目錄
- 前言
- 0 Numpy基礎(chǔ)知識(shí)
- 1 ndarray得屬性
- 2 ndarray得數(shù)據(jù)類型
- 3 修改ndarray得形狀和數(shù)據(jù)類型
- 4 ndarray數(shù)組創(chuàng)建
- 5 ndarray數(shù)組得常見運(yùn)算
- 6 ndarray數(shù)組得索引、切片和迭代
- 7 ndarray數(shù)組得堆疊、拆分
前言
NumPy（Numerical Python）是Python得一種開源得數(shù)值計(jì)算擴(kuò)展。這種工具可用來存儲(chǔ)和處理大型矩陣，比Python自身得嵌套列表（nested list structure)結(jié)構(gòu)要高效得多（該結(jié)構(gòu)也可以用來表示矩陣（matrix）），支持大量得維度數(shù)組與矩陣運(yùn)算，此外也針對(duì)數(shù)組運(yùn)算提供大量得數(shù)學(xué)函數(shù)庫(kù)。
Numpy中主要使用ndarray來處理N維數(shù)組，Numpy中得大部分屬性和方法都是為ndarray服務(wù)得，所以掌握Numpy中ndarray得常見操作非常有必要！
0 Numpy基礎(chǔ)知識(shí)
NumPy得主要對(duì)象是同構(gòu)多維數(shù)組。它是一個(gè)元素表（通常是數(shù)字），所有類型都相同，由非負(fù)整數(shù)元組索引。在NumPy維度中稱為軸 。
下面所示得例子中，數(shù)組有2個(gè)軸。第一軸得長(zhǎng)度為2，第二軸得長(zhǎng)度為3。
[[ 1., 0., 0.], [ 0., 1., 2.]]
1 ndarray得屬性
1.1 輸出ndarray得常見屬性
- ndarray.ndim ： 數(shù)組得軸（維度）得個(gè)數(shù)。在Python世界中，維度得數(shù)量被稱為rank。
- ndarray.shape ：數(shù)組得維度。這是一個(gè)整數(shù)得元組，表示每個(gè)維度中數(shù)組得大小。對(duì)于有 n 行和 m 列得矩陣，shape 將是 (n,m)。因此，shape 元組得長(zhǎng)度就是rank或維度得個(gè)數(shù) ndim。
- ndarray.size ：數(shù)組元素得總數(shù)。這等于 shape 得元素得乘積。
- ndarray.dtype ：一個(gè)描述數(shù)組中元素類型得對(duì)象。可以使用標(biāo)準(zhǔn)得Python類型創(chuàng)建或指定dtype。另外NumPy提供它自己得類型。例如numpy.int32、numpy.int16和numpy.float64。
- ndarray.itemsize ：數(shù)組中每個(gè)元素得字節(jié)大小。例如，元素為 float64 類型得數(shù)組得 itemsize 為8（=64/8），而 complex32 類型得數(shù)組得 itemsize 為4（=32/8）。它等于 ndarray.dtype.itemsize 。
>>> import numpy as np>>> a = np.arange(15).reshape(3, 5)>>> aarray([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])>>> a.shape(3, 5)>>> a.ndim2>>> a.dtype.name'int64'>>> a.itemsize8>>> a.size15>>> type(a)<type 'numpy.ndarray'>>>> b = np.array([6, 7, 8])>>> barray([6, 7, 8])>>> type(b)<type 'numpy.ndarray'>
2 ndarray得數(shù)據(jù)類型
在同一個(gè)ndarray中，存儲(chǔ)得是同一類型得數(shù)據(jù)，ndarray常見得數(shù)據(jù)類型包括：
3 修改ndarray得形狀和數(shù)據(jù)類型
3.1 查看和修改ndarray得形狀
## ndarray reshape操作array_a = np.array([[1, 2, 3], [4, 5, 6]])print(array_a, array_a.shape)array_a_1 = array_a.reshape((3, 2))print(array_a_1, array_a_1.shape)# note: reshape不能改變ndarray中元素得個(gè)數(shù)，例如reshape之前為（2，3）,reshape之后為（3，2）/（1，6）...## ndarray轉(zhuǎn)置array_a_2 = array_a.Tprint(array_a_2, array_a_2.shape)## ndarray ravel操作:將ndarray展平a.ravel() # returns the array, flattenedarray([ 1, 2, 3, 4, 5, 6 ])輸出：[[1 2 3] [4 5 6]] (2, 3)[[1 2] [3 4] [5 6]] (3, 2)[[1 4] [2 5] [3 6]] (3, 2)
3.2 查看和修改ndarray得數(shù)據(jù)類型
astype(dtype[, order, casting, subok, copy])：修改ndarray中得數(shù)據(jù)類型。傳入需要修改得數(shù)據(jù)類型，其他關(guān)鍵字參數(shù)可以不關(guān)注。
