python用np创建一个一维空数组 numpy创建一维数组

文章目录

• 数组的创建

• 1.依据现有数据来创建 ndarray

• 1.1通过array()函数进行创建。
• 1.2通过asarray()函数进行创建
• 1.3通过fromfunction()函数进行创建

• 2.依据 ones 和 zeros 填充方式

• 2.1零数组
• 2.2 1数组
• 2.3空数组
• 2.4单位数组
• 2.5对角数组
• 2.6常数数组

• 3.利用数值范围来创建ndarray
• 4.结构数组的创建

• 利用字典来定义结构
• 利用包含多个元组的列表来定义结构

• 数组的属性

数组的创建

导入 numpy

import numpy as np

numpy 提供的最重要的数据结构是 ndarray, 它是 python 中 list 的扩展。

1.依据现有数据来创建 ndarray

1.1通过array()函数进行创建。

def array(p_object,dtype=None,copy=True,order='K',subok=False,ndmin=0):

【例】

import numpy as np

# 创建一维数组
a=np.array([0,1,2,3,4])
b=np.array((0,1,2,3,4))
print(a,type(a)) # [0 1 2 3 4] <class 'numpy.ndarray'>
print(b,type(b)) # [0 1 2 3 4] <class 'numpy.ndarray'>

# 创建二维数组
c=np.array([[0,1,2,3,4],
           [5,6,7,8,9],
           [10,11,12,13,14]])
print(c,type(c))
'''
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]] <class 'numpy.ndarray'>
'''

# 创建三维数组
d=np.array([[(1.5,2,3),(4,5,6)],
            [(3,2,1),(4,5,6)]])
print(d,type(d))
'''
[[[1.5 2.  3. ]
  [4.  5.  6. ]]

 [[3.  2.  1. ]
  [4.  5.  6. ]]] <class 'numpy.ndarray'>
'''

1.2通过asarray()函数进行创建

array()和asarray()都可以将结构数据转化为 ndarray，但是array()和asarray()主要区别就是当数据源是ndarray 时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时 asarray()不会。

def asarray(a, dtype=None, order=None):
    return array(a, dtype, copy=False, order=order)

【例】array()和asarray()都可以将结构数据转化为 ndarray

import numpy as np

x=[[1,1,1],[1,1,1],[1,1,1]]
y=np.array(x)
z=np.asarray(x)
x[1][2]=2
print(x,type(x))
# [[1, 1, 1], [1, 1, 2], [1, 1, 1]] <class 'list'>
print(y,type(y))
'''
[[1 1 1]
 [1 1 1]
 [1 1 1]] <class 'numpy.ndarray'>
'''
print(z,type(z))
'''
[[1 1 1]
 [1 1 1]
 [1 1 1]] <class 'numpy.ndarray'>
'''

【例】array()和asarray()的区别。(array()和asarray()主要区别就是当数据源是ndarray 时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时 asarray()不会。)

import numpy as np

x=np.array([[1,1,1],[1,1,1],[1,1,1]])
y=np.array(x)
z=np.asarray(x)
w=np.asarray(x,dtype=np.int)
x[1][2]=2
print(x,type(x),x.dtype)
'''
[[1 1 1]
 [1 1 2]
 [1 1 1]] <class 'numpy.ndarray'> int32
'''
print(y,type(y),y.dtype)
'''
[[1 1 1]
 [1 1 1]
 [1 1 1]] <class 'numpy.ndarray'> int32
'''
print(z,type(z),z.dtype)
'''
[[1 1 1]
 [1 1 2]
 [1 1 1]] <class 'numpy.ndarray'> int32
'''
print(w,type(w),w.dtype)
'''
[[1 1 1]
 [1 1 2]
 [1 1 1]] <class 'numpy.ndarray'> int32
'''

