Numpy - ndarray 结构

Posted 2023-05-09

参考技术A 使用 np.array(list) 函数构造一个 ndarray ：

使用 dtype 获取 ndarray 中数据的类型：

使用 itemsize 属性获取 ndarray 中每个 item 占用的字节

使用 size 属性获取 ndarray 一个包含多少个 item：

使用 nbytes 属性获取 ndarray 所有 item 占用的字节总数：

使用 shape 属性获取 ndarray 的数组结构：

使用 ndim 属性获取维度：

使用布尔索引，可以实现对 ndarray 中数据的筛选：

也可以使用 np.where() 筛选 ndarray 中符合指定条件的数据对应的索引位置：

获取多维 ndarray 的属性：

多维 ndarray 的索引与切片

上述的赋值操作，并没有在内存中创建一个新的 ndarray ，因此 arr_np4 和 arr_np4_1 本质上指向的是一个对象：

想要在内存中创建一个新的独立的 ndarray ，需要使用 ndarray.copy() 方法：

使用 np.array() 构造 ndarray 时指定 dtype 类型：

使用 np.asarray ，通过现有的 ndarray 构造新的 ndarray ：

使用 arr.astype ，也可以返回新的 ndarray ：

Python3 NumPy库之ndarray数组

在Python内置环境 中，直接存储数值的数组(array)对象只存在一维结构，无法支持多维结构，也没有相关数组运算函数，这些使得Python在数值运算上有诸多不便之处。为了弥补这些不足，第三 方函数库NumPy被整合开发出来。

NumPy的核心功能是高维数组，NumPy 库中的ndarray (N-dimensional array object) 对象支持多维数组，数组类型的对象本身具备大小固定、数组内元素的数据类型相同等特性。NumPy也提供了大量数值运算函数，能够直接有效地进行向量、矩阵运算。

我们可以调用NumPy库的array()，arange(),zeros(),等函数方便的创建ndarray数组对象。

import numpy as np

array=np.array(range(6))
type(array)
Out[24]: numpy.ndarray

print(array)
Out[25]: array([0, 1, 2, 3, 4, 5])

一、如何创建ndarray数组

1、使用array()函数创建ndarray数组

array=np.array(range(6))
array.shape=2,3

我可以先调用 NumPy 库的array()函数来创建一维数组，然后通过改变shape属性把 一维数组转变成多维数组。比如，上段代码就是先通过array()函数创建长度为6的一维数组，然后通过改变shape属性把它变成了2X3的二 维数组。需要注意的是，修改数组的shape 属性取值，是在数组中元素不变的情况下修改数组arrayl的数据结构，数据元素值在内存中的位置并没有发生改变。 同时，我们也可以通过reshape()函数在array数组的基础上创建一个新的二维结构的数组array2。

array=np.array(range(6))

array2=array.reshape(3,2)

请注意：此处没有修改arrayl的属性值，array的shape属性值没有变。数组array和array2共用内存中的数据存储值，若更改其中任意一个数组中的元素取 值，则另一个数组相对应的元素值也会改变

2、利用arange()函数生成ndarray数组

NumPy库中的arange()函数可以通过设定起始值、结束值和步长来生成等差序列形 式的一维数组。

array=np.arange(13,1,-1)

array2=array.reshape(3,2,2)

arange()函数在创建数组序列时，不包括结束值。若想创建一个序列包含结束值，则可以使用NumPy包中linspace()函数，该函数通过设定起始值、结束值和元素的个数来 创建一维数组，可由endpoint参数来决定是否需要包含结束值，默认设定包括结束值。

array=np.linspace(1,12,12)
array2=array.reshape(3,2,2)

3、在不知道数组具体值时创建数组

如果只知道数组的大小，无法事先确定数组元素的具体值时，可以利用NumPy提供 的占位符函数来创建数组。比如，zeros()函数生成元素全部为0的数组；ones()函数生成元素全部为1的数组；empty()函数生成给定维度的、无初始值的数组，该数组的元素值由内存中原来的内容决定，并无特别的意义。在默认的情况下，生成数组的元素类型为 float64 0

array=np.zeros(100) #长度为100的一维数组
array=np.ones(100)
array=np.empty(100)

array=np.zeros((2,2,3)) #2X2X3的三维数组
array=np.ones((2,2,3))
array=np.empty((2,2,3))

二、索引与切片

我们可以根据数组中元素所在的索引值(index value)来提取单个元素或多个元素, 方法为array[start:end:step],其中start是起始索引值，end是结束索引值，step是步长值, 返回的结果是索引值为start到cnd-1之间，并且是索引值与start之差可以被step整除的 连续对象。start的默认值是0，end的默认值是数组的长度，step默认值是1。，start、 end、step三个值的取值或出现与否根据编程者需求的不同而改变。

a1=np.linspace(1,12,12)

a1
Out[6]: array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11., 12.])

a1[1]
Out[7]: 2.0

a1[1:3]
Out[8]: array([2., 3.])

a1[:5]
Out[10]: array([1., 2., 3., 4., 5.])

a1[2:]
Out[11]: array([ 3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11., 12.])

a1[-1]
Out[12]: 12.0

a1[-3]
Out[14]: 10.0

a1[:-1]
Out[15]: array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11.])

a1[:-2]
Out[16]: array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])

a1[2:-1]
Out[17]: array([ 3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11.])

