本文摘自《用Python做科學計算》，版權歸原作者所有。

NumPy為Python提供了快速的多維數組處理的能力，而SciPy則在NumPy基礎上添加了眾多的科學計算所需的各種工具包，有了這兩個庫，Python就有幾乎和Matlab一樣的處理數據和計算的能力了。可以直接按照書中寫的下載Python(x,y)，也可以單獨配置各個模塊。配置方法見:Numpy、SciPy、MatPlotLib在Python2.7.9下的安裝與配置

一、為什么需要Numpy處理數據？

1. 標準安裝的Python中用列表(list)可以用來當作數組使用，但是列表中所保存的是對象(任意對象)的指針。對于數值運算來說這種結構顯然比較浪費內存和CPU計算時間。

2.?Python還提供了一個array模塊，array對象和列表不同，它直接保存數值。但是由于它只支持一維數組，也沒有各種運算函數，因此也不適合做數值運算。

NumPy提供了兩種基本的對象，解決標準Python的不足：

ndarray(N-dimensional array object)N維數組(簡稱數組)對象，存儲單一數據類型的N維數組

ufunc(universal function object)通用函數對象，對數組進行處理的函數。

二、ndarray對象

函數庫導入：

1 import numpy as np#給numpy其一個別名叫np

2.1 創建數組

2.1.1 創建一維數組：

1 a = np.array([1, 2, 3, 4])#方法一，使用列表

2 b = np.array((1, 2, 3, 4))#方法二，只用元組

2.1.2 創建二維數組：

1 c = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])#每一行用中括號括起來

2.1.3 shape屬性獲取數組大小：

1 >>>a.shape2 (4,) #一個數字表示一維數組

3 >>>c.shape4 (3, 4) #兩個數字表示二維數組，第0軸長度為3，第1軸長度為4

2.1.4 修改shape屬性：

1 >>> c.shape = 4,3 #將數組改為4行3列

2 >>> c #注意不是對數組轉置，只是改變每個軸的大小，數組元素在內存中的位置并沒有改變

3 array([[ 1, 2, 3],4 [ 4, 5, 6],5 [ 7, 8, 9],6 [10, 11, 12]])7 >>>c.shape8 (4, 3)9 >>> c.shape = 2, -1#第二個參數設置為-1系統會自動計算第二個參數

10 >>>c11 array([[ 1, 2, 3, 4, 5, 6],12 [ 7, 8, 9, 10, 11, 12]])

2.1.5 reshape方法，返回一個改變了尺寸的新數組，原數組的shape保持不變：

1 >>> d = a.reshape((2, 2))2 >>>d3 array([[1, 2],4 [3, 4]])5 >>>a6 array([1, 2, 3, 4])7 >>> a[0] = 100 #a和d共享同一塊內存，修改a[0]也會改變d[0, 0]

8 >>>d9 array([[100, 2],10 [ 3, 4]])

2.1.6 dtype屬性創建浮點數組，復數數組

1 >>> np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.float)#默認dtype=int32，即默認創建數組元素是整數，并且32位長整型

2 array([[ 1., 2., 3., 4.],3 [ 5., 6., 7., 8.],4 [ 9., 10., 11., 12.]])5 >>> np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.complex)#創建復數數組

6 array([[ 1.+0.j, 2.+0.j, 3.+0.j, 4.+0.j],7 [ 5.+0.j, 6.+0.j, 7.+0.j, 8.+0.j],8 [ 9.+0.j, 10.+0.j, 11.+0.j, 12.+0.j]])

以上介紹的數組創建的方法都是先創建序列，在使用array()函數轉化為數組，下面介紹使用專門的函數創建數組：

2.1.7 arange(開始值, 終值, 步長)：類似Python的range()，注意不包括終值

1 >>> np.arange(0, 1, 0.1)#不包括終值！！！

2 array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])

