numpy.array 操作使用简单总结
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【听图阁-专注于Python设计】。
