数组属性方法总结




 

作用

1

基本属性

a.dtype

数组元素类型 float32,uint8,...

a.shape

数组形状 (m,n,o,...)

a.size

数组元素数

a.itemsize

每个元素占字节数

a.nbytes

所有元素占的字节

a.ndim

数组维度

2

形状相关

a.flat

所有元素的迭代器

a.flatten()

返回一个1维数组的复制

a.ravel()

返回一个1维数组，高效

a.resize(new_size)

改变形状

a.swapaxes(axis1, axis2)

交换两个维度的位置

a.transpose(*axex)

交换所有维度的位置

a.T

转置，a.transpose()

a.squeeze()

去除所有长度为1的维度

3

填充复制

a.copy()

返回数组的一个复制

a.fill(value)

将数组的元组设置为特定值

4

转化

a.tolist()

将数组转化为列表

a.tostring()

转换为字符串

a.astype(dtype)

转化为指定类型

a.byteswap(False)

转换大小字节序

a.view(type_or_dtype)

生成一个使用相同内存，但使用不同的表示方法的数组

5

复数

a.imag

虚部

a.real

实部

a.conjugate()

复共轭

a.conj()

复共轭（缩写）

6

保存

a.dump(file)

将二进制数据存在file中

a.dump()

将二进制数据表示成字符串

a.tofile(fid, sep="",format="%s")

格式化ASCⅡ码写入文件

7

查找排序

a.nonzero()

返回所有非零元素的索引

a.sort(axis=-1)

沿某个轴排序

a.argsort(axis=-1)

沿某个轴，返回按排序的索引

a.searchsorted(b)

返回将b中元素插入a后能保持有序的索引值

8

元素数学操作

a.clip(low, high)

将数值限制在一定范围内

a.round(decimals=0)

近似到指定精度

a.cumsum(axis=None)

累加和

a.cumprod(axis=None)

累乘积

9

约简操作

a.sum(axis=None)

求和

a.prod(axis=None)

求积

a.min(axis=None)

最小值

a.max(axis=None)

最大值

a.argmin(axis=None)

最小值索引

a.argmax(axis=None)

最大值索引

a.ptp(axis=None)

最大值减最小值

a.mean(axis=None)

平均值

a.std(axis=None)

标准差

a.var(axis=None)

方差

a.any(axis=None)

只要有一个不为0，返回真，逻辑或

a.all(axis=None)

所有都不为0，返回真，逻辑与


In [1]: 



from numpy import *




基本属性


In [2]:




a = array ([[ 0 , 1 , 2 , 3 ], [ 4 , 5 , 6 , 7 ]])



a



Out[2]:




array([[0, 1, 2, 3],



[4, 5, 6, 7]])




数组元素属性：


In [3]: 



a.dtype



Out[3]:



dtype('int32')




形状：


In [4]: 



a.shape



Out[4]:



(2L, 4L)




元素数目：


In [5]: 



a.size



Out[5]:



8




元素占字节大小：


In [6]: 



a.itemsize



Out[6]:



4




所有元素所占字节：


In [7]: 



a.nbytes



Out[7]:



32




数据维度：


In [8]: 



a.ndim



Out[8]:



2




形状相关


In [9]:




for row in a :



print row





[0 1 2 3]



[4 5 6 7]




所有元素的迭代器：


In [10]:




for elt in a . flat :



print elt





0

1


3

24


7

5


6




所有元素组成的一维数组，按照行排列：


In [11]: 



a.flatten()



Out[11]:



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


In [12]: 



a.ravel()



Out[12]:



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




重新改变形状：


In [13]:




a . resize (( 4 , 2 ))



a



Out[13]:




array([[0, 1],

[2, 3],


[6, 7]])



[4, 5],




交换这两个轴的顺序：


In [14]: 



a.swapaxes(0,1)



Out[14]:




array([[0, 2, 4, 6],



[1, 3, 5, 7]])




转置：


In [15]: 



a.transpose()



Out[15]:




array([[0, 2, 4, 6],



[1, 3, 5, 7]])




转置：


In [16]: 



a.T



Out[16]:




array([[0, 2, 4, 6],



[1, 3, 5, 7]])