2.1.8 linspace(開始值, 終值, 元素個數): 默認包括終值，可以使用endpoint設置是否包括終值

1 >>> np.linspace(0, 1, 8)#0~1之間，8個元素

2 array([ 0. , 0.14285714, 0.28571429, 0.42857143, 0.57142857,3 0.71428571, 0.85714286, 1. ])

2.1.9 logspace(開始值, 終值, 元素個數):?創建等比數列，下面的例子產生1(10^0)到100(10^2)、有10個元素的等比數列:

1 >>> np.logspace(0, 2, 10)2 array([ 1. , 1.66810054, 2.7825594 , 4.64158883,3 7.74263683, 12.91549665, 21.5443469 , 35.93813664,4 59.94842503, 100. ])

2.1.10 fromstring(字符串, dtype=?)：從字節創建數組

1 >>> np.fromstring(s, dtype=np.int8)#字符對應的ASCII碼

2 array([ 97, 98, 99, 100, 101, 102, 103], dtype=int8)

2.1.11 fromfunction(計算每個數組元素的函數, 數組大小即shape)

1 >>> deffunc1(i):2 return i%4+1

3 >>> np.fromfunction(func1, (10,))#第二個參數必須是一個序列，本例中用(10,)創建一個10元素的一維數組

4 array([ 1., 2., 3., 4., 1., 2., 3., 4., 1., 2.])5 #創建一個二維數組表示九九乘法表

6 >>> deffunc2(i, j):7 return (i+1) * (j+1)8 >>> np.fromfunction(func2, (9, 9))9 array([[ 1., 2., 3., 4., 5., 6., 7., 8., 9.],10 [ 2., 4., 6., 8., 10., 12., 14., 16., 18.],11 [ 3., 6., 9., 12., 15., 18., 21., 24., 27.],12 [ 4., 8., 12., 16., 20., 24., 28., 32., 36.],13 [ 5., 10., 15., 20., 25., 30., 35., 40., 45.],14 [ 6., 12., 18., 24., 30., 36., 42., 48., 54.],15 [ 7., 14., 21., 28., 35., 42., 49., 56., 63.],16 [ 8., 16., 24., 32., 40., 48., 56., 64., 72.],17 [ 9., 18., 27., 36., 45., 54., 63., 72., 81.]])

2.2 存取元素

2.2.1 數組的存取方法與Python的標準方法相同

1 >>> a = np.arange(10)2 >>> a[5] #用整數作為下標可以獲取數組中的某個元素

3 5

4 >>> a[3:5] #用范圍作為下標獲取數組的一個切片，包括a[3]不包括a[5]

5 array([3, 4])6 >>> a[:5] #省略開始下標，表示從a[0]開始

7 array([0, 1, 2, 3, 4])8 >>> a[:-1] #下標可以使用負數，表示從數組后往前數

9 array([0, 1, 2, 3, 4, 5, 6, 7, 8])10 >>> a[2:4] = 100,101 #下標還可以用來修改元素的值

11 >>>a12 array([ 0, 1, 100, 101, 4, 5, 6, 7, 8, 9])13 >>> a[1:-1:2] #范圍中的第三個參數表示步長，2表示隔一個元素取一個元素

14 array([ 1, 101, 5, 7])15 >>> a[::-1] #省略范圍的開始下標和結束下標，步長為-1，整個數組頭尾顛倒

16 array([ 9, 8, 7, 6, 5, 4, 101, 100, 1, 0])17 >>> a[5:1:-2] #步長為負數時，開始下標必須大于結束下標

18 array([ 5, 101])

和Python的列表序列不同，通過下標范圍獲取的新的數組是原始數組的一個視圖。它與原始數組共享同一塊數據空間：

1 >>> b = a[3:7] #通過下標范圍產生一個新的數組b，b和a共享同一塊數據空間

2 >>>b3 array([101, 4, 5, 6])4 >>> b[2] = -10 #將b的第2個元素修改為-10

5 >>>b6 array([101, 4, -10, 6])7 >>> a #a的第5個元素也被修改為10

8 array([ 0, 1, 100, 101, 4, -10, 6, 7, 8, 9])

