NumPy

:material-pen-plus: 本文创建于2025-5-16

:simple-numpy: NumPy官方文档{ .md-button .md-button--primary }

一 导入

import numpy as np

二 数组ndarray

在NumPy中基本数组类被称为ndarray, 它代表一个“N维数组”, 类似于python基本数据类型的列表。大多数 NumPy 数组都有一些限制, 类似于数学中的矩阵. 例如:

• 数组的所有元素必须具有相同类型的数据 int类型
• 一旦创建,数组的总大小无法更改。
• 形状必须是“矩形”的,而不是“锯齿状”;例如,每一排二维数组必须具有相同数量的列。

2.1 通过一系列元素创建数组ndarray对象

创建数组ndarray对象类似于创建Python列表,一维数组相当于普通的列表,二维或更高维的数组相当于嵌套列表.

一维数组

a = np.array([1, 2, 3, 4, 5, 6])

返回一个ndarray对象 array([ ]), 使用 print() 函数打印列表. 类似于python列表,操作与其几乎相同:可以通过下标访问元素,可以切片,可以修改元素.

???+ warning "list对象和ndarray对象的区别"
- Python内置的list对象使用切片得到的是一个新列表,对这个新列表操作不会影响到原列表.
- NumPy的ndarray对象使用切片得到的是原阵列的一个视图,对其的任何操作都会影响到原阵列.

二维或更高维的数组

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
>>> a
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])
>>> a[1, 3]
8

不同于Python的嵌套列表, ndarray对象可以通过坐标访问元素, a[1, 3]表示访问坐标为[1, 3]的元素,即第二行第四个元素

???+ warning
此例中的数组a是并不是三维数组,而是二维数组,因为它摆成了一个矩形

2.2 数组ndarray对象的属性

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
>>> a.ndim
2
>>> a.shape
(3, 4)
>>> a.size
12
>>> a.dtype
dtype('int32')

• .ndim属性,返回数组维度
• .shape属性,返回元组,数组摆放成的矩形的高和宽
• .size属性,返回数组的元素数
• .dtype属性,返回数组元素的数据类型(数组中的所有元素数据类型都是相同的),例如dtype('int32')表示32位整数

2.3 创建基本数组

???+ warning
NumPy数组中默认数据类型是64位浮点(np.float64),因此整数之后都有一个小数点.,例如0在NumPy数组中表示为0.,以下函数创建数组时都可以通过dtype关键字参数指定数组元素的数据类型

• np.zeros()函数 传入整数,创建只有0的一维数组

  >>> np.zeros(3)
  array([0., 0., 0.])

• np.ones()函数 传入整数,创建只有1的一维数组

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

• np.empty()函数 传入整数,创建为初始化数组,数组内容随机(取决于记忆的状态),创建数组的速度快于np.ones()和np.zeros()

• np.arange()函数 类似于Python内置函数range(),创建一系列连续元素的数组

  >>> np.arange(5)
  array([0, 1, 2, 3, 4])
  >>> np.arange(1, 10, 3)
  array([1, 4, 7])

• np.linspace()函数 关键字参数num表示该数组的元素数,类似于Python内置函数range(),但是是按照相等的步长,创建指定元素个数的数组

  >>> np.linspace(0, 1, num=5)                       
  array([0.  , 0.25, 0.5 , 0.75, 1.  ])

未完待续