numpy.array 操作使用简单总结

脚本专栏 2025/1/9 佚名

3 2 1

import numpy as np

numpy.array 常用变量及参数

dtype变量，用来存放数据类型，创建数组时可以同时指定。
shape变量，存放数组的大小，这人值是可变的，只要确保无素个数不变的情况下可以任意修改。（-1为自动适配，保证个数不变）
reshape方法，创建一个改变了形状的数组，与原数组是内存共享的，即都指向同一块内存。

创建数组的方法

np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]], dtype=np.float)
np.arange(0,1,0.1) #0到1之间步长为0.1的数组, 数组中不包含1
np.linspace(0, 1, 5) # 开始：0， 结束1, 元素个数 5。 array([ 0. , 0.25, 0.5 , 0.75, 1. ])
np.logspace(0, 1, 5) # 开始：0， 结束1, 元素个数 5. array([ 10**0. , 10**0.25, 10**0.5 , 10**0.75, 10**1. ])
      # 结果是 array([ 1.  , 1.77827941, 3.16227766, 5.62341325, 10.  ])
 
s = 'abcdefg'
np.fromstring(s, dtype=np.int8)
 
def func2(i, j):
 return (i+1) * (j+1)
np.fromfunction(func2, (9,9))
 
np.ones((2, 2))
np.zero((2, 2))
np.eye(2)
 
#创建二维数组：
np.arange(0, 60, 10).reshape(-1, 1) + np.arange(0, 6)

数据读取

通过下标范围获取数据：与python list对象操作一致。不同点是这方法获取的数组与原数组是内存共享的。

通过整数序列获取新数组：例 x[[3,2,3,2] ], 产生新数组，内存不共享

使用布尔数组获取数据：例: x[np.array([True, False, True, False, False])] 或 x[x>0.5], 返回True对应的数字。

代码示例：

> x = np.arange(10)
> y = x[::-1]
> x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
> y
array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
> y[0] = 100
> x
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 100])
> y
array([100, 8, 7, 6, 5, 4, 3, 2, 1, 0])
> x[0] = 99
> x
array([ 99, 1, 2, 3, 4, 5, 6, 7, 8, 100])
> y
array([100, 8, 7, 6, 5, 4, 3, 2, 1, 99])
> y = x[1:6]
> y
array([1, 2, 3, 4, 5])
> y[2] = 33
> y
array([ 1, 2, 33, 4, 5])
> x
array([ 99, 1, 2, 33, 4, 5, 6, 7, 8, 100])
> x[[3,2,3,2]]
array([33, 2, 33, 2])
> z = x[[3,2,3,2]]
> z
array([33, 2, 33, 2])
> z[3] = 4
> z
array([33, 2, 33, 4])
> x
array([ 99, 1, 2, 33, 4, 5, 6, 7, 8, 100])
> x[x>10]
array([ 99, 33, 100])
>

数组扩展

np.vstack((a, b)): 增加行数，把b数据追加到a的下面，上下连接。
np.hstack((a, b)): 增加列数，把a, b左右连接。

> a = np.ones((3,3))
> b = np.eye(3)
> a
array([[ 1., 1., 1.],
  [ 1., 1., 1.],
  [ 1., 1., 1.]])
> b
array([[ 1., 0., 0.],
  [ 0., 1., 0.],
  [ 0., 0., 1.]])
> b *= 2
> b
array([[ 2., 0., 0.],
  [ 0., 2., 0.],
  [ 0., 0., 2.]])
> np.vstack((a, b))
array([[ 1., 1., 1.],
  [ 1., 1., 1.],
  [ 1., 1., 1.],
  [ 2., 0., 0.],
  [ 0., 2., 0.],
  [ 0., 0., 2.]])
> 
> np.hstack((a, b))
array([[ 1., 1., 1., 2., 0., 0.],
  [ 1., 1., 1., 0., 2., 0.],
  [ 1., 1., 1., 0., 0., 2.]])

ufunc运算

ufunc是universal function的缩写，它是一种能对数组的每个元素进行操作的函数。NumPy内置的许多ufunc函数都是在C语言级别实现的，因此它们的计算速度非常快。

np.sin(x, x)
np.add(a, b) ~ a+b
np.subtract(a, b) ~ a-b
np.multiply(a, b) ~ a*b
divide ~ a/b
floor divide ~ a//b
negative ~ -a
power ~ a**b
remainder ~ a % b

注意：复杂运算时，中间步聚会有临时变量，这会拖慢运算速度。

如：

x = a*b + c

等价于

t = a*b
x = t + c
del t

所以可手动优化

x = a * b
x += c

二维数组转一维

> a
array([[ 1, 2, 3, 4],
  [ 4, 5, 6, 7],
  [ 7, 8, 9, 10]])
> a.ravel()
array([ 1, 2, 3, 4, 4, 5, 6, 7, 7, 8, 9, 10])

reshape函数可重新定义大小。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。

numpy.array,操作,numpy.array,使用

标签：

numpy.array,操作,numpy.array,使用

免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com

白云城资源网 Copyright www.dyhadc.com

评论“numpy.array 操作使用简单总结”

numpy.array 操作使用简单总结

暂无“numpy.array 操作使用简单总结”评论...

numpy.array 操作使用简单总结

numpy.array,操作,numpy.array,使用

Python单元测试与测试用例简析

python自动化测试之异常及日志操作实例分析

评论“numpy.array 操作使用简单总结”

P70系列延期，华为新旗舰将在下月发布

更新日志

友情链接