Numpy——数组对象ndarray

1.什么事numpy？

Numpy 是用于数据科学计算的基础，不但能够完成科学计算任务，还能被用作高效地多维数据容器。用于存储和处理大型矩阵。

 

Python提供了一个array模块，和list不同，它直接保存数值，但是由于Python的array模块不支持多维，也没有各种运算函数。

Numpy 弥补了这一遗憾。Numpy提供了一种存储单一数据类型的多维数组——ndarray

2.ndarry属性

属性	说明
ndim	返回int。表示数组的维度
shape	返回tuple。表示数组的尺寸，对于n行m列的矩阵，形状为(n,m)
size	返回int。表示数组的元素总数，等于数组形状的乘积
dtype	返回data-type。描述数组中元素的类型。
itemsize	返回int。表示数组的每一个元素的大小（以字节为单位）

 

3.数组的创建（创建一维或多维数组）

numpy.array(object,dtype=None,copy=True,order='K',subok=Flase,ndmin=0)

参数名称	说明
object	接收array。表示想要创建的数组。无默认。
dtype	接收data-type。表示数组所需的数据类型。如果未给定，则选择保存对象所需的最小类型。默认为None。
ndmin	接收int。指定生成数组应该具有的最小维数。默认为None。

4.创建数组并查看数组属性

import numpy as np   ##导入numpy库

arr1 = np.array([1,2,3,4])  ##创建一维数组

print("创建的数组为:",arr1)


输出结果：

创建的数组为：[1 2 3 4]


arr2 = np.array([[1,2,3,4],[4,5,6,7],[7,8,9,10]])  ##创建二维数组

print("数组维度为:"arr2.ndim)      ##查看数组维度

print("数组形状为:",arr2.shape)    ##查看数组结构

print("数组类型为:",arr2.dtype)    ##查看数组类型

print("数组大小为:",arr2.size)     ##查看数组大小

print("数组每个元素大小为:",arr2.itemsize)   ##查看数组每个元素大小


输出结果：

数组维度为：2

数组形状为：(3,4)

数组类型为: int32

数组大小为：12

数组每个元素大小为:4

5.重新设置数组的shape属性

arr2.shape = 4,3   ###重新设置arr2数组的shape

print("重置shape后的arr2为:\n",arr2)

输出结果：

[[ 1  2  3]
 [ 4  4  5]
 [ 6  7  7]
 [ 8  9 10]]

6.使用arange函数创建数组（通过设置开始值，终止值，步长来创建一维数组）

import numpy as np

## 参数1：开始  包含
## 参数2  截止  不包含
## 参数3  步长

arr1 = np.arange(1,10,2)

print("使用arange函数创建的数组为:\n",arr1)


输出结果：

使用arange函数创建的数组为:

[1 3 5 7 9]

7.使用linspace函数创建数组(设定开始值，终止值，元素个数)

import numpy as np

# ## 参数1 开始 ，包含
# ## 参数2 截止 ，包含
# ## 参数3 元素个数

arr1 = np.linspace(0,1,6)

print("使用linspace创建的数组为:\n",arr1)


输出结果为:

使用linspace创建的数组为:

[0.  0.2 0.4 0.6 0.8 1. ]

8.使用logspace 函数创建等比数列(生成（10^0~10^2）的 20 个等比数列）

import numpy as np

###参数1  以10的开始次方  开始，包含
###参数2  以10的结束次方  结束，包含
###参数3  生成数组个数

arr1 = np.logspace(0,2,20)

print("使用logspace函数创建的数组为:\n",arr1)


输出结果:

使用logspace函数创建的数组为:

[  1.           1.27427499   1.62377674   2.06913808   2.6366509
   3.35981829   4.2813324    5.45559478   6.95192796   8.8586679
  11.28837892  14.38449888  18.32980711  23.35721469  29.76351442
  37.92690191  48.32930239  61.58482111  78.47599704 100.        ]

9.使用zeros函数创建数组

impory numpy as np

##参数  生成数组的shape

arr1 = np.zeros((2,3))

print("使用zeros函数创建的数组为:\n",arr1)


输出结果：

使用zeros函数创建的数组为:

[[0. 0. 0.]
 [0. 0. 0.]]

10.使用eye函数创建数组

import numpy as np

###参数 生成对角都为1的数，里面参数是一个数，表示生成数组为几行几列

arr1 = np.eye(3)

print("使用eye函数创建的数组为:\n",arr1)


输出结果：

使用eye函数创建的数组为:

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

11.使用diag函数创建数组

import numpy as np

## 生成指定对角元素的对角数组，传入参数多大就生成几行几列

arr1 = np.diag([1,2,3,4])

print("使用diag创建的数组为:\n",arr1)



输出结果:

使用diag创建的数组为:

[[1 0 0 0]
 [0 2 0 0]
 [0 0 3 0]
 [0 0 0 4]]

12.使用ones函数创建数组:创建的元素都为1

import numpy as np

##参数 生成数组的shape  全部元素都为1

arr1 = np.ones((3,5))

print("使用ones函数创建的数组为:\n",arr1)



输出结果:

使用ones函数创建的数组为:

[[1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]]

13. random函数生成随机数

import numpy as np

###生成指定参数个0~1 之间的数组  包含0  不包含1

arr1 = np.random.random(4)

print("arr1:\n",arr1)


输出结果：

arr1:

[0.09890543 0.5631192  0.09417896 0.1554208 ]

##################################################################

###生成均匀分布的数组，里面参数为几行几列
arr2 = np.random.rand(6,2)

print("arr2:\n",arr2)



输出结果：

arr2:

[[0.60073526 0.40737395]
 [0.49359336 0.48587344]
 [0.58353272 0.7918001 ]
 [0.06910529 0.6781642 ]
 [0.47421911 0.51124696]
 [0.75780799 0.56415203]]

