一.基礎(chǔ)：

Numpy的主要數(shù)據(jù)類型是ndarray，即多維數(shù)組。它有以下幾個(gè)屬性：

ndarray.ndim：數(shù)組的維數(shù)?
ndarray.shape：數(shù)組每一維的大小?
ndarray.size：數(shù)組中全部元素的數(shù)量?
ndarray.dtype：數(shù)組中元素的類型（numpy.int32, numpy.int16, and numpy.float64等）?
ndarray.itemsize：每個(gè)元素占幾個(gè)字節(jié)

例子：

>>> import numpy as np >>> a = np.arange(15).reshape(3, 5) >>> a array([[ 0, 1, 2, 3, 4],[ 5, 6, 7, 8, 9],[10, 11, 12, 13, 14]]) >>> a.shape (3, 5) >>> a.ndim 2 >>> a.dtype.name 'int64' >>> a.itemsize 8 >>> a.size 15 >>> type(a) <type 'numpy.ndarray'> >>> b = np.array([6, 7, 8]) >>> b array([6, 7, 8]) >>> type(b) <type 'numpy.ndarray'>

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23

二.創(chuàng)建數(shù)組：

使用array函數(shù)講tuple和list轉(zhuǎn)為array：

>>> import numpy as np >>> a = np.array([2,3,4]) >>> a array([2, 3, 4]) >>> a.dtype dtype('int64') >>> b = np.array([1.2, 3.5, 5.1]) >>> b.dtype dtype('float64')

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

多維數(shù)組：

>>> b = np.array([(1.5,2,3), (4,5,6)]) >>> b array([[ 1.5, 2. , 3. ],[ 4. , 5. , 6. ]])

• 1
• 2
• 3
• 4

生成數(shù)組的同時(shí)指定類型：

>>> c = np.array( [ [1,2], [3,4] ], dtype=complex ) >>> c array([[ 1.+0.j, 2.+0.j],[ 3.+0.j, 4.+0.j]])

• 1
• 2
• 3
• 4

生成數(shù)組并賦為特殊值：?
ones：全1?
zeros：全0?
empty：隨機(jī)數(shù)，取決于內(nèi)存情況

>>> np.zeros( (3,4) ) array([[ 0., 0., 0., 0.],[ 0., 0., 0., 0.],[ 0., 0., 0., 0.]]) >>> np.ones( (2,3,4), dtype=np.int16 ) # dtype can also be specified array([[[ 1, 1, 1, 1],[ 1, 1, 1, 1],[ 1, 1, 1, 1]],[[ 1, 1, 1, 1],[ 1, 1, 1, 1],[ 1, 1, 1, 1]]], dtype=int16) >>> np.empty( (2,3) ) # uninitialized, output may vary array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260],[ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

生成均勻分布的array：?
arange（最小值，最大值，步長(zhǎng)）（左閉右開(kāi)）?
linspace（最小值，最大值，元素?cái)?shù)量）

>>> np.arange( 10, 30, 5 ) array([10, 15, 20, 25]) >>> np.arange( 0, 2, 0.3 ) # it accepts float arguments array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])>>> np.linspace( 0, 2, 9 ) # 9 numbers from 0 to 2 array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ]) >>> x = np.linspace( 0, 2*pi, 100 ) # useful to evaluate function at lots of points

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

三.基本運(yùn)算:

整個(gè)array按順序參與運(yùn)算：

>>> a = np.array( [20,30,40,50] ) >>> b = np.arange( 4 ) >>> b array([0, 1, 2, 3]) >>> c = a-b >>> c array([20, 29, 38, 47]) >>> b**2 array([0, 1, 4, 9]) >>> 10*np.sin(a) array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854]) >>> a<35 array([ True, True, False, False], dtype=bool)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

