numpy.array 操作使用简单总结

importnumpyasnpnumpy.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

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

np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]], dtype=np.float)
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
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. ])
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. ])
 # 结果是 array([ 1. , 1.77827941, 3.16227766, 5.62341325, 10. ])
 
s = 'abcdefg'
np.fromstring(s, dtype=np.int8)
 
def func2(i, j):
 return (i+1) * (j+1)
np.fromfunction(func2, (9,9))
 
np.ones((2, 2))
np.zero((2, 2))
np.eye(2)
 
#创建二维数组：
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：

>>> x = np.arange(10)
>>> y = x[::-1]
>>> x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> y
array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
>>> y[0] = 100
>>> x
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 100])
>>> y
array([100, 8, 7, 6, 5, 4, 3, 2, 1, 0])
>>> x[0] = 99
>>> x
array([ 99, 1, 2, 3, 4, 5, 6, 7, 8, 100])
>>> y
array([100, 8, 7, 6, 5, 4, 3, 2, 1, 99])
>>> y = x[1:6]
>>> y
array([1, 2, 3, 4, 5])
>>> y[2] = 33
>>> y
array([ 1, 2, 33, 4, 5])
>>> x
array([ 99, 1, 2, 33, 4, 5, 6, 7, 8, 100])
>>> x[[3,2,3,2]]
array([33, 2, 33, 2])
>>> z = x[[3,2,3,2]]
>>> z
array([33, 2, 33, 2])
>>> z[3] = 4
>>> z
array([33, 2, 33, 4])
>>> x
array([ 99, 1, 2, 33, 4, 5, 6, 7, 8, 100])
>>> x[x>10]
array([ 99, 33, 100])
>>> 

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。

>>> a = np.ones((3,3))
>>> b = np.eye(3)
>>> a
array([[ 1., 1., 1.],
 [ 1., 1., 1.],
 [ 1., 1., 1.]])
>>> b
array([[ 1., 0., 0.],
 [ 0., 1., 0.],
 [ 0., 0., 1.]])
>>> b *= 2
>>> b
array([[ 2., 0., 0.],
 [ 0., 2., 0.],
 [ 0., 0., 2.]])
>>> np.vstack((a, b))
array([[ 1., 1., 1.],
 [ 1., 1., 1.],
 [ 1., 1., 1.],
 [ 2., 0., 0.],
 [ 0., 2., 0.],
 [ 0., 0., 2.]])
>>> 
>>> np.hstack((a, b))
array([[ 1., 1., 1., 2., 0., 0.],
 [ 1., 1., 1., 0., 2., 0.],
 [ 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。

np.sin(x, x)
np.add(a, b) ~ a+b
np.subtract(a, b) ~ a-b
np.multiply(a, b) ~ a*b
divide ~ a/b
floor divide ~ a//b
negative ~ -a
power ~ a**b
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：

x = a*b + c

等价于

t = a*b
x = t + c
del t

所以可手动优化

x = a * b
x += c

二维数组转一维 

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

reshape函数可重新定义大小。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。

numpy.array 操作 numpy.array 使用