【例】更改为较大的dtype时，其大小必须是array的最后一个axis的总大小（以字节为单位）的除数

import numpy as np

x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])
print(x, x.dtype)
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]] int32
x.dtype = np.float
'''
ValueError: When changing to a larger dtype, its size must be a divisor of the total size in bytes of the last axis of the array.
'''

1.3通过fromfunction()函数进行创建

给函数绘图的时候可能会用到fromfunction()，该函数可从函数中创建数组

def fromfunction(function, shape, **kwargs):

【例】通过在每个坐标上执行一个函数来构造数组。

import numpy as np

def f(x,y):
    return 10*x+y
x=np.fromfunction(f,(5,4),dtype=int)
print(x)
'''
[[ 0  1  2  3]
 [10 11 12 13]
 [20 21 22 23]
 [30 31 32 33]
 [40 41 42 43]]
'''
x = np.fromfunction(lambda i, j: i == j, (3, 3), dtype=int)
print(x)
# [[ True False False]
#  [False  True False]
#  [False False  True]]

x = np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int)
print(x)
# [[0 1 2]
#  [1 2 3]
#  [2 3 4]]

2.依据 ones 和 zeros 填充方式

在机器学习任务中经常做的一件事就是初始化参数，需要用常数值或者随机值来创建一个固定大小的矩阵。

2.1零数组

1. zeros()函数:返回给定形状和类型的零数组
2. zeros_like()函数:返回与给定数组形状和类型相同的零数组

def zeros(shape, dtype=None, order='C'):
def zeros_like(a, dtype=None, order='K', subok=True, shape=None):

【例】

import numpy as np

x=np.zeros(5)
print(x) # [0. 0. 0. 0. 0.]
x=np.zeros([2,3])
print(x)
'''
[[0. 0. 0.]
 [0. 0. 0.]]
'''

x=np.array([[1,2,3],[4,5,6]])
y=np.zeros_like(x)
print(y)
'''
[[0 0 0]
 [0 0 0]]
'''

2.2 1数组

1. ones()函数：返回给定形状和类型的1数组。
2. ones_like()函数：返回与给定数组形状和类型相同的1数组。

def ones(shape, dtype=None, order='C'):
def ones_like(a, dtype=None, order='K', subok=True, shape=None):

【例】

import numpy as np

x = np.ones(5)
print(x)  # [1. 1. 1. 1. 1.]
x = np.ones([2, 3])
print(x)
# [[1. 1. 1.]
#  [1. 1. 1.]]

x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.ones_like(x)
print(y)
# [[1 1 1]
#  [1 1 1]]

2.3空数组

1. empty()函数：返回一个空数组，数组元素为随机数。
2. empty_like函数：返回与给定数组具有相同形状和类型的新数组。

def empty(shape, dtype=None, order='C'): 
def empty_like(prototype, dtype=None, order='K', subok=True, shape=None):

【例】

import numpy as np

x=np.empty(5)
print(x)
# [0. 0. 0. 0. 0.]
x=np.empty((3,2))
print(x)
'''
[[0. 0.]
 [0. 0.]
 [0. 0.]]
'''
x=np.array([[1,2,3],[4,5,6]])
y=np.empty_like(x)
print(y)
'''
[[0 0 0]
 [0 0 0]]
'''

2.4单位数组

1. eye()函数：返回一个对角线上为1，其它地方为零的单位数组。
2. identity()函数：返回一个方的单位数组。

def eye(N, M=None, k=0, dtype=float, order='C'):
def identity(n, dtype=None):

【例】

import numpy as np

x=np.eye(4)
print(x)
'''
[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]]
'''
x=np.eye(2,3)
print(x)
'''
[[1. 0. 0.]
 [0. 1. 0.]]
'''
x=np.identity(4)
print(x)
'''
[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]]
'''

2.5对角数组

diag()函数：提取对角线或构造对角数组。

def diag(v, k=0):

