阵列¶

“NumPy”杂志 array 是让NumPy变得如此方便和高效的底层机制。

创建阵列¶

一个NumPy array 很容易通过以下方式进行初始化

>>> np.array([0, 1, 2])  # 1D array of integers
array([0, 1, 2])
>>> np.array([0.0, 1.0, 2.0])  # 1D array of floats
array([ 0.,  1.,  2.])
>>> np.array([[0, 1], [2, 3]])  # 2D array of integers
array([[0, 1],
       [2, 3]])

因此，通过嵌套数字列表，您可以构造多维数组。但也有其他方法可以初始化 arrays ：

numpy.zeros() ：

>>> np.zeros(3)
array([ 0.,  0.,  0.])
>>> np.zeros([2, 3])
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])

numpy.zeros() ：

>>> np.ones(3)
array([ 1.,  1.,  1.])
>>> 3 * np.ones(3)
array([ 3.,  3.,  3.])
>>> np.ones([2, 3])
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.]])

numpy.eye() ：

>>> np.eye(2)
array([[ 1.,  0.],
       [ 0.,  1.]])
>>> -2 * np.eye(2)
array([[-2., -0.],
       [-0., -2.]])

numpy.arange() ：这个人应该觉得很熟悉 range 普通 Python 的。但是在后者只能处理整数的情况下，NumPy的实现也可以处理浮点数。
```
>>> np.arange(5)
array([0, 1, 2, 3, 4])
>>> np.arange(3, 7)
array([3, 4, 5, 6])
>>> np.arange(2, 4, 0.5)
array([ 2. ,  2.5,  3. ,  3.5])
```

numpy.linspace() ：如果需要均匀分布的样本，这种初始化方式比 numpy.arange() 这是由于后者引入了由实现引起的轻微舍入误差。

>>> np.linspace(0, 4, 5)
array([ 0.,  1.,  2.,  3.,  4.])
>>> np.linspace(0.3, 0.7, 5)
array([ 0.3,  0.4,  0.5,  0.6,  0.7])
>>> np.linspace(0.3, 0.7, 4, endpoint=False)
array([ 0.3,  0.4,  0.5,  0.6])

数组属性¶

这个 arrays 还提供了一些关于其自身的信息，这些信息可以通过其属性进行访问。

维数¶

这个 ndim 属性是数组的维数。

>>> x = np.array([0.0, 1.0, 2.0])
>>> x.ndim
1
>>> x = np.array([[0, 1, 2], [3, 4, 5]])
>>> x.ndim
2

形状¶

这个 shape 属性是表示沿每个维度的元素数量的元组。

>>> x = np.array([0.0, 1.0, 2.0])
>>> x.shape
(3,)
>>> x = np.array([[0, 1, 2], [3, 4, 5]])
>>> x.shape
(2, 3)
>>> x.shape[0]
2
>>> x.shape[1]
3

大小¶

这个 size 属性是数组的元素数量。

>>> x = np.array([0.0, 1.0, 2.0])
>>> x.size
3
>>> x = np.array([[0, 1, 2], [3, 4, 5]])
>>> x.size
6

所以从本质上说，它是 shape 。

访问数据¶

类似于 lists 和 tuples 通过引用索引访问数据：

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

切片¶

切片是指从数组中提取部分数据。这是非常高效的，因为不会在内存中复制任何内容。

>>> x = np.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, 24]])
>>> x[0, :]
array([0, 1, 2, 3, 4])
>>> x[1, :]
array([5, 6, 7, 8, 9])
>>> x[:, 1]
array([ 1,  6, 11, 16, 21])
>>> x[:3, :3]
array([[ 0,  1,  2],
       [ 5,  6,  7],
       [10, 11, 12]])
>>> x[2:, 2:]
array([[12, 13, 14],
       [17, 18, 19],
       [22, 23, 24]])

注解

数组的片共享原始数组的内存。因此，您对切片所做的所有更改也表示在原始数组中：

>>> x = np.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, 24]])
>>> print(x)
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]
 [15 16 17 18 19]
 [20 21 22 23 24]]
>>> x_slice = x[1:-1, 1:-1]
>>> print(x_slice)
[[ 6  7  8]
 [11 12 13]
 [16 17 18]]
>>> x_slice[1, 1] = 888
>>> print(x_slice)
[[  6   7   8]
 [ 11 888  13]
 [ 16  17  18]]
>>> print(x)
[[  0   1   2   3   4]
 [  5   6   7   8   9]
 [ 10  11 888  13  14]
 [ 15  16  17  18  19]
 [ 20  21  22  23  24]]