与序列结构数据相同，ndarray数组的索引和步长都具有正负两种取值方式，分别表示左右两个方向取值。索引的正方向从左往右 取值，起始位置为0,结束位置为len(array)-l；负方向从右往左取值，起始位置为一1,结束位置为-len(array)。

 通过索引值来提取数组中的元素或者对数组进行切片，提取的新数组与原来数组共享数据内存空间。

# al[0:3:l]中。表示起始索引值，3表示结束索引值，1表示步长
In [11]: a2=a1[0:3:1]
In [12]: a2
Out [12]: array([ 1, 2, 3])
# 将数组al中索引值为0的数据值更改为19
In [13]: al [0]=19
# 数组a2中相对应的取值也更改为19
In [14] : a2 [0]
Out [14] : 19

在NumPy的数组中，使用整型数组作为索引也可以提取数组中的元素。不过，通过整型数组作为索引提取出的数组与原数组不共享内存数据空间。

# 数组[0,1,4]作为索引值
In [15]: a1[[0,1,4]]
Out [15]: array([1, 2, 5])
In [16]: a3=a1[[0,3,2]]
In [17] : a3
Out [18]: array( [19, 16, 11])
# 更改数组a1索引值为0的值为23
In [19]: a1 [0]=23
# 数蛆a3相对应的值没有发生改变，仍旧是19
In [20] : a3[0]
Out[20]: 19

上述数组元素的提取均针对一维数组，二维及其以上数组元素提取的思路与其相同，只不过要分别考虑各个维度上的索引值。

# 创建一个二维结构数组，第。轴长度为4,第1轴长度为6
na1=np.array(np.arange(24),dtype=int).reshape(4,6)

# 在第0轴上，取索引值为0,1的元素，共2行
# 在第1轴上，取索引值为1,2,3,4,5的元素，共5列
na1[:2,1:]

#在第0轴上，取到的索引值为[2,3]
#在第1轴上，取到的索引值为[2,4]
# 这样取到的两个元素分别为nal [2,2] , nal [3,4]
na1[[2,3] , [2,4]]

# 第0轴上，索引为一个范围.
# 第1轴上，索引为一个数组
na1[2:,[2,4]]
# 生成三维数组，分别有第0轴、第1轴和第2轴
na2=na1.reshape(2,3,4)

# 列表(1,1,2)的元素分别表示数值中三个维度的索引值
na2[(1,1,2)]
na2[1,1,2]

除了整型数组以外，整型列表也可以当作索引。若提取三维数组的多个值，则可以在 每一轴上分别定义一个整型数组或者整型列表作为索引值，但是三个轴上的整型数组或者 整型列表的长度要相等。

# 数组na2中三个轴上的索引取值均为整型数组
# 第。轴上的索引取值为数组[1,1,0]
# 第1轴上的索引取值为数组[0,1,2]
# 第2轴上的索引取值为数组[2,3,1]
na2[[1,1,0],[0,1,2] , [2,3,1]]

# 数组na2中三个轴上的索引取值均为整型列表
# 第0轴上的索引取值为列表(1,1,1)
# 第1抽上的索引取值为列表(0,1,2)
# 第2轴上的索引取值为列表(2,3,1)
na2[(1,1,1),(0,1,2),(2,3,1)]

na2[[1,10], [0,12], [2,3,1]]的含义是分别提取元素na2[1,0,2]、na2[l,l,3]和 na2[0,2j 所对应的值

三、数组运算

NumPy中定义了许多能够对数组中的每个元素都进行操作的ufunc (全称为universal function)函数，这些函数对于操作数组数据带来了很大的方便。

# 创建一维数组arl
In [60]: ar1=np.array(np.arange(5))
In [61] : ar1
Out [61] : array ( [0 , 1, 2, 3 , 4])

# 数组中每个元素都加4
In [61] :np.add(arl ,4)
Out [72] : array ( [4 , 5 , 6, 7, 8])
# 创建一维数组ar2

In [62]: ar2=np.array([2,3,4,5,6])

# 数组ar1和ar2相加
In [64]: arl+ar2
Out [64]: array([ 2, 4, 6, 8, 10])

#用numpy库中的add函数做数组的加法
In [65] : np.add(arl,ar2)
Out [65]: array([ 2, 4, 6, 8, 10])

如果想要将数组arl和数组ar2相加后的结果仍返回给arl,则可以将add()函数的第 三个参数取值设定为arl,如下所示：

np.add(arl,ar2 ,arl)

在NumPy库中，除了加法add()函数以外，还有其他一些数据运算函数都属于ufunc 函数，常用的数据运算函数如10.1表所示，其中a表示数组，b表示常数或者与a结构相 同的数组。如果b为常数，则a中每一个元素都和常数b做运算；如果b为与a结构相同的 数组，则a中每一个元素都与b相对应位置的元素值进行运算。最后将a与b进行运算后的返回值传给c

a = np.array( [10,20,30,50,60])
b =np.arange(5)
c = a-b #做差，注意值的个数要相同
c=b**2 # 乘方
c=10*a #10 与a的乘积
c=a<40 #如果a中的值，小于40则为True ,否则为False

c最后结果为：[ True  True  True False False]

 

结束