array_a = np.array([[1, 2, 3], [4, 5, 6]])print(array_a, array_a.dtype)array_a_1 = array_a.astype(np.int64)print(array_a_1, array_a_1.dtype)輸出：[[1 2 3] [4 5 6]] int32[[1 2 3] [4 5 6]] int64
4 ndarray數(shù)組創(chuàng)建
NumPy主要通過np.array()函數(shù)來創(chuàng)建ndarray數(shù)組。
>>> import numpy as np>>> a = np.array([2,3,4])>>> aarray([2, 3, 4])>>> a.dtypedtype('int64')>>> b = np.array([1.2, 3.5, 5.1])>>> b.dtypedtype('float64')也可以在創(chuàng)建時(shí)顯式指定數(shù)組得類型：
>>> c = np.array( [ [1,2], [3,4] ], dtype=complex )>>> carray([[ 1.+0.j, 2.+0.j], [ 3.+0.j, 4.+0.j]])
也可以通過使用np.random.random函數(shù)來創(chuàng)建隨機(jī)得ndarray數(shù)組。
>>> a = np.random.random((2,3))>>> aarray([[ 0.18626021, 0.34556073, 0.39676747], [ 0.53881673, 0.41919451, 0.6852195 ]])
通常，數(shù)組得元素最初是未知得，但它得大小是已知得。因此，NumPy提供了幾個(gè)函數(shù)來創(chuàng)建具有初始占位符內(nèi)容得數(shù)組。這就減少了數(shù)組增長(zhǎng)得必要，因?yàn)閿?shù)組增長(zhǎng)得操作花費(fèi)很大。
函數(shù)zeros創(chuàng)建一個(gè)由0組成得數(shù)組，函數(shù) ones創(chuàng)建一個(gè)完整得數(shù)組，函數(shù)empty 創(chuàng)建一個(gè)數(shù)組，其初始內(nèi)容是隨機(jī)得，取決于內(nèi)存得狀態(tài)。默認(rèn)情況下，創(chuàng)建得數(shù)組得dtype是 float64 類型得。
>>> np.zeros( (3,4) )array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]])>>> np.ones( (2,3,4), dtype=np.int16 ) # dtype can also be specifiedarray([[[ 1, 1, 1, 1], [ 1, 1, 1, 1], [ 1, 1, 1, 1]], [[ 1, 1, 1, 1], [ 1, 1, 1, 1], [ 1, 1, 1, 1]]], dtype=int16)>>> np.empty( (2,3) ) # uninitialized, output may varyarray([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260], [ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])
為了創(chuàng)建數(shù)字組成得數(shù)組，NumPy提供了一個(gè)類似于range得函數(shù)，該函數(shù)返回?cái)?shù)組而不是列表。
>>> np.arange( 10, 30, 5 )array([10, 15, 20, 25])>>> np.arange( 0, 2, 0.3 ) # it accepts float argumentsarray([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])
5 ndarray數(shù)組得常見運(yùn)算
與許多矩陣語言不同，乘積運(yùn)算符*在NumPy數(shù)組中按元素進(jìn)行運(yùn)算。矩陣乘積可以使用@運(yùn)算符（在python> = 3.5中）或dot函數(shù)或方法執(zhí)行：
>>> A = np.array( [[1,1],... [0,1]] )>>> B = np.array( [[2,0],... [3,4]] )>>> A * B # elementwise productarray([[2, 0], [0, 4]])>>> A @ B # matrix productarray([[5, 4], [3, 4]])>>> A.dot(B) # another matrix productarray([[5, 4], [3, 4]])
某些操作（例如+=和 *=）會(huì)更直接更改被操作得矩陣數(shù)組而不會(huì)創(chuàng)建新矩陣數(shù)組。
>>> a = np.ones((2,3), dtype=int)>>> b = np.random.random((2,3))>>> a *= 3>>> aarray([[3, 3, 3], [3, 3, 3]])>>> b += a>>> barray([[ 3.417022 , 3.72032449, 3.00011437], [ 3.30233257, 3.14675589, 3.09233859]])>>> a += b # b is not automatically converted to integer typeTraceback (most recent call last): ...TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'當(dāng)使用不同類型得數(shù)組進(jìn)行操作時(shí)，結(jié)果數(shù)組得類型對(duì)應(yīng)于更一般或更精確得數(shù)組（稱為向上轉(zhuǎn)換得行為）。
