术语表

(n ，）

带圆括号的数字后跟逗号表示一个元组有一个元素。后面的逗号将单元素元组与带圆括号的元组区分开来 n .

-1

  • 在维度条目中 ，指示NumPy选择使数组元素总数保持不变的长度。

    >>> np.arange(12).reshape(4, -1).shape
(4, 3)

  • 在索引中 ，任何负值 denotes 从右边索引。

. . .

安 Ellipsis .

  • 索引数组时 ，即缺少的轴（如果存在）是完整的切片。

    >>> a = np.arange(24).reshape(2,3,4)

    >>> a[...].shape
(2, 3, 4)

    >>> a[...,0].shape
(2, 3)

    >>> a[0,...].shape
(3, 4)

    >>> a[0,...,0].shape
(3,)

    最多只能使用一次； a[...,0,...] 提出一个 IndexError .

  • 在打印输出中 ，NumPy替代品 ... 对于大型数组的中间元素。要查看整个阵列，请使用 numpy.printoptions

：

Python slice 接线员。在ndarrays中，切片可以应用于每个轴：

>>> a = np.arange(24).reshape(2,3,4)
>>> a
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

>>> a[1:,-2:,:-1]
array([[[16, 17, 18],
        [20, 21, 22]]])

尾部切片可以省略：：

>>> a[1] == a[1,:,:]
array([[ True,  True,  True,  True],
       [ True,  True,  True,  True],
       [ True,  True,  True,  True]])

与Python不同，在Python中，切片创建副本，而在NumPy中，切片创建副本 view .

有关详细信息，请参阅 高级索引和基本索引相结合 .

<

在数据类型声明中，指示数据 little-endian （右边的支架很大）。:

>>> dt = np.dtype('<f')  # little-endian single-precision float
>

在数据类型声明中，指示数据 big-endian （左边的支架很大）。:

>>> dt = np.dtype('>H')  # big-endian unsigned short
高级索引

而不是使用 scalar 或切片作为索引，可以使用数组索引轴，从而提供细粒度的选择。这被称为 advanced indexing 或者“花哨的索引”。

沿着轴线

手术 along axis n 数组的 a 其行为就像它的参数是 a 其中每个切片都有一个连续的轴索引 n .

例如，如果 a 是3X N 数组中，沿轴0的操作的行为就像其参数是包含每行切片的数组一样：

>>> np.array((a[0,:], a[1,:], a[2,:]))

具体来说，我们可以选择数组反转函数作为操作 numpy.flip ，它接受 axis 争论。我们构造了一个3x4阵列 a ：

>>> a = np.arange(12).reshape(3,4)
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

沿轴0（行轴）反转产生

>>> np.flip(a,axis=0)
array([[ 8,  9, 10, 11],
       [ 4,  5,  6,  7],
       [ 0,  1,  2,  3]])

回顾 along an axis ， flip 沿着轴0，将其参数视为

>>> np.array((a[0,:], a[1,:], a[2,:]))
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

以及 np.flip(a,axis=0) 是反转切片：

>>> np.array((a[2,:],a[1,:],a[0,:]))
array([[ 8,  9, 10, 11],
       [ 4,  5,  6,  7],
       [ 0,  1,  2,  3]])
数组

在NumPy文档中同义使用 ndarray .

array_like

任何 scalar 或 sequence 这可以解释为一种混乱。除了ndarray和scalars之外，这个类别还包括列表（可能是嵌套的，并且具有不同的元素类型）和元组。任何被接受的论点 numpy.array 是你喜欢的。:

>>> a = np.array([[1, 2.0], [0, 0], (1+1j, 3.)])