#################################################

####符合正太分布的数组
## u 均值     反映的正太分布对称线的位置
## a 标准差   反映数据的离散程度
## a 越大，越离散，图形越平缓
## a 越小，越密集，图形越陡峭

arr3 = np.random.randn((10,2))

print("arr3:\n",arr3)


输出结果:

arr3:

[[ 0.47601861 -0.53283289]
 [ 0.36274619 -0.27527158]
 [-0.00463033 -0.55391689]
 [-1.6325087  -1.56417882]
 [-1.25892241 -0.32421935]
 [ 1.09829841  0.23137011]
 [-0.35076178  0.82404005]
 [ 0.87361673  1.64870962]
 [ 0.21036936  1.09305065]
 [ 1.92894355 -1.80894203]]

#################################################

arr4 = np.random.randint(2,10,size=[3,4])

## random.randint(a, b)，用于生成一个指定范围内的整数。
## 其中参数 a 是下限，参数 b 是上限，生成的随机数 n: a <= n <= b

print("arr4:\n",arr4)

输出结果:

arr4：

[[7 3 2 9]
 [4 8 4 2]
 [4 7 3 6]]

14.数组的数据类型转换

print(np.float64(42))   ## 整型转换为浮点型

print(np.int8(42.0))    ## 浮点型转换为整型

print(np.bool(42))      ## 整型转换为布尔型

print(np.bool(0))

print(np.float(True))   ## 布尔型转换为浮点型

print(np.int(False))    ## 布尔型转换为整型



输出结果：

42.0
42
True
False
1.0
0

15.自定义数据类型

import numpy as np

df = np.dtype([("name",np.str_,32),("weight",np.float64),("height",np.float64)])

arr1 = np.array([("zs",180,75),("ls",170,60),("ww",185,80)],dtype=df)

print(arr1)

print(arr1.dtype)



输出结果：

[('zs', 180., 75.) ('ls', 170., 60.) ('ww', 185., 80.)]
[('name', '

16.数组的索引

### 一维数组的索引
##创建一个一维数组

arr = np.arange(10)
print("arr:",arr)

### 一维索引
##取5
print(arr[5])
##取5,6,7
print(arr[5:8])



##多维数组的索引
arr = np.array([[1,2,3,4],[2,3,4,5],[3,4,5,6],[4,5,6,7]])
print(arr)
print("取前两行所有列",arr[:2,:])
print("取第三行的4,5",arr[2,1:3])
print("取第一行，第三行的的第一列和最后一列",arr[::2,::3])

17.改变数组形状

arr1 = np.arange(10)     ## 创建一维数组

print(arr1)


输出结果：

[0 1 2 3 4 5 6 7 8 9]

#############################################

##改变数组形状

arr_new = arr1.reshape(2,5)

print(arr_new)


输出结果：


[[0 1 2 3 4]
 [5 6 7 8 9]]

18.使用ravel函数f和latten函数展平数组

arr1 = np.arange(9).reshape(3,3)

print(arr1)


输出结果:

[[0 1 2]
 [3 4 5]
 [6 7 8]]



arr_new = arr1.reval()

print("展平的数组结果为:\n"arr_new)


输出结果：

展平的数组结果为:

[0 1 2 3 4 5 6 7 8]

########################################################

### 通过flatten展平数组
### 默认参数为C，按行展开，F为按列展开

arr_new = arr.flatten("F")

print(arr_new)

输出结果:

[0 1 2 3 4 5 6 7 8]

19.组合数组

import numpy as np

arr1 = np.arange(6).reshape(2,3)

arr2 = np.array([[1,2,3],[4,5,6]])

print('arr1:\n',arr1)
print('arr2:\n',arr2)


输出结果:

arr1: 

[[0 1 2]
 [3 4 5]]

arr2: 

[[1 2 3]
 [4 5 6]]

#######################################

### hstack 数组横向拼接，增加列

arr_new = np.hstack((arr1,arr2))

print('arr_new:\n',arr_new)

输出结果：

arr_new:

[[0 1 2 1 2 3]
 [3 4 5 4 5 6]]


##########################################

###vstack 数组纵向拼接，增加行

arr_new = np.vstack((arr1,arr2))

print("arr_new:\n"，arr_new)

输出结果：

arr_new:

[[0 1 2]
 [3 4 5]
 [1 2 3]
 [4 5 6]]

############################################

####concatenate  axis=1  数组横向组合

arr_new = np.concatenate((arr1,arr2),axis=1)


print(arr_new)


输出结果：

[[0 1 2 1 2 3]
 [3 4 5 4 5 6]]

###############################################

### concatenate ，axis=0   数组纵向组合 

# arr_new = np.concatenate((arr1,arr2),axis=0)

# print(arr_new)

输出结果：

[[0 1 2]
 [3 4 5]
 [1 2 3]
 [4 5 6]]


### 拼接过程中：维度
## 横向拼接，行一致一致
## 纵向拼接，列一致

20.切割数组

import numpy as np

arr = np.arange(16).reshape(4,4)

print("arr:\n",arr)

输出结果：

arr：
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]


#### hsplit 横向拆分

arr_new = np.hsplit(arr,2)

##或者

arr_new = np.split(arr,2,axis=1)

print(arr_new)

输出结果：

[array([[ 0,  1],
       [ 4,  5],
       [ 8,  9],
       [12, 13]]), array([[ 2,  3],
       [ 6,  7],
       [10, 11],
       [14, 15]])]


#### vsplit 纵向拆分

arr_new = np.hsplit(arr,2)

### 或者

arr_new = np.split(arr,2,axis=0)

print(arr_new)

输出结果：

[array([[0, 1, 2, 3],
       [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],
       [12, 13, 14, 15]])]