>>> a = np.ones(3, dtype=np.int32)>>> b = np.linspace(0,pi,3)>>> b.dtype.name'float64'>>> c = a+b>>> carray([ 1. , 2.57079633, 4.14159265])>>> c.dtype.name'float64'>>> d = np.exp(c*1j)>>> darray([ 0.54030231+0.84147098j, -0.84147098+0.54030231j, -0.54030231-0.84147098j])>>> d.dtype.name'complex128'
許多一元操作，例如計(jì)算數(shù)組中所有元素得總和，都是作為ndarray類得方法實(shí)現(xiàn)得。
>>> a = np.random.random((2,3))>>> aarray([[ 0.18626021, 0.34556073, 0.39676747], [ 0.53881673, 0.41919451, 0.6852195 ]])>>> a.sum()2.5718191614547998>>> a.min()0.1862602113776709>>> a.max()0.6852195003967595
默認(rèn)情況下，這些操作適用于數(shù)組，就像它是一個(gè)數(shù)字列表一樣，無論其形狀如何。但是，通過指定axis 參數(shù)，您可以沿?cái)?shù)組得指定軸應(yīng)用操作：
>>> b = np.arange(12).reshape(3,4)>>> barray([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])>>>>>> b.sum(axis=0) # 計(jì)算每一列得和array([12, 15, 18, 21])>>>>>> b.min(axis=1) # 計(jì)算每一行得和array([0, 4, 8])>>>>>> b.cumsum(axis=1) # cumulative sum along each rowarray([[ 0, 1, 3, 6], [ 4, 9, 15, 22], [ 8, 17, 27, 38]])解釋：以第一行為例，0=0，1=1+0，3=2+1+0，6=3+2+1+0
6 ndarray數(shù)組得索引、切片和迭代
一維得數(shù)組可以進(jìn)行索引、切片和迭代操作得，就像列表和其他Python序列類型一樣。
>>> a = np.arange(10)**3>>> aarray([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729])>>> a[2]8>>> a[2:5]array([ 8, 27, 64])>>> a[:6:2] = -1000 # 等價(jià)于 a[0:6:2] = -1000; 從0到6得位置, 每隔一個(gè)設(shè)置為-1000>>> aarray([-1000, 1, -1000, 27, -1000, 125, fan 216, 343, 512, 729])>>> a[ : :-1] # 將a反轉(zhuǎn)array([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000])
多維得數(shù)組每個(gè)軸可以有一個(gè)索引。這些索引以逗號(hào)??分隔得元組給出：
>>> barray([[ 0, 1, 2, 3], [10, 11, 12, 13], [20, 21, 22, 23], [30, 31, 32, 33], [40, 41, 42, 43]])>>> b[2,3]23>>> b[0:5, 1] # each row in the second column of barray([ 1, 11, 21, 31, 41])>>> b[ : ,1] # equivalent to the previous examplearray([ 1, 11, 21, 31, 41])>>> b[1:3, : ] # each column in the second and third row of barray([[10, 11, 12, 13], [20, 21, 22, 23]])>>> b[-1] # the last row. Equivalent to b[-1,:]array([40, 41, 42, 43])
7 ndarray數(shù)組得堆疊、拆分
幾個(gè)數(shù)組可以沿不同得軸堆疊在一起，例如：np.vstack()函數(shù)和np.hstack()函數(shù)
>>> a = np.floor(10*np.random.random((2,2)))>>> aarray([[ 8., 8.], [ 0., 0.]])>>> b = np.floor(10*np.random.random((2,2)))>>> barray([[ 1., 8.], [ 0., 4.]])>>> np.vstack((a,b))array([[ 8., 8.], [ 0., 0.], [ 1., 8.], [ 0., 4.]])>>> np.hstack((a,b))array([[ 8., 8., 1., 8.], [ 0., 0., 0., 4.]])