In [17]:




a2 = array ([ 1 , 2 , 3 ])



a2 . shape



Out[17]:



(3L,)


In [18]:




a2 . resize (( 1 , 3 , 1 ))



a2 . shape



Out[18]:



(1L, 3L, 1L)




去除长度为1的维度：


In [19]:




a2 = a2 . squeeze ()



a2 . shape



Out[19]:



(3L,)




填充复制




复制：


In [20]:




b = a . copy ()



b



Out[20]:




array([[0, 1],

[2, 3],


[6, 7]])



[4, 5],




复制不影响原来的数组：


In [21]:




b [ 0 ][ 0 ] = - 1



b # First value changed



Out[21]:




array([[-1, 1],

[ 2, 3],


[ 6, 7]])



[ 4, 5],


In [22]: 



a # original not changed because b is a copy



Out[22]:




array([[0, 1],

[2, 3],


[6, 7]])



[4, 5],




填充：


In [23]:




b . fill ( 4 )



b



Out[23]:




array([[4, 4],

[4, 4],


[4, 4]])



[4, 4],




转化




转化为列表：


In [24]: 



a.tolist()



Out[24]:



[[0, 1], [2, 3], [4, 5], [6, 7]]




转化为字符串：


In [25]: 



a.tostring()



Out[25]:



'\x00\x00\x00\x00\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00\x05\x00\x00\x00\x06\x00\x00\x00\x07\x00\x00\x00'




改变数组元素类型：


In [26]: 



a.astype(float)



Out[26]:




array([[ 0., 1.],

[ 2., 3.],


[ 6., 7.]])



[ 4., 5.],


In [27]:




b = a . copy ()



b . byteswap ( False )



Out[27]:




array([[ 0, 16777216],

[ 33554432, 50331648],


[100663296, 117440512]])



[ 67108864, 83886080],




将它看成16位整数：


In [28]: 



a.view(dtype=int16)



Out[28]:




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

[2, 0, 3, 0],


[6, 0, 7, 0]], dtype=int16)



[4, 0, 5, 0],




复数




实部：


In [29]:




b = array ([ 1 + 2j , 3 + 4j , 5 + 6j ])



b . real



Out[29]:



array([ 1., 3., 5.])




虚部：


In [30]: 



b.imag



Out[30]:



array([ 2., 4., 6.])




共轭：


In [31]: 



b.conj()



Out[31]:



array([ 1.-2.j, 3.-4.j, 5.-6.j])


In [32]: 



b.conjugate()



Out[32]:



array([ 1.-2.j, 3.-4.j, 5.-6.j])




保存




保存成文本：


In [33]: 



a.dump("file.txt")




字符串：


In [34]: 



a.dumps()



Out[34]:



'\x80\x02cnumpy.core.multiarray\n_reconstruct\nq\x01cnumpy\nndarray\nq\x02K\x00\x85U\x01b\x87Rq\x03(K\x01\x8a\x01\x04\x8a\x01\x02\x86cnumpy\ndtype\nq\x04U\x02i4K\x00K\x01\x87Rq\x05(K\x03U\x01<NNNJ\xff\xff\xff\xffJ\xff\xff\xff\xffK\x00tb\x89U \x00\x00\x00\x00\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00\x05\x00\x00\x00\x06\x00\x00\x00\x07\x00\x00\x00tb.'




写入文件：


In [35]: 



a.tofile('foo.csv', sep=',', format="%s")




查找排序




非零元素的索引：


In [36]: 



a.nonzero()



Out[36]:




(array([0, 1, 1, 2, 2, 3, 3], dtype=int64),



array([1, 0, 1, 0, 1, 0, 1], dtype=int64))




排序：


In [37]:




b = array ([ 3 , 2 , 7 , 4 , 1 ])



b . sort ()



b



Out[37]:



array([1, 2, 3, 4, 7])




排序的索引位置：


In [38]:




b = array ([ 2 , 3 , 1 ])



b . argsort ( axis =- 1 )



Out[38]:



array([2, 0, 1], dtype=int64)



