NumPy ndarray：多维数组对象

可使用类似标量的操作语法在整个数据块上进行计算。

In [1]: import numpy as np

In [2]: data = np.random.randn(2, 3)

In [3]: data
Out[3]:
array([[-1.33289607,  0.65042734,  0.50607835],
       [-2.24144872,  0.46766847, -0.46282393]])

In [4]: data * 10
Out[4]:
array([[-13.32896071,   6.50427341,   5.06078345],
       [-22.41448722,   4.67668469,  -4.62823931]])

In [5]: data + data
Out[5]:
array([[-2.66579214,  1.30085468,  1.01215669],
       [-4.48289744,  0.93533694, -0.92564786]])

一个ndarray是一个通用的多维同类数据容器。每一个数组都有一个shape属性，表征数组每一维度的数量；还有一个dtype属性，描述数组的数据类型。

In [6]: data.shape
Out[6]: (2, 3)

In [7]: data.dtype
Out[7]: dtype('float64')

生成 ndarray

使用 array 函数

In [8]: data1 = [6, 7.5, 8, 0, 1]

In [9]: arr1 = np.array(data1)

In [10]: arr1
Out[10]: array([6. , 7.5, 8. , 0. , 1. ])

In [11]:

In [11]: data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]

In [12]: data2
Out[12]: [[1, 2, 3, 4], [5, 6, 7, 8]]

In [13]: arr2 = np.array(data2)

In [14]: arr2
Out[14]:
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])

In [15]: arr2.ndim
Out[15]: 2

In [16]: arr2.shape
Out[16]: (2, 4)

In [17]: arr1.dtype
Out[17]: dtype('float64')

In [18]: arr2.dtype
Out[18]: dtype('int32')

除了 np.array，还有其它函数创建数组。

In [19]: np.zeros(10)
Out[19]: array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

In [20]: np.zeros((3, 6))
Out[20]:
array([[0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0.]])

In [21]: np.ones((2, 2))
Out[21]:
array([[1., 1.],
       [1., 1.]])

In [22]: np.empty((2, 3, 2))
Out[22]:
array([[[2.87e-322, 0.00e+000],
        [0.00e+000, 0.00e+000],
        [0.00e+000, 0.00e+000]],

       [[0.00e+000, 0.00e+000],
        [0.00e+000, 0.00e+000],
        [0.00e+000, 0.00e+000]]])

可见，用np.empty生成全0的数组并不可靠，因为可能会返回未初始化的垃圾值。

arange 是Python内建函数 range 数组版。

In [23]: np.arange(15)
Out[23]: array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])