兩個(gè)二維使用*符號(hào)仍然是按位置一對(duì)一相乘，如果想表示矩陣乘法，使用dot：

>>> A = np.array( [[1,1], ... [0,1]] ) >>> B = np.array( [[2,0], ... [3,4]] ) >>> A*B # elementwise product array([[2, 0],[0, 4]]) >>> A.dot(B) # matrix product array([[5, 4],[3, 4]]) >>> np.dot(A, B) # another matrix product array([[5, 4],[3, 4]])

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

內(nèi)置函數(shù)（min,max,sum)，同時(shí)可以使用axis指定對(duì)哪一維進(jìn)行操作：

>>> b = np.arange(12).reshape(3,4) >>> b array([[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11]]) >>> >>> b.sum(axis=0) # sum of each column array([12, 15, 18, 21]) >>> >>> b.min(axis=1) # min of each row array([0, 4, 8]) >>> >>> b.cumsum(axis=1) # cumulative sum along each row array([[ 0, 1, 3, 6],[ 4, 9, 15, 22],[ 8, 17, 27, 38]])

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

Numpy同時(shí)提供很多全局函數(shù)

>>> B = np.arange(3) >>> B array([0, 1, 2]) >>> np.exp(B) array([ 1. , 2.71828183, 7.3890561 ]) >>> np.sqrt(B) array([ 0. , 1. , 1.41421356]) >>> C = np.array([2., -1., 4.]) >>> np.add(B, C) array([ 2., 0., 6.])

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

四.尋址，索引和遍歷：

一維數(shù)組的遍歷語(yǔ)法和python list類似：

>>> a = np.arange(10)**3 >>> a array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729]) >>> a[2] 8 >>> a[2:5] array([ 8, 27, 64]) >>> a[:6:2] = -1000 # equivalent to a[0:6:2] = -1000; from start to position 6, exclusive, set every 2nd element to -1000 >>> a array([-1000, 1, -1000, 27, -1000, 125, 216, 343, 512, 729]) >>> a[ : :-1] # reversed a array([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000]) >>> for i in a: ... print(i**(1/3.)) ... nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0

• 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

多維數(shù)組的訪問(wèn)通過(guò)給每一維指定一個(gè)索引，順序是先高維再低維：

>>> def f(x,y): ... return 10*x+y ... >>> b = np.fromfunction(f,(5,4),dtype=int) >>> b array([[ 0, 1, 2, 3],[10, 11, 12, 13],[20, 21, 22, 23],[30, 31, 32, 33],[40, 41, 42, 43]]) >>> b[2,3] 23 >>> b[0:5, 1] # each row in the second column of b array([ 1, 11, 21, 31, 41]) >>> b[ : ,1] # equivalent to the previous example array([ 1, 11, 21, 31, 41]) >>> b[1:3, : ] # each column in the second and third row of b array([[10, 11, 12, 13],[20, 21, 22, 23]]) When fewer indices are provided than the number of axes, the missing indices are considered complete slices:>>> >>> b[-1] # the last row. Equivalent to b[-1,:] array([40, 41, 42, 43])

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24

…符號(hào)表示將所有未指定索引的維度均賦為 ： ，：在python中表示該維所有元素：

>>> c = np.array( [[[ 0, 1, 2], # a 3D array (two stacked 2D arrays) ... [ 10, 12, 13]], ... [[100,101,102], ... [110,112,113]]]) >>> c.shape (2, 2, 3) >>> c[1,...] # same as c[1,:,:] or c[1] array([[100, 101, 102],[110, 112, 113]]) >>> c[...,2] # same as c[:,:,2] array([[ 2, 13],[102, 113]])

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

遍歷：?
如果只想遍歷整個(gè)array可以直接使用：

>>> for row in b: ... print(row) ... [0 1 2 3] [10 11 12 13] [20 21 22 23] [30 31 32 33] [40 41 42 43]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

但是如果要對(duì)每個(gè)元素進(jìn)行操作，就要使用flat屬性，這是一個(gè)遍歷整個(gè)數(shù)組的迭代器

>>> for element in b.flat: ... print(element) ... 0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43

總結(jié)

以上是生活随笔為你收集整理的Python Numpy 数组的初始化和基本操作的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。