标签：10 元素 315 基础知识 print 详解 数组 np NumPy
这部分是NumPy数组的快速概述，演示了 n 维 （n>=2） 数组是如何表示和操作的，介绍了如何将常用函数应用于 n 维数组（不使用 for 循环），以及n 维数组的轴和形状属性。
目录
一、基本属性
NumPy的主要对象是同构多维数组。它是一个元素（通常是数字）表，所有元素（通常是数字）都具有相同的类型，由非负整数元组索引。在NumPy中，维度称为轴。
数组对象的基本属性：
| 属性 | 解释 |
|---|---|
| ndarray.ndim | 数组的轴数（维数） |
| ndarray.shape | 数组的尺寸。返回一个整数元组，元组的长度是轴数，元组中的元素指示每个维度中数组的大小。 |
| ndarray.size | 数组的元素总数。这等于shape元组中所有元素的乘积。 |
| ndarray.dtype | 描述数组中元素类型的对象。可以使用标准Python类型创建或指定dtype。此外，NumPy还提供了自己的类型，如numpy.int32、numpy.int16 、numpy.float64 |
| ndarray.itemsize | 数组中每个元素的大小（以字节为单位） |
| ndarray.data | 包含数组实际元素的缓冲区。通常，我们不需要使用此属性，因为我们将使用索引工具访问数组中的元素。 |
a=np.arange(15).reshape(3,5)
print(a)
print(type(a))
print(a.ndim)
print(a.shape)
print(a.size)
print(a.dtype.name)
print(a.itemsize)
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]] # a
<class 'numpy.ndarray'> # type(a)
2 # a.ndim 维数
(3, 5) # a.shape
15 # a.size 3*5=15
int32 # a.dtype
4 # a.itemsize
二、创建数组
1. 从常规Python列表或元组出发创建数组
- 注意参数必须是单个序列，而不能直接输入序列中的各个值
- 可以将序列的序列转化为二维数组，将序列的序列序列转化为三维数组
- 可以在创建时显式制定数组元素的类型
a=np.array([1,2,3,4,5],dtype=float) # 列表转换为一维数组
b=np.array([(1,2,3,4),(5,6,7,8)]) # 元组的列表转换为二维数组
c=np.array([[( 1, 2, 3, 4),( 5, 6, 7, 8)],
[( 9,10,11,12),(13,14,15,16)],
[(17,18,19,20),(21,22,23,24)]])
[1. 2. 3. 4. 5.] ------- a
[[1 2 3 4]
[5 6 7 8]] ------- b
[[[ 1 2 3 4]
[ 5 6 7 8]]
[[ 9 10 11 12]
[13 14 15 16]]
[[17 18 19 20]
[21 22 23 24]]] ------- c
2. 创建具有初始占位符内容的数组
通常，最初数组的元素是未知的，但其大小是已知的。因此，NumPy提供了几个函数来创建具有初始占位符内容的数组，这最大限度地减少了数组动态增长的必要性。
a=np.zeros((2,3)) # 创建一个充满0的数组,参数是表明数组形状的元组
b=np.ones((2,3)) # 创建一个充满1的数组,参数是表明数组形状的元组
c=np.empty((2,3,4)) # 创建一个数组,其初始内容是随机的
[[0. 0. 0.]
[0. 0. 0.]]
[[1. 1. 1.]
[1. 1. 1.]]
[[[1.06018346e-311 8.26448246e-315 8.26448183e-315 8.26448198e-315]
[1.06018346e-311 1.06018346e-311 8.26448752e-315 1.06018346e-311]
[8.26448325e-315 1.06018346e-311 8.26448183e-315 1.06018346e-311]]
[[8.26448752e-315 1.06018346e-311 8.26448198e-315 1.06018346e-311]
[8.26448183e-315 8.26448183e-315 1.06018346e-311 8.26448214e-315]
[1.06018346e-311 8.26448183e-315 1.06018346e-311 8.26449953e-315]]]
3. 创建数字序列
np.arange(x,y,z)：创建一个
[
x
,
y
)
[x,y)
[x,y) 内以z为步长的数组
np.linspace(x,y,z)：创建一个
[
x
,
y
]
[x,y]
[x,y] 内步长相同有z个值的数组（平均分成z-1份）
a=np.arange(10,30,5)
b=np.arange(0,2,0.3)
c=np.linspace(0,2,9)
x = np.linspace(0, 2 * math.pi, 10) #在0~2π之间取10个点
y = np.sin(x) #用以绘制y=sin(x)函数图
[10 15 20 25] # a -步长为5,包括10,不包括30
[0. 0.3 0.6 0.9 1.2 1.5 1.8] # b
[0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ] # c
绘制出x-y关系图，可以看到当点取得够多，就可以绘制出非常平滑的图，因此np.linspace经常被用来生成序列绘制函数图像。
三、打印数组
打印数组时，NumPy 以类似于嵌套列表的方式显示它，但具有以下布局：
- 最后一个轴从左到右打印
- 倒数第二个从上到下打印
- 其余部分也从上到下打印，每个切片与下一个切片之间用空行隔开
然后将一维数组打印为行，将二维数组打印为矩阵，将三维数组打印为矩阵列表。
我尝试了一个四维数组：a=np.arange(120).reshape((2,3,4,5))
[[[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[ 10 11 12 13 14]
[ 15 16 17 18 19]]
[[ 20 21 22 23 24]
[ 25 26 27 28 29]
[ 30 31 32 33 34]
[ 35 36 37 38 39]]
[[ 40 41 42 43 44]
[ 45 46 47 48 49]
[ 50 51 52 53 54]
[ 55 56 57 58 59]]]
[[[ 60 61 62 63 64]
[ 65 66 67 68 69]
[ 70 71 72 73 74]
[ 75 76 77 78 79]]
[[ 80 81 82 83 84]
[ 85 86 87 88 89]
[ 90 91 92 93 94]
[ 95 96 97 98 99]]
[[100 101 102 103 104]
[105 106 107 108 109]
[110 111 112 113 114]
[115 116 117 118 119]]]]
对于 n p . a r a n g e ( X ) . r e s h a p e ( ( x 1 , x 2 , . . . , x n − 1 , x n ) ) np.arange(X).reshape\big((x_1,x_2,...,x_{n-1},x_n)\big) np.arange(X).reshape((x1,x2,...,xn−1,xn))，满足：
- X = ∏ i = 1 n x i X=\prod\limits_{i=1}^nx_i X=i=1∏nxi
- python显示的结果看起来是一个个矩阵， x n − 1 x_{n-1} xn−1行 x n x_n xn 列
.
