  
32. array([33,  2, 33,  4])  
33. >>> x  
34. array([ 99,   1,   2,  33,   4,   5,   6,   7,   8, 100])  
35. >>> x[x>10]  
36. array([ 99,  33, 100])  
37. >>>   

数组扩展 np.vstack((a, b)):  增加行数， 把b数据追加到a的下面， 上下连接。 np.hstack((a, b)): 增加列数，把a, b左右连接。 [python]  view plain  copy

1. >>> a = np.ones((3,3))  
2. >>> b = np.eye(3)  
3. >>> a  
4. array([[ 1.,  1.,  1.],  
5.        [ 1.,  1.,  1.],  
6.        [ 1.,  1.,  1.]])  
7. >>> b  
8. array([[ 1.,  0.,  0.],  
9.        [ 0.,  1.,  0.],  
10.        [ 0.,  0.,  1.]])  
11. >>> b *= 2  
12. >>> b  
13. array([[ 2.,  0.,  0.],  
14.        [ 0.,  2.,  0.],  
15.        [ 0.,  0.,  2.]])  
16. >>> np.vstack((a, b))  
17. array([[ 1.,  1.,  1.],  
18.        [ 1.,  1.,  1.],  
19.        [ 1.,  1.,  1.],  
20.        [ 2.,  0.,  0.],  
21.        [ 0.,  2.,  0.],  
22.        [ 0.,  0.,  2.]])  
23. >>>   
24. >>> np.hstack((a, b))  
25. array([[ 1.,  1.,  1.,  2.,  0.,  0.],  
26.        [ 1.,  1.,  1.,  0.,  2.,  0.],  
27.        [ 1.,  1.,  1.,  0.,  0.,  2.]])  

ufunc运算

ufunc是universal function的缩写，它是一种能对数组的每个元素进行操作的函数。numpy内置的许多ufunc函数都是在c语言级别实现的，因此它们的计算速度非常快。

[python]  view plain  copy

1. np.sin(x, x)  
2. np.add(a, b) ~ a b  
3. np.subtract(a, b) ~ a-b  
4. np.multiply(a, b) ~ a*b  
5. divide ~ a/b  
6. floor divide  ~ a//b  
7. negative ~ -a  
8. power ~ a**b  
9. remainder ~ a % b  

注意：复杂运算时，中间步聚会有临时变量，这会拖慢运算速度。 如： [python]  view plain  copy

1. x = a*b   c  

等价于 [python]  view plain  copy

1. t = a*b  
2. x = t   c  
3. del t  

所以可手动优化

[python]  view plain  copy

1. x = a * b  
2. x  = c  

二维数组转一维 

[html]  view plain  copy

1. >>> a  
2. array([[ 1,  2,  3,  4],  
3.        [ 4,  5,  6,  7],  
4.        [ 7,  8,  9, 10]])  
5. >>> a.ravel()  
6. array([ 1,  2,  3,  4,  4,  5,  6,  7,  7,  8,  9, 10])  

[html]  view plain  copy

1. reshape函数可重新定义大小。