numpy简介
一、Ndarray对象
NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型。 它描述相同类型的元素集合。 可以使用基于零的索引访问集合中的项目。
ndarray中的每个元素在内存中使用相同大小的块。 ndarray中的每个元素是数据类型对象的对象（称为 dtype）。
从ndarray对象提取的任何元素（通过切片）由一个数组标量类型的 Python 对象表示。 下图显示了ndarray，数据类型对象（dtype）和数组标量类型之间的关系。
1、Ndarray
基本的ndarray是使用 NumPy 中的数组函数创建的；
如：numpy.array
语法：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
示例1：
import numpy as np a = np.array([1,2,3]) print(a)
示例2：
# 多一个维度 import numpy as np a = np.array([[1, 2], [3, 4]]) print(a)
输出：
示例·3：
# dtype 参数 import numpy as np a = np.array([1, 2, 3], dtype = complex) print(a)
输出：
二、数据类型对象
语法：
numpy.dtype(object, align, copy)
参数：
-
Object：被转换为数据类型的对象。 -
Align：如果为true，则向字段添加间隔，使其类似 C 的结构体。 -
Copy： 生成dtype对象的新副本，如果为flase，结果是内建数据类型对象的引用。
三、数组属性
1、ndarray.shape
这一数组属性返回一个包含数组维度的元组，他也可以用于调整数组大小；
例1：
import numpy as np a = np.array([[1,2,3],[4,5,6]]) print a.shape
例2：
# 这会调整数组大小 import numpy as np a = np.array([[1,2,3],[4,5,6]]) a.shape = (3,2) print a
例3：
numpy也提供了reshape函数来调整数组大小
import numpy as np a = np.array([[1,2,3],[4,5,6]]) b = a.reshape(3,2) print b
2、ndarray.ndim
返回数组的维度
例1：
# 等间隔数字的数组 import numpy as np a = np.arange(24)
print a
例2：
# 一维数组 import numpy as np a = np.arange(24) a.ndim # 现在调整其大小 b = a.reshape(2,4,3) print b # b 现在拥有三个维度
3、numpy.itemsize
返回数组中每个元素的字节单位长度
例1：
# 数组的 dtype 为 int8（一个字节） import numpy as np x = np.array([1,2,3,4,5], dtype = np.int8) print x.itemsize
例2：
# 数组的 dtype 现在为 float32（四个字节） import numpy as np x = np.array([1,2,3,4,5], dtype = np.float32) print x.itemsize
4、numpy.empty
通过任何下列数组创建列程或使用低级ndarray构造函数构造
它创建指定形状和dtype的未初始化数组。 它使用以下构造函数：
numpy.empty(shape, dtype = float, order = 'C')
参数：
例：
import numpy as np x = np.empty([3,2], dtype = int) print x
注：数组元素为随机值，因为他们未初始化
5、numpy.zeros
返回特定大小，以0填充的新数组。
参数：
例1：
# 含有 5 个 0 的数组，默认类型为 float import numpy as np x = np.zeros(5) print x
例：
# 自定义类型
import numpy as np
x = np.zeros((2,2), dtype = [('x', 'i4'), ('y', 'i4')])
print x
6、numpy.ones
返回特定大小，以1填充的新数组
numpy.ones(shape, dtype = None, order = 'C')
参数：
四、来自现有数据的数组
1、asarray
语法：
numpy.asarray(a, dtype = None, order = None)
参数：
例1：
# 将列表转换为 ndarray import numpy as np x = [1,2,3] a = np.asarray(x) print a
五、来自数值范围的数组
1、arange
返回ndarray对象，包含给定范围内的等间隔值；
numpy.arange(start, stop, step, dtype)
参数：
例1：
import numpy as np x = np.arange(5) print x
例2：
# 设置了起始值和终止值参数 import numpy as np x = np.arange(10,20,2) print x
2、linspace
类似于arange()函数，在此函数中，指定了范围之间的均匀间隔数量，而不是步长
语法：
numpy.linspace(start, stop, num, endpoint, retstep, dtype)
参数：
例1：
import numpy as np x = np.linspace(10,20,5) print x
例2：
# 将 endpoint 设为 false import numpy as np x = np.linspace(10,20, 5, endpoint = False) print x
六、切片和索引
ndarray对象中的元素遵循基于零的索引。有三种可用的索引方法类型：字段访问，基本切片，高级索引；
1、切片
基本切片是 Python 中基本切片概念到 n 维的扩展。 通过将start，stop和step参数提供给内置的slice函数来构造一个 Python slice对象。 此slice对象被传递给数组来提取数组的一部分。
例1：