除了使用下表范圍存取元素之外，NumPy還提供了兩種存取元素的高級方法。

2.2.2 使用整數序列

當使用整數序列對數組元素進行存取時，將使用整數序列中的每個元素作為下標，整數序列可以是列表(如第4行)或者數組(如第6行)。使用整數序列作為下標獲得的數組不和原始數組共享數據空間。

1 >>> x = np.arange(10,1,-1)2 >>>x3 array([10, 9, 8, 7, 6, 5, 4, 3, 2])4 >>> x[[3, 3, 1, 8]] #獲取x中的下標為3, 3, 1, 8的4個元素，組成一個新的數組

5 array([7, 7, 9, 2])6 >>> b = x[np.array([3,3,-3,8])] #np.array(序列)作用是將序列轉化為數組，下標可以是負數

7 >>> b[2] = 100

8 >>>b9 array([7, 7, 100, 2])10 >>> x #由于b和x不共享數據空間，因此x中的值并沒有改變

11 array([10, 9, 8, 7, 6, 5, 4, 3, 2])12 >>> x[[3,5,1]] = -1, -2, -3 #整數序列下標也可以用來修改元素的值

13 >>>x14 array([10, -3, 8, -1, 6, -2, 4, 3, 2])

2.2.3 使用布爾數組

當使用布爾數組b作為下標存取數組x中的元素時，將收集數組x中所有在數組b中對應下標為True的元素。使用布爾數組作為下標獲得的數組不和原始數組共享數據空間，注意這種方式只對應于布爾數組，不能使用布爾列表。

1 >>> x = np.arange(5,0,-1)2 >>>x3 array([5, 4, 3, 2, 1])4 >>>x[np.array([True, False, True, False, False])]5 >>> #下標為True的取出來，布爾數組中下標為0，2的元素為True，因此獲取x中下標為0,2的元素

6 array([5, 3])7 >>> x[[True, False, True, False, False]]#Error，這不是我們想要的結果

8 >>> #如果是布爾列表，則把True當作1, False當作0，按照整數序列方式獲取x中的元素

9 array([4, 5, 4, 5, 5])10 >>>x[np.array([True, False, True, True])]11 >>> #布爾數組的長度不夠時，不夠的部分都當作False

12 array([5, 3, 2])13 >>> x[np.array([True, False, True, True])] = -1, -2, -3#只修改下標為True的元素

14 >>> #布爾數組下標也可以用來修改元素

15 >>>x16 array([-1, 4, -2, -3, 1])

布爾數組一般不是手工產生，而是使用布爾運算的ufunc函數產生，關于ufunc函數請參照 ufunc運算 一節。

1 >>> x = np.random.rand(10) #產生一個長度為10，元素值為0-1的隨機數的數組

2 >>>x3 array([ 0.72223939, 0.921226 , 0.7770805 , 0.2055047 , 0.17567449,4 0.95799412, 0.12015178, 0.7627083 , 0.43260184, 0.91379859])5 >>> x>0.5

6 >>> #數組x中的每個元素和0.5進行大小比較，得到一個布爾數組，True表示x中對應的值大于0.5

7 array([ True, True, True, False, False, True, False, True, False, True], dtype=bool)8 >>> x[x>0.5]#x>0.5是一個布爾數組

9 >>> #使用x>0.5返回的布爾數組收集x中的元素，因此得到的結果是x中所有大于0.5的元素的數組

10 array([ 0.72223939, 0.921226 , 0.7770805 , 0.95799412, 0.7627083,11 0.91379859])

總結

以上是生活随笔為你收集整理的python中ndarray如何生成单独的记事本文件_NumPy-快速处理数据--ndarray对象--数组的创建和存取...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。