如果数组太大而无法打印，NumPy 会自动跳过数组的中心部分，只打印角，要禁用此行为并强制 NumPy 打印整个数组，可以使用 np.set_printoptions(threshold=sys.maxsize)
四、基本运算
1.数组上的算术运算符将逐个计算对应元素 ，并创建一个新数组进行结果填充
注意区别对应元素相乘与矩阵相乘，前者a*b 或np.multiply，后者用a@b或a.dot(b)
a=np.array([(10,20),(30,40)])
b=np.array([(1,2),(3,4)])
print(a-b)
print(a**2)
print(a<25)
print(a*b)
print(np.multiply(a,b))
print(a@b)
print(a.dot(b))
[[ 9 18]
[27 36]] # a-b
[[ 100 400]
[ 900 1600]] # a^2
[[ True True]
[False False]] # a>25
[[ 10 40]
[ 90 160]] # a*b
[[ 10 40]
[ 90 160]] # np.multiply(a,b)
[[ 70 100]
[150 220]] # a@b
[[ 70 100]
[150 220]] # a.dot(b)
2.某些操作（如 +=）会就地修改现有数组，而不是创建新数组
3.当处理不同类型的数组时，生成的数组的类型对应于更通用或更精确的数组类型（这种行为称为 upcasting）
4.许多一元运算（如计算数组中所有元素的总和）都是作为类的方法实现的，作用于整个数组，就好像它是一个数字列表一样，无论其形状如何。通过axis参数也可以沿数组的指定轴应用操作
a=np.array([(10,20),(30,40)])
print(a.sum()) # 求所有元素和 100
print(a.max()) # 求所有元素中的最大值 40
print(a.min()) # 求所有元素中的最小值 10
a=np.array([(10,20),(30,40)])
print(a.sum(axis=0)) # 每一列元素和 [40 60]
print(a.max(axis=0)) # 每一列最大值 [30 40]
print(a.min(axis=1)) # 每一行最小值 [10 30]
五、通用函数
这里列举了一些常用的函数，它们大部分都有着较为丰富的扩展功能以满足各种需求，比如很多计算可以针对整个数组，也可以针对某一个轴进行，且有的操作会改变原数组，而有的操作不改变，这里先不详述，只表达一种最简单的使用情况。
| 函数 | 解释 |
|---|---|
| np.exp(A) | 计算指数 |
| np.sqrt(A) | 计算平方根 |
| np.add(A,B) | 计算数组A,B对应元素相加，即A+B |
| np.average(A) | 计算平均值，可以计算加权平均值 |
| np.mean(A) | 计算平均值，无法计算加权平均 |
| np.maximum(A,B) | 取对应位置较大的元素形成新的数组 |
| np.minimum(A,B) | 取对应位置较小的元素形成新的数组 |
| np.median(A) | 计算所有元素的中位数 |
| np.prod(A) | 计算所有元素相乘的结果 |
| np.sort(A) | 返回一个排序后的副本，A本身不变 |
| np.std(A) | 计算标准差 |
| np.var(A) | 计算方差 |
六、索引 切片和迭代
以为数组的索引、切片、迭代和标准Python序列(如列表)类似。而对于多维的数组：
- 每个轴都可以有一个索引，通过以逗号分隔的元组进行设置。
- 切片时，冒号表示切片范围，逗号隔开不同的轴，…(点号) 表示生成完整索引元组所需的任意数量的冒号
- 迭代多维数组是相对于第一个轴进行的。但是，如果要对数组中的每个元素执行操作，则可以使用属性flat，该属性是数组中所有元素的迭代器.
这里打算另外写一篇详细探讨
标签：10,元素,315,基础知识,print,详解,数组,np,NumPy 来源： https://blog.csdn.net/codelady_g/article/details/122082974
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。