Numpy数组

NumPy 是什么？

NumPy是使用Python进行科学计算的基础软件包。

除其他外，它包括：

• 功能强大的N维数组对象。
• 精密广播功能函数。
• 集成 C/C+和Fortran 代码的工具。
• 强大的线性代数、傅立叶变换和随机数功能。

NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。

ndarray 对象是用于存放同类型元素的多维数组。ndarray 中的每个元素在内存中都有相同存储大小的区域。

ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。

ndarray 数组可以基于 0 – n 的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。

一维数组

通过一维空间的理论来介绍一下什么叫做一维数组。

“一维空间是指只由一条线内的点所组成的空间，它只有长度，没有宽度和高度，只能向两边无限延展。”

通过对一维空间的介绍，可以很容易理解什么是一维数组，就拿Python中的列表举例，列表中仅仅存储基本类型的列表就是一个一维列表。

例如： list = [1, 2, 3, 4, 5, 6]

数组的获取数据方式跟Python列表是一样的，通过下标去访问数据。

如，通过一维数组保存学生的成绩，且通过索引获取数组数据：

多维数组

二维数组

二维数组就是一个所有元素都是一维数组的数组。

在上面的介绍中，使用了一维数组存储了一个学生的成绩，那么如果想存储所有学生的成绩，就需要使用二维数组，同时二维数组也是一个矩阵。

通过图像描述一下：

上图中，每行对应一名学生，每列对应一门课程，矩阵中的每一个元素，都需要使用score[i, j]来表示，其中 i 是行的下标，对应一名学生；j 是列的下标，对应一门课程。

图1中，想要获取学生 0 的语文成绩，则表示为score[0, 0] = 85

图2中，想要获取学生 0 的历史成绩，则表示为score[0, 3] = 94

图3中，想要获取学生 29 的物理成绩，则表示为score[29, 4] = 80

这就是二维数组的获取元素数据的方式。

在程序中，二维数组的表达方式：

[[ 1,  2,  3,  4,  5],
 [ 6,  7,  8,  9, 10],
 [ 11,  12,  13,  14,  15]]

数组的形状

数组的形状，描述了数组的维度，以及各个维度内部的元素个数。

上图中这个二维数组，它的形状是(30, 5)，这里有两个数字，它们分别表示，第一个维度和第二个维度的元素个数，其中，30表示第一个维度，5表示第二个维度。

形状(30, 5)也表示它是一个30 * 5的二维矩阵。

数组的形状用一个元组来表示，它描述了数组的维数和长度。

多维数组

上图中就是一个多维数组的描述，分别有三维数组，四维数组，五维数组。

通过上图可以狠清晰明了的看出，三维包二维，四维包三维等等以此类推。

创建数组

Numpy创建数组通常使用np.array([列表]/(元组))方法来创建，在Numpy中数组的类型就是强大ndarray类型。

import numpy as np
# 创建数组
np_array = np.array([1, 2, 3, 4, 5])
# 创建二维即多维数组
np_array = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
# 获取数据类型
print(type(np_array))

array可以使用索引访问array元素，也可以使用进行切片访问元素，例如：

数组常用的属性

• ndim 数组的维度
• shape 数组的形状
• size 数组元素的总个数
• dtype 数组中元素的数据类型
• itemsize 数组中每个元素的字节数

Numpy中创建数组可支持的类型：

• int8、uint8、int16、uint16、int32、uint32、int64、uint64
• float16、float32、float64、float128
• complex64、complex128、complex256
• bool、object、string_、unicode_

使用dtype参数创建array

在使用Python列表或者元组来创建Numpy数组的时候，所创建的数组类型，由原来的元素类型推倒而来，例如：

数组常用的方法

在通常情况下，创建Numpy数组的时候，需要去初始化Numpy数组的值，因此Numpy为我们提供了一些初始化值的方法，例如：

• np.ones() 创建全1的数组
• np.zeros() 创建全0的数组
• np.arange() 创建数字序列数组
• np.eye() 创建单位矩阵
• np.linspace() 创建等差数列
• np.logspace() 创建等比数列

arange()方法：创建一个由数字序列构成的数组。

np.arange(起始数字，结束数字，步长，dtype=数据类型)

跟Python的列表一样，都是前闭后开的：数字序列中不包括结束数字。

起始数字省略时，默认从0开始。

步长省略时，默认1

>>> np.arange(4)
array([0, 1, 2, 3])

>>> np.arange(0, 2, 0.3) # 起始值0，结束值2，步长0.3
array([0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])

ones()方法：创建一个元素全为1的数组。

np.ones(shape, dtype=数据类型)

>>> np.ones((3, 2), dtype=np.int16)
array([[1, 1],
       [1, 1],
       [1, 1]], dtype=int16)

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

从例子中可以看出，当不指定类型的时候，元素的值默认为float64

zeros()方法：创建一个元素全为0的数组。

np.zeros(shape, dtype=数据类型)

这个方法和ones()的用法是一样的，就不过多解释了。

eye()方法：创建一个单位矩阵。

np.eye(shape)

# 创建一个3 * 3的单位矩阵
>>> np.eye(3)
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

# 创建一个2 * 3的单位矩阵
>>> np.eye(2, 3)
array([[1., 0., 0.],
       [0., 1., 0.]])

linspace()方法：创建一个等差数列。

np.linspace(start, stop, num=50)

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

logspace()方法：创建一个等比数列。

np.logspace(start, stop, num=50, base=10)

>>> np.logspace(1, 5, 5, base=2)
array([ 2.,  4.,  8., 16., 32.])

asarray()方法：将列表或者元组转化为数组对象。

asarray也是一个创建数组的方法，和array不同的是，当asarray和array的参数已经是数组的时候，array的参数是引用类型，asarray则是直接拷贝，也就是新开辟一块内存地址，存储新的数据，和原来的数据不会关联，例如：