将 b 插入 a 中的索引，使得 a

In [39]:




a = array ([ 1 , 3 , 4 , 6 ])



b = array ([ 0 , 2 , 5 ])



a . searchsorted ( b )



Out[39]:



array([0, 1, 3], dtype=int64)




元素数学操作




限制在一定范围：


In [40]:




a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])



a . clip ( 0 , 2 )



Out[40]:




array([[2, 1, 2],



[2, 1, 2]])




近似：


In [41]:




a = array ([ 1.344 , 2.449 , 2.558 ])



a . round ( decimals = 2 )



Out[41]:



array([ 1.34, 2.45, 2.56])




累加和：


In [42]:




a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])



a . cumsum ( axis = None )



Out[42]:



array([ 4, 5, 8, 10, 11, 16])




累乘积：


In [43]: 



a.cumprod(axis=None)



Out[43]:



array([ 4, 4, 12, 24, 24, 120])




约简操作




求和：


In [44]:




a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])



a . sum ( axis = None )



Out[44]:



16




求积：


In [45]: 



a.prod(axis=None)



Out[45]:



120




最小值：


In [46]: 



a.min(axis=None)



Out[46]:



1




最大值：


In [47]: 



a.max(axis=None)



Out[47]:



5




最小值索引：


In [48]: 



a.argmin(axis=None)



Out[48]:



1




最大值索引：


In [49]: 



a.argmax(axis=None)



Out[49]:



5




最大间隔：


In [50]: 



a.ptp(axis=None)



Out[50]:



4




均值：


In [51]: 



a.mean(axis=None)



Out[51]:



2.6666666666666665




标准差：


In [52]: 



a.std(axis=None)



Out[52]:



1.49071198499986




方差：


In [53]: 



a.var(axis=None)



Out[53]:



2.2222222222222228




是否有非零元素：


In [54]: 



a.any(axis=None)



Out[54]:



True




是否全部非零：


In [55]: 



a.all()



Out[55]:



True




删除生成的文件：


In [56]:




import os



os . remove ( 'foo.csv' )



os . remove ( 'file.txt' )


数组属性方法总结




 

作用

1

基本属性

a.dtype

数组元素类型 float32,uint8,...

a.shape

数组形状 (m,n,o,...)

a.size

数组元素数

a.itemsize

每个元素占字节数

a.nbytes

所有元素占的字节

a.ndim

数组维度

2

形状相关

a.flat

所有元素的迭代器

a.flatten()

返回一个1维数组的复制

a.ravel()

返回一个1维数组，高效

a.resize(new_size)

改变形状

a.swapaxes(axis1, axis2)

交换两个维度的位置

a.transpose(*axex)

交换所有维度的位置

a.T

转置，a.transpose()

a.squeeze()

去除所有长度为1的维度

3

填充复制

a.copy()

返回数组的一个复制

a.fill(value)

将数组的元组设置为特定值

4

转化

a.tolist()

将数组转化为列表

a.tostring()

转换为字符串

a.astype(dtype)

转化为指定类型

a.byteswap(False)

转换大小字节序

a.view(type_or_dtype)

生成一个使用相同内存，但使用不同的表示方法的数组

5

复数

a.imag

虚部

a.real

实部

a.conjugate()

复共轭

a.conj()

复共轭（缩写）

6

保存

a.dump(file)

将二进制数据存在file中

a.dump()

将二进制数据表示成字符串

a.tofile(fid, sep="",format="%s")

格式化ASCⅡ码写入文件

7

查找排序

a.nonzero()

返回所有非零元素的索引

a.sort(axis=-1)

沿某个轴排序

a.argsort(axis=-1)

沿某个轴，返回按排序的索引

a.searchsorted(b)

返回将b中元素插入a后能保持有序的索引值

8

元素数学操作

a.clip(low, high)

将数值限制在一定范围内

a.round(decimals=0)

近似到指定精度

a.cumsum(axis=None)

累加和

a.cumprod(axis=None)

累乘积

9

约简操作

a.sum(axis=None)

求和

a.prod(axis=None)

求积

a.min(axis=None)

最小值

a.max(axis=None)

最大值

a.argmin(axis=None)