>>> a
array([[1.+0.j, 2.+0.j],
       [0.+0.j, 0.+0.j],
       [1.+1.j, 3.+0.j]])
数组标量

为了处理操作数的一致性，NumPy将 scalar 作为零维数组。

轴

数组维度的另一个术语。轴从左到右编号；轴0是形状元组中的第一个元素。

在二维向量中，轴0的元素是行，轴1的元素是列。

在更高的维度中，情况会发生变化。NumPy打印高维向量作为逐行逐列构建块的复制，如以下三维向量：

>>> a = np.arange(12).reshape(2,2,3)
>>> a
array([[[ 0,  1,  2],
        [ 3,  4,  5]],
       [[ 6,  7,  8],
        [ 9, 10, 11]]])

a 表示为两元素数组，其元素为2x3向量。从这个角度看，行和列分别是任意形状的最后两个轴。

此规则有助于您预测如何打印向量，反之，也有助于找到任何打印元素的索引。例如，在本例中，8的索引的最后两个值必须是0和2。由于8出现在两个2x3的第二个索引中，因此第一个索引必须为1：

>>> a[1,0,2]
8

计算打印向量中的维数的一种方便方法是计算 [ 括号后面的符号。这有助于区分（1,2,3）形状和（2,3）形状：

>>> a = np.arange(6).reshape(2,3)
>>> a.ndim
2
>>> a
array([[0, 1, 2],
       [3, 4, 5]])

>>> a = np.arange(6).reshape(1,2,3)
>>> a.ndim
3
>>> a
array([[[0, 1, 2],
        [3, 4, 5]]])
.底座

如果一个数组不拥有它的内存，那么它的 base 属性返回数组正在引用其内存的对象。该对象可能正在引用另一个对象的内存，因此拥有的对象可能是 a.base.base.base... . 一些作者错误地宣称测试 base 确定数组是否为 view 有关正确的方法，请参阅 numpy.shares_memory .

大字节

见 Endianness .

BLAS

Basic Linear Algebra Subprograms

广播

广播 是NumPy处理不同大小数组的能力，就好像所有数组的大小都一样。

对于每个标量元素，我的意思是，给它加一个标量值。

>>> a = np.arange(3)
>>> a
array([0, 1, 2])

>>> a + [3, 3, 3]
array([3, 4, 5])

>>> a + 3
array([3, 4, 5])

通常，向量操作数的大小都必须相同，因为NumPy逐个元素工作——例如， c = a * b 是：：

 c[0,0,0] = a[0,0,0] * b[0,0,0]
 c[0,0,1] = a[0,0,1] * b[0,0,1]
...

但在某些有用的情况下，NumPy可以沿“缺失”轴或“太短”尺寸复制数据，以便形状匹配。复制不需要内存和时间。有关详细信息，请参阅 Broadcasting.

C级

等同于 row-major .

列专业

见 Row- and column-major order .

邻接的
数组是连续的，如果

  • 它占用了一个完整的内存块

  • 索引越高的数组元素占用的地址越高（即没有 stride 是否定的）。

复制

见 view .

维

见 axis .

D型

描述数据数组中（类型相同）元素的数据类型。可以更改它以重新解释数组内容。有关详细信息，请参阅 Data type objects (dtype).

花式索引

另一个术语 advanced indexing .

领域

在一个 structured data type ，每个子类型称为 field . 这个 field 具有名称（字符串）、类型（任何有效的数据类型）和可选的 title . 见 数据类型对象 (dtype ） .

FORTRAN指令

等同于 column-major .

扁平的

见 ravel .

同种类的

同构数组的所有元素都具有相同的类型。与Python列表相比，ndarray是同质的。类型可能很复杂，例如 structured array ，但所有元素都具有该类型。

NumPy object arrays ，它包含对Python对象的引用，填补了异构数组的角色。

项目尺寸

数据类型元素的大小（以字节为单位）。

小字节

见 Endianness .

面具

一种布尔数组，用于仅为操作选择某些元素：

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

>>> mask = (x > 2)
>>> mask
array([False, False, False, True,  True])

>>> x[mask] = -1
>>> x
array([ 0,  1,  2,  -1, -1])
屏蔽阵列

将错误或丢失的数据放在一个屏蔽数组中可以完全忽略，该数组有一个内部布尔数组，指示无效的条目。使用屏蔽数组的操作将忽略这些条目。:

>>> a = np.ma.masked_array([np.nan, 2, np.nan], [True, False, True])
>>> a
masked_array(data=[--, 2.0, --],
             mask=[ True, False,  True],
       fill_value=1e+20)

>>> a + [1, 2, 3]
masked_array(data=[--, 4.0, --],
             mask=[ True, False,  True],
       fill_value=1e+20)

有关详细信息，请参阅 Masked arrays.