【例】

import numpy as np

x=np.arange(9).reshape((3,3))
print(x)
'''
[[0 1 2]
 [3 4 5]
 [6 7 8]]
'''
print(np.diag(x)) # [0 4 8]
print(np.diag(x,k=1)) # [1 5]
print(np.diag(x,k=-1)) # [3 7]

v = [1, 3, 5, 7]
x = np.diag(v)
print(x)
'''
[[1 0 0 0]
 [0 3 0 0]
 [0 0 5 0]
 [0 0 0 7]]
'''

2.6常数数组

import numpy as np

x = np.full((2,), 7)
print(x)
# [7 7]

x = np.full(2, 7)
print(x)
# [7 7]

x = np.full((2, 7), 7)
print(x)
# [[7 7 7 7 7 7 7]
#  [7 7 7 7 7 7 7]]

x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.full_like(x, 7)
print(y)
# [[7 7 7]
#  [7 7 7]]

3.利用数值范围来创建ndarray

arange()函数：返回给定间隔内的均匀间隔的值。 linspace()函数：返回指定间隔内的等间隔数字。 logspace()函数：返回数以对数刻度均匀分布。 numpy.random.rand() 返回一个由[0,1)内的随机数组成的数组。

【例】

import numpy as np

x=np.arange(5)
print(x) # [0 1 2 3 4]

x=np.arange(3,7,2)
print(x) # [3 5]

x=np.linspace(start=0,stop=2,num=9)
print(x) # [0.   0.25 0.5  0.75 1.   1.25 1.5  1.75 2.  ]

# np.around 返回四舍五入后的值，可指定精度。
# around(a, decimals=0, out=None)
# a 输入数组
# decimals 要舍入的小数位数。 默认值为0。 如果为负，整数将四舍五入到小数点左侧的位置

x=np.linspace(start=0,stop=1,num=5)
x=[10 ** i for i in x]
print(np.around(x,2)) # [ 1.    1.78  3.16  5.62 10.  ]

x=np.random.random(5)
print(x) # 随机数字

x=np.random.random([2,3])
print(x) # 随机数字

4.结构数组的创建

利用字典来定义结构

import numpy as np

personType=np.dtype({
    'names':['name','age','weight'],
    'formats':['U30','i8','f8']})
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))

'''
[('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)] <class 'numpy.ndarray'>

'''

利用包含多个元组的列表来定义结构

【例】

import numpy as np

personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')])
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>

# 结构数组的取值方式和一般数组差不多，可以通过下标取得元素：
print(a[0])
# ('Liming', 24, 63.9)

print(a[-2:])
# [('Mike', 15, 67. ) ('Jan', 34, 45.8)]

# 我们可以使用字段名作为下标获取对应的值
print(a['name'])
# ['Liming' 'Mike' 'Jan']
print(a['age'])
# [24 15 34]
print(a['weight'])
# [63.9 67.  45.8]

数组的属性

在使用 numpy 时，你会想知道数组的某些信息。很幸运，在这个包里边包含了很多便捷的方法，可以给你想要的信息。

numpy.ndarray.ndim用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。 numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。 numpy.ndarray.size数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。 numpy.ndarray.dtype ndarray 对象的元素类型。 numpy.ndarray.itemsize以字节的形式返回数组中每一个元素的大小。

【例】

import numpy as np

a=np.array([1,2,3,4,5])
print(a.shape) # (5,)
print(a.dtype) # int32
print(a.size) # 5
print(a.ndim) # 1
print(a.itemsize) # 4

b = np.array([[1, 2, 3], [4, 5, 6.0]])
print(b.shape)  # (2, 3)
print(b.dtype)  # float64
print(b.size)  # 6
print(b.ndim)  # 2
print(b.itemsize)  # 8

在ndarray中所有元素必须是同一类型，否则会自动向下转换，int->float->str。
【例】

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(a)  # [1 2 3 4 5]
b = np.array([1, 2, 3, 4, '5'])
print(b)  # ['1' '2' '3' '4' '5']
c = np.array([1, 2, 3, 4, 5.0])
print(c)  # [1. 2. 3. 4. 5.]