最小值索引

a.argmax(axis=None)

最大值索引

a.ptp(axis=None)

最大值减最小值

a.mean(axis=None)

平均值

a.std(axis=None)

标准差

a.var(axis=None)

方差

a.any(axis=None)

只要有一个不为0，返回真，逻辑或

a.all(axis=None)

所有都不为0，返回真，逻辑与



In [1]: 



from numpy import *




基本属性



In [2]:




a = array ([[ 0 , 1 , 2 , 3 ], [ 4 , 5 , 6 , 7 ]])



a



Out[2]:




array([[0, 1, 2, 3],



[4, 5, 6, 7]])




数组元素属性：



In [3]: 



a.dtype



Out[3]:



dtype('int32')




形状：



In [4]: 



a.shape



Out[4]:



(2L, 4L)




元素数目：



In [5]: 



a.size



Out[5]:



8




元素占字节大小：



In [6]: 



a.itemsize



Out[6]:



4




所有元素所占字节：



In [7]: 



a.nbytes



Out[7]:



32




数据维度：



In [8]: 



a.ndim



Out[8]:



2




形状相关



In [9]:




for row in a :



print row





[0 1 2 3]



[4 5 6 7]




所有元素的迭代器：



In [10]:




for elt in a . flat :



print elt





0

1


3

24


7

5


6




所有元素组成的一维数组，按照行排列：



In [11]: 



a.flatten()



Out[11]:



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



In [12]: 



a.ravel()



Out[12]:



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




重新改变形状：



In [13]:




a . resize (( 4 , 2 ))



a



Out[13]:




array([[0, 1],

[2, 3],


[6, 7]])



[4, 5],




交换这两个轴的顺序：



In [14]: 



a.swapaxes(0,1)



Out[14]:




array([[0, 2, 4, 6],



[1, 3, 5, 7]])




转置：



In [15]: 



a.transpose()



Out[15]:




array([[0, 2, 4, 6],



[1, 3, 5, 7]])




转置：



In [16]: 



a.T



Out[16]:




array([[0, 2, 4, 6],



[1, 3, 5, 7]])



In [17]:




a2 = array ([ 1 , 2 , 3 ])



a2 . shape



Out[17]:



(3L,)



In [18]:




a2 . resize (( 1 , 3 , 1 ))



a2 . shape



Out[18]:



(1L, 3L, 1L)




去除长度为1的维度：



In [19]:




a2 = a2 . squeeze ()



a2 . shape



Out[19]:



(3L,)




填充复制




复制：



In [20]:




b = a . copy ()



b



Out[20]:




array([[0, 1],

[2, 3],


[6, 7]])



[4, 5],




复制不影响原来的数组：



In [21]:




b [ 0 ][ 0 ] = - 1



b # First value changed



Out[21]:




array([[-1, 1],

[ 2, 3],


[ 6, 7]])



[ 4, 5],



In [22]: 



a # original not changed because b is a copy



Out[22]:




array([[0, 1],

[2, 3],


[6, 7]])



[4, 5],




填充：



In [23]:




b . fill ( 4 )



b



Out[23]:




array([[4, 4],

[4, 4],


[4, 4]])



[4, 4],




转化




转化为列表：



In [24]: 



a.tolist()



Out[24]:



[[0, 1], [2, 3], [4, 5], [6, 7]]




转化为字符串：



In [25]: 



a.tostring()



Out[25]:



'\x00\x00\x00\x00\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00\x05\x00\x00\x00\x06\x00\x00\x00\x07\x00\x00\x00'




改变数组元素类型：



In [26]: 



a.astype(float)



Out[26]:




array([[ 0., 1.],

[ 2., 3.],


[ 6., 7.]])



[ 4., 5.],



In [27]:




b = a . copy ()



b . byteswap ( False )



Out[27]:




array([[ 0, 16777216],

[ 33554432, 50331648],


[100663296, 117440512]])



[ 67108864, 83886080],




将它看成16位整数：



In [28]: 



a.view(dtype=int16)



Out[28]:




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

[2, 0, 3, 0],


[6, 0, 7, 0]], dtype=int16)



[4, 0, 5, 0],




复数




实部：



In [29]:




b = array ([ 1 + 2j , 3 + 4j , 5 + 6j ])



b . real



Out[29]:



array([ 1., 3., 5.])




