Numpy入门教程：01. 数组的创建与属性
背景
什么是 NumPy 呢？
NumPy 这个词来源于两个单词 – Numerical和Python。其是一个功能强大的 Python 库，可以帮助程序员轻松地进行数值计算，通常应用于以下场景：
- 执行各种数学任务，如：数值积分、微分、内插、外推等。因此，当涉及到数学任务时，它形成了一种基于 Python 的 MATLAB 的快速替代。
- 计算机中的图像表示为多维数字数组。NumPy 提供了一些优秀的库函数来快速处理图像。例如，镜像图像、按特定角度旋转图像等。
- 在编写机器学习算法时，需要对矩阵进行各种数值计算。如：矩阵乘法、求逆、换位、加法等。NumPy 数组用于存储训练数据和机器学习模型的参数。
数据类型
Python只定义一种整数类型，一种浮点类型。这在不需要关心数据在计算机中表示的所有方式的应用中是方便的。然而，对于科学计算，通常需要更多的控制。
数组的创建
导入 numpy。
import numpy as np
numpy 提供的最重要的数据结构是ndarray，它是 python 中list的扩展。
利用现有数据
numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)
【例】
import numpy as np
# 创建一维数组
a = np.array([0, 1, 2, 3, 4])
b = np.array((0, 1, 2, 3, 4))
print(a, type(a))
# [0 1 2 3 4] array()和asarray()都可以将结构数据转化为 ndarray，但是主要区别就是当数据源是 ndarray 时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时 asarray()不会。
numpy.asarray(a, dtype = None, order = None)
def asarray(a, dtype=None, order=None):
return array(a, dtype, copy=False, order=order)
【例】
import numpy as np
x = [[1, 1, 1], [1, 1, 1], [1, 1, 1]]
y = np.array(x)
z = np.asarray(x)
x[1][2] = 2
print(x)
# [[1, 1, 1], [1, 1, 2], [1, 1, 1]]
print(y)
# [[1 1 1]
# [1 1 1]
# [1 1 1]]
print(z)
# [[1 1 1]
# [1 1 1]
# [1 1 1]]
【例】
import numpy as np
x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])
y = np.array(x)
z = np.asarray(x)
w = np.asarray(x, dtype=np.int)
x[1] = 2
print(x)
# [[1. 1. 1.]
# [2. 2. 2.]
# [1. 1. 1.]]
print(y)
# [[1. 1. 1.]
# [1. 1. 1.]
# [1. 1. 1.]]
print(z)
# [[1. 1. 1.]
# [2. 2. 2.]
# [1. 1. 1.]]
print(w)
# [[1 1 1]
# [1 1 1]
# [1 1 1]]
【例】
import numpy as np
x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])
print(x, x.dtype)
# [[1 1 1]
# [1 1 1]
# [1 1 1]] int32
x.dtype = np.float
# ValueError: When changing to a larger dtype, its size must be a divisor of the total size in bytes of the last axis of the array.
利用 Ones 和 zeros 填充方式
在机器学习任务中经常做的一件事就是初始化参数，需要用常数值或者随机值来创建一个固定大小的矩阵。
numpy.zeros(shape, dtype=float, order='C')返回给定形状和类型的新数组，并用零填充。numpy.zeros_like(a, dtype=None, order='K', subok=True, shape=None)Return an array of zeros with the same shape and type as a given array.
【例】
import numpy as np
x = np.zeros(5)
print(x) # [0. 0. 0. 0. 0.]
x = np.zeros([2, 3])
print(x)
# [[0. 0. 0.]
# [0. 0. 0.]]
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.zeros_like(x)
print(y)
# [[0 0 0]
# [0 0 0]]
numpy.ones(shape, dtype=float, order='C')返回给定形状和类型的新数组，并填充为1。numpy.ones_like(a, dtype=None, order='K', subok=True, shape=None)Return an array of ones with the same shape and type as a given array.
【例】
import numpy as np
x = np.ones(5)
print(x) # [1. 1. 1. 1. 1.]
x = np.ones([2, 3])
print(x)
# [[1. 1. 1.]
# [1. 1. 1.]]
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.ones_like(x)
print(y)
# [[1 1 1]
# [1 1 1]]
numpy.empty(shape, dtype=float, order='C')返回一个空数组，数组元素为随机数。numpy.empty_like(prototype, dtype=None, order='K', subok=True, shape=None)Return a new array with the same shape and type as a given array.