column_stack()函數(shù)將1D數(shù)組作為列堆疊到2D數(shù)組中。
>>> from numpy import newaxis>>> a = np.array([4.,2.])>>> b = np.array([3.,8.])>>> np.column_stack((a,b)) # returns a 2D arrayarray([[ 4., 3.], [ 2., 8.]])>>> np.hstack((a,b)) # the result is differentarray([ 4., 2., 3., 8.])>>> a[:,newaxis] # this allows to have a 2D columns vectorarray([[ 4.], [ 2.]])>>> np.column_stack((a[:,newaxis],b[:,newaxis]))array([[ 4., 3.], [ 2., 8.]])>>> np.hstack((a[:,newaxis],b[:,newaxis])) # the result is the samearray([[ 4., 3.], [ 2., 8.]])
使用hsplit()，可以沿?cái)?shù)組得水平軸拆分?jǐn)?shù)組，方法是指定要返回得形狀相等得數(shù)組得數(shù)量，或者指定應(yīng)該在其之后進(jìn)行分割得列：
同理，使用vsplit()，可以沿?cái)?shù)組得垂直軸拆分?jǐn)?shù)組，方法同上。
################### np.hsplit ###################>>> a = np.floor(10*np.random.random((2,12)))>>> aarray([[ 9., 5., 6., 3., 6., 8., 0., 7., 9., 7., 2., 7.], [ 1., 4., 9., 2., 2., 1., 0., 6., 2., 2., 4., 0.]])>>> np.hsplit(a,3) # Split a into 3[array([[ 9., 5., 6., 3.], [ 1., 4., 9., 2.]]), array([[ 6., 8., 0., 7.], [ 2., 1., 0., 6.]]), array([[ 9., 7., 2., 7.], [ 2., 2., 4., 0.]])]>>> np.hsplit(a,(3,4)) # Split a after the third and the fourth column[array([[ 9., 5., 6.], [ 1., 4., 9.]]), array([[ 3.], [ 2.]]), array([[ 6., 8., 0., 7., 9., 7., 2., 7.], [ 2., 1., 0., 6., 2., 2., 4., 0.]])]>>> x = np.arange(8.0).reshape(2, 2, 2)>>> xarray([[[0., 1.], [2., 3.]], [[4., 5.], [6., 7.]]])################### np.vsplit ###################>>> np.vsplit(x, 2)[array([[[0., 1.], [2., 3.]]]), array([[[4., 5.], [6., 7.]]])]
到此這篇關(guān)于Python Numpy中ndarray得常見操作得內(nèi)容就介紹到這了,更多相關(guān)Python ndarray操作內(nèi)容請(qǐng)搜索之家以前得內(nèi)容或繼續(xù)瀏覽下面得相關(guān)內(nèi)容希望大家以后多多支持之家！