矩阵

NumPy 二维 matrix class 不应再使用；请使用常规数组。

恩达雷

NumPy's basic structure .

对象数组

数据类型为的数组 object ；也就是说，它包含对Python对象的引用。对数组进行索引会取消对Python对象的引用，因此与其他ndarray不同，对象数组具有容纳异构对象的能力。

拉威尔

numpy.ravel 和 numpy.flatten 两个都使一条线变平。 ravel 如果可能，将返回视图； flatten 总是返回一个副本。

展平将多维数组折叠为单个维度；有关如何执行此操作的详细信息（例如，是否 a[n+1] 应该是下一行或下一列）是参数。

记录数组

A structured array 允许在属性样式中访问 (a.field )除了 a['field'] . 有关详细信息，请参阅 numpy.recarray.

行专业

见 Row- and column-major order . 默认情况下，NumPy按行主顺序创建数组。

标量

在同义词中，通常是NumPy array scalar .

形状

一个元组，显示数组中每个维度的长度。元组本身的长度就是维数 (numpy.ndim ). 元组元素的乘积是数组中元素的数目。有关详细信息，请参阅 numpy.ndarray.shape .

步幅

物理内存是一维的；跨步提供了一种机制，可以将给定的索引映射到内存中的地址。对于N维数组，其 strides 属性是一个N元素元组；从索引前进 i 到索引 i+1 在轴上 n 意味着增加 a.strides[n] 字节到地址。

步长是根据数组的数据类型和形状自动计算的，但是可以使用 as_strided.

有关详细信息，请参阅 numpy.ndarray.strides .

要了解跨越是如何影响NumPy视图的力量的，请参阅 The NumPy array: a structure for efficient numerical computation.

结构化阵列

数组谁的 dtype 是一个 structured data type .

结构化数据类型

用户可以创建任意复杂的 dtypes 可以包括其他数组和数据类型。这些复合数据类型称为 structured data types.

子阵

嵌套在数组中的数组 structured data type 作为 b 在这里：

>>> dt = np.dtype([('a', np.int32), ('b', np.float32, (3,))])
>>> np.zeros(3, dtype=dt)
array([(0, [0., 0., 0.]), (0, [0., 0., 0.]), (0, [0., 0., 0.])],
      dtype=[('a', '<i4'), ('b', '<f4', (3,))])
子数组数据类型

结构化数据类型的一种元素，其行为类似于数据数组。

标题

结构化数据类型中字段名的别名。

类型

在同义词中，通常是NumPy dtype . 对于更一般的Python含义， see here.

ufunc

NumPy的快速逐元素计算 (vectorization )提供应用哪个函数的选择。函数的通称是 ufunc ，简称 universal function . NumPy例程有内置的ufunc，但是用户也可以 write their own.

矢量化

NumPy将数组处理交给C，在C中循环和计算比Python快得多。为了利用这一点，使用NumPy的程序员消除了Python循环，转而支持数组到数组的操作。 vectorization 可以参考C卸载和构造NumPy代码来利用它。

看法

在不接触底层数据的情况下，NumPy可以使一个数组看起来改变其数据类型和形状。

以这种方式创建的数组是 view ，并且NumPy经常利用使用视图而不是创建新数组的性能优势。

一个潜在的缺点是，写入视图也会改变原始视图。如果这是一个问题，NumPy需要创建一个物理上不同的数组 copy .

有些NumPy例程总是返回视图，有些总是返回副本，有些可能返回其中一个，有些可以指定选项。管理视图和副本的责任属于程序员。 numpy.shares_memory 将检查 b 是一个 a ，但正如文档页面所解释的，准确的答案并不总是可行的。

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

>>> y = x[::2]
>>> y
array([0, 2, 4])

>>> x[0] = 3 # changing x changes y as well, since y is a view on x
>>> y
array([3, 2, 4])
高级f2py用法 开发人员的秘密文档