【例】
import numpy as np
x = np.empty(5)
print(x)
# [1.95821574e-306 1.60219035e-306 1.37961506e-306 9.34609790e-307
# 1.24610383e-306]
x = np.empty((3, 2))
print(x)
# [[1.60220393e-306 9.34587382e-307]
# [8.45599367e-307 7.56598449e-307]
# [1.33509389e-306 3.59412896e-317]]
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.empty_like(x)
print(y)
# [[ 7209029 6422625 6619244]
# [ 100 707539280 504]]
numpy.full(shape, fill_value, dtype=None, order='C')返回一个常数数组。numpy.full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None)Return a full array with the same shape and type as a given array.
【例】
import numpy as np
x = np.full((2,), 7)
print(x)
# [7 7]
x = np.full((2, 7), 7)
print(x)
# [[7 7 7 7 7 7 7]
# [7 7 7 7 7 7 7]]
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.full_like(x, 7)
print(y)
# [[7 7 7]
# [7 7 7]]
numpy.eye(N, M=None, k=0, dtype=返回一个二维数组，对角线上为1，其他地方为零。) numpy.identity(n, dtype=None)[source]Return the identity array,The identity array is a square array with ones on the main diagonal.
【例】
import numpy as np
x = np.eye(4)
print(x)
# [[1. 0. 0. 0.]
# [0. 1. 0. 0.]
# [0. 0. 1. 0.]
# [0. 0. 0. 1.]]
x = np.eye(2, 3)
print(x)
# [[1. 0. 0.]
# [0. 1. 0.]]
x = np.identity(4)
print(x)
# [[1. 0. 0. 0.]
# [0. 1. 0. 0.]
# [0. 0. 1. 0.]
# [0. 0. 0. 1.]]
利用数值范围
numpy.arange([start, ]stop, [step, ]dtype=None)返回给定间隔内的均匀间隔的值。numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)返回指定间隔内的等间隔数字。numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None, axis=0)返回数以对数刻度均匀分布。numpy.random.random(size=None)返回一个由[0,1)内的随机数组成的数组。
【例】
import numpy as np
x = np.arange(5)
print(x) # [0 1 2 3 4]
x = np.arange(3, 7, 2)
print(x) # [3 5]
x = np.linspace(start=0, stop=2, num=9)
print(x)
# [0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ]
x = np.random.random(5)
print(x) # [0.19918248 0.37849338 0.53131778 0.54145778 0.54659923]
x = np.random.random([2, 3])
print(x)
# [[0.64563931 0.81257475 0.05123273]
# [0.21415045 0.98966487 0.71510226]]
【例】
import numpy as np
x = np.linspace(0, 1, 5)
print(x)
# [0. 0.25 0.5 0.75 1. ]
x = np.logspace(0, 1, 5)
print(np.around(x, 2))
# [ 1. 1.78 3.16 5.62 10. ]
x = [10 ** i for i in x]
print(np.around(x, 2))
# [ 1. 1.78 3.16 5.62 10. ]
数组的属性
在使用 numpy 时，你会想知道数组的某些信息。很幸运，在这个包里边包含了很多便捷的方法，可以给你想要的信息。
numpy.ndarray.ndim用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即ndim属性(秩)。numpy.ndarray.size数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。numpy.ndarray.dtypendarray对象的元素类型。numpy.ndarray.itemsize以字节的形式返回数组中每一个元素的大小。
【例】
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a.shape) # (5,)
print(a.dtype) # int32
print(a.size) # 5
print(a.ndim) # 1
print(a.itemsize) # 4
b = np.array([[1, 2, 3], [4, 5, 6.0]])
print(b.shape) # (2, 3)
print(b.dtype) # float64
print(b.size) # 6
print(b.ndim) # 2
print(b.itemsize) # 8
在ndarray中所有元素必须是同一类型，否则会自动向下转换，int->float->str。
【例】
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a) # [1 2 3 4 5]
b = np.array([1, 2, 3, 4, '5'])
print(b) # ['1' '2' '3' '4' '5']
c = np.array([1, 2, 3, 4, 5.0])
print(c) # [1. 2. 3. 4. 5.]
当前活动
我是 终身学习者“老马”，一个长期践行“结伴式学习”理念的 中年大叔。
我崇尚分享，渴望成长，于2010年创立了“LSGO软件技术团队”，并加入了国内著名的开源组织“Datawhale”，也是“Dre@mtech”、“智能机器人研究中心”和“大数据与哲学社会科学实验室”的一员。
愿我们一起学习，一起进步，相互陪伴，共同成长。
后台回复「搜搜搜」，随机获取电子资源！
欢迎关注，请扫描二维码：