虚部：



In [30]: 



b.imag



Out[30]:



array([ 2., 4., 6.])




共轭：



In [31]: 



b.conj()



Out[31]:



array([ 1.-2.j, 3.-4.j, 5.-6.j])



In [32]: 



b.conjugate()



Out[32]:



array([ 1.-2.j, 3.-4.j, 5.-6.j])




保存




保存成文本：



In [33]: 



a.dump("file.txt")




字符串：



In [34]: 



a.dumps()



Out[34]:



'\x80\x02cnumpy.core.multiarray\n_reconstruct\nq\x01cnumpy\nndarray\nq\x02K\x00\x85U\x01b\x87Rq\x03(K\x01\x8a\x01\x04\x8a\x01\x02\x86cnumpy\ndtype\nq\x04U\x02i4K\x00K\x01\x87Rq\x05(K\x03U\x01<NNNJ\xff\xff\xff\xffJ\xff\xff\xff\xffK\x00tb\x89U \x00\x00\x00\x00\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00\x05\x00\x00\x00\x06\x00\x00\x00\x07\x00\x00\x00tb.'




写入文件：



In [35]: 



a.tofile('foo.csv', sep=',', format="%s")




查找排序




非零元素的索引：



In [36]: 



a.nonzero()



Out[36]:




(array([0, 1, 1, 2, 2, 3, 3], dtype=int64),



array([1, 0, 1, 0, 1, 0, 1], dtype=int64))




排序：



In [37]:




b = array ([ 3 , 2 , 7 , 4 , 1 ])



b . sort ()



b



Out[37]:



array([1, 2, 3, 4, 7])




排序的索引位置：



In [38]:




b = array ([ 2 , 3 , 1 ])



b . argsort ( axis =- 1 )



Out[38]:



array([2, 0, 1], dtype=int64)



将 b 插入 a 中的索引，使得 a


In [39]:




a = array ([ 1 , 3 , 4 , 6 ])



b = array ([ 0 , 2 , 5 ])



a . searchsorted ( b )



Out[39]:



array([0, 1, 3], dtype=int64)




元素数学操作




限制在一定范围：



In [40]:




a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])



a . clip ( 0 , 2 )



Out[40]:




array([[2, 1, 2],



[2, 1, 2]])




近似：



In [41]:




a = array ([ 1.344 , 2.449 , 2.558 ])



a . round ( decimals = 2 )



Out[41]:



array([ 1.34, 2.45, 2.56])




累加和：



In [42]:




a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])



a . cumsum ( axis = None )



Out[42]:



array([ 4, 5, 8, 10, 11, 16])




累乘积：



In [43]: 



a.cumprod(axis=None)



Out[43]:



array([ 4, 4, 12, 24, 24, 120])




约简操作




求和：



In [44]:




a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])



a . sum ( axis = None )



Out[44]:



16




求积：



In [45]: 



a.prod(axis=None)



Out[45]:



120




最小值：



In [46]: 



a.min(axis=None)



Out[46]:



1




最大值：



In [47]: 



a.max(axis=None)



Out[47]:



5




最小值索引：



In [48]: 



a.argmin(axis=None)



Out[48]:



1




最大值索引：



In [49]: 



a.argmax(axis=None)



Out[49]:



5




最大间隔：



In [50]: 



a.ptp(axis=None)



Out[50]:



4




均值：



In [51]: 



a.mean(axis=None)



Out[51]:



2.6666666666666665




标准差：



In [52]: 



a.std(axis=None)



Out[52]:



1.49071198499986




方差：



In [53]: 



a.var(axis=None)



Out[53]:



2.2222222222222228




是否有非零元素：



In [54]: 



a.any(axis=None)



Out[54]:



True




是否全部非零：



In [55]: 



a.all()



Out[55]:



True




删除生成的文件：



In [56]:




import os



os . remove ( 'foo.csv' )



os . remove ( 'file.txt' )