import numpy as np a = np.arange(10) s = slice(2,7,2) print a[s]
例2：
通过将由冒号分隔的切片参数（start:stop:step）直接提供给ndarray对象，也可以获得相同的结果。
import numpy as np a = np.arange(10) b = a[2:7:2] print b
例3：
# 最开始的数组 import numpy as np a = np.array([[1,2,3],[3,4,5],[4,5,6]]) print '我们的数组是：' print a print '\n' # 这会返回第二列元素的数组： print '第二列的元素是：' print a[...,1] print '\n' # 现在我们从第二行切片所有元素： print '第二行的元素是：' print a[1,...] print '\n' # 现在我们从第二列向后切片所有元素： print '第二列及其剩余元素是：' print a[...,1:]
2、索引
（1）整数索引
这种机制有助于基于 N 维索引来获取数组中任意元素。 每个整数数组表示该维度的下标值。 当索引的元素个数就是目标ndarray的维度时，会变得相当直接。
以下示例获取了ndarray对象中每一行指定列的一个元素。 因此，行索引包含所有行号，列索引指定要选择的元素。
例1：
import numpy as np x = np.array([[1, 2], [3, 4], [5, 6]]) y = x[[0,1,2], [0,1,0]] print y
例2：
获取4*3数组中的每个角处的元素。行索引是[0,0]和[3，3]，而列索引是[0,2]和[0,2]：
import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print '我们的数组是：' print x print '\n' rows = np.array([[0,0],[3,3]]) cols = np.array([[0,2],[0,2]]) y = x[rows,cols] print '这个数组的每个角处的元素是：' print y
例3：
高级和基本索引可以通过使用切片:或省略号...与索引数组组合。 以下示例使用slice作为列索引和高级索引。 当切片用于两者时，结果是相同的。 但高级索引会导致复制，并且可能有不同的内存布局。
import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print '我们的数组是：' print x print '\n' # 切片 z = x[1:4,1:3] print '切片之后，我们的数组变为：' print z print '\n' # 对列使用高级索引 y = x[1:4,[1,2]] print '对列使用高级索引来切片：' print y
（2）布尔索引
例1：
import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print '我们的数组是：' print x print '\n' # 现在我们会打印出大于 5 的元素 print '大于 5 的元素是：' print x[x > 5]
例2：
import numpy as np a = np.array([np.nan, 1,2,np.nan,3,4,5]) print a[~np.isnan(a)]
七、广播
指numpy在算术运算期间处理不同形状的数组的能力，对数组的算数运算通常在相应的元素上进行。如果两个阵列具有完全相同的形状，则这些操作被无缝执行。
例1：
import numpy as np a = np.array([1,2,3,4]) b = np.array([10,20,30,40]) c = a * b print(c)
如果两个数组的维数不相同，则元素到元素的操作是不可能的。 然而，在 NumPy 中仍然可以对形状不相似的数组进行操作，因为它拥有广播功能。 较小的数组会广播到较大数组的大小，以便使它们的形状可兼容。
如果满足以下规则，可以进行广播：
-
ndim较小的数组会在前面追加一个长度为 1 的维度。 -
输出数组的每个维度的大小是输入数组该维度大小的最大值。
-
如果输入在每个维度中的大小与输出大小匹配，或其值正好为 1，则在计算中可它。
-
如果输入的某个维度大小为 1，则该维度中的第一个数据元素将用于该维度的所有计算。
如果上述规则产生有效结果，并且满足以下条件之一，那么数组被称为可广播的。
-
数组拥有相同形状。
-
数组拥有相同的维数，每个维度拥有相同长度，或者长度为 1。
-
数组拥有极少的维度，可以在其前面追加长度为 1 的维度，使上述条件成立。
import numpy as np a = np.array([[0.0,0.0,0.0],[10.0,10.0,10.0],[20.0,20.0,20.0],[30.0,30.0,30.0]]) b = np.array([1.0,2.0,3.0]) print '第一个数组：' print a print '\n' print '第二个数组：' print b print '\n' print '第一个数组加第二个数组：' print a + b
八、数组上的迭代
numpy包包含一个迭代器对象numpy.nditer。它是一个有效的多维迭代器对象，可以用于在数组上进行迭代。数组的每个元素可使用python的标准Iterator接口来访问。
例1：
a=np.arange(0,60,5)
a=a.reshape(3,4)
print('原始数组是：')
print(a)
print('修改后的数组是：')
for x in np.nditer(a):
print(x)
例2：
迭代的顺序匹配数组的内容布局，而不考虑特定的排序，这可以通过迭代上述数组的转置来看到。
import numpy as np
a = np.arange(0,60,5)
a = a.reshape(3,4)
print '原始数组是：'
print a
print '\n'
print '原始数组的转置是：'
b = a.T
print b
print '\n'
print '修改后的数组是：'
for x in np.nditer(b):
print x,
标签：python,np,数组,print,import,array,numpy From： https://www.cnblogs.com/xiao-wang-tong-xue/p/17219315.html