参考教程
NumPy Ndarray对象
- N维数组对象
- 同类型数据的集合
- 从0下标开始元素索引
组成
- 一个指向数据的指针
- 数据类型/dtype(描述数组中固定大小值)
- 一个表示数组形状的元组(表示各维度大小的元组)
- 一个跨度元组，其中的整数是指为了前进到当前维度下一个元素所需要“跨过”的字节数
跨度可以是负数，这样会使数组在内存中后向移动
numpy.array(object, dtype = None, copy = True, oreder = None, subok = False, ndmin = 0)| 名称 | 描述 |
|---|---|
| object | 数组或嵌套的数列 |
| dtype | 元素的数据类型，可选 |
| copy | 对象是否需要复制，可选 |
| order | 创建数据的样式，C行，F列，A任意(默认) |
| subok | 默认返回一个与基类类型一致的数组 |
| ndmin | 指定生成数组的最小维度 |
NumPy数据类型
参考NumPy数据类型的教程，主要规定数据类型对象的数据结构(类似于C的结构体，内建类型相当于是正则)
NumPy数组属性
NumPy数组的维数成为秩(rank)，一维数组的秩为1，以此类推。每一个一维线性数组称为一个轴(axis)，也就是维度(dimensions)。
axis所代表的如上图所示，图片来源于 CSDN
| 属性 | 说明 |
|---|---|
| ndarray.ndim | 秩，轴的数量(维度的数量) |
| ndarray.shape | 数组的维度，对于矩阵， n行m列 |
| ndarray.size | 元素的总个数，相当于.shape中n*m的值 |
| ndarray.dtype | ndarray对象的元素类型 |
| ndarray.itemsize | ndarray对象中每个元素的大小，以字节为单位 |
| ndarray.flasgs | ndarray对象的内存信息 |
| ndarray.real | ndarray元素的实部 |
| ndarray.imag | ndarray元素的虚部 |
| ndarray.data | 包含实际数组元素的缓冲区，通常不使用这个属性 |
NumPy创建数组
numpy.empty
用来创建一个指定形状和数据类型的未初始化的数组：
numpy.empty(shape, dtype = float, order = 'C')| 参数 | 描述 |
|---|---|
| shape | 数组形状 |
| dtype | 数据类型，可选 |
| order | C行优先，F列优先 |
numpy.zeros
创建指定大小的数组，元素全是0
numpy.zeros(shape, dtype = float, order = 'C')| 参数 | 描述 |
|---|---|
| shape | 数组的形状 |
| dtype | 数据类型，可选 |
| order | C行数组，F列数组 |
numpy.ones
同上
NumPy从已有的数组创建数组
numpy.asarray
numpy.asarray类似numpy.array，但numpy.asarray只有三个参数
numpy.asarray(a, dtype = None, order = None)| 参数 | 描述 |
|---|---|
| a | 任意形式的输入参数，列表、元组及其嵌套和多维数组 |
| dtype | 数据类型，可选 |
| order | C行优先，F列优先 |
numpy.frombuffer
numpy.frombuffer用于实现动态数组
numpy.frombuffer接受buffer输入参数，以流的形式读入转化成ndarray对象
numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)buffer是字符串的时候，python3默认str是Unicode，转化成bytestring在原str前加b
报错：AttributeError: 'str' object has no attribute '__buffer__'
| 参数 | 描述 |
|---|---|
| buffer | 任意对象，流式读入 |
| dtype | 返回的数组数据类型 |
| count | 读取的数据数量，默认-1读取所有 |
| offset | 读取的起始位置，默认0 |
s = b'Hello World'
x = np.frombuffer(s, dtype = 'S1')numpy.fromiter
从可迭代对象中建立ndarray对象，返回一维数组
numpy.fromiter(iterable, dtype, count = -1)| 参数 | 描述 |
|---|---|
| iterable | 可迭代对象 |
| dtype | 返回数组的数据类型 |
| count | 读取的数据数量 |
NumPy从数值范围创建数组
numpy.arange
使用arange函数创建数值范围并返回ndarray对象
numpy.arange(start, stop, step, dtype)参数说明，略
numpy.linspace
numpy.linspace函数用于创建一个一维数组，并且为等差数列
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)| 参数 | 描述 |
|---|---|
| start | 序列起始值 |
| stop | 序列终止值，endpoint为True包含 |
| num | 要生成等步长的样本数量，默认50 |
| endpoint | 见上 |
| retstep | True时生成数组会显示间距，反之 |
| dtype | ndarray的数据类型 |
numpy.logspace
用于创建等比数列
np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)base即为取对数的时候log的下标(底数)
NumPy切片和索引
与python的list切片操作一样
完全可以使用列表的 start:stop:step 的切片操作！
或者：
a = np.arange(10)
s = slice(2, 7, 2)
print(a[s])切片还可以使用省略号 (...)
import numpy as np
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print(a[...,1]) # 第2列元素
print(a[1,...]) # 第2行元素
print(a[...,1:]) # 第2列及剩下的所有元素输出结果：
- [2 4 5]
- [3 4 5]
- [[2 3] [4 5] [5 6]]
NumPy高级索引
相比于Python的索引，numpy提供了更多的索引方式。数组可以整数数组索引、布尔索引及花式索引。
整数数组索引
获取(0, 0) (1, 1) (2, 0)处的元素：
import numpy as np
x = np.array([[1, 2], [3, 4], [5, 6]])
y = x[[0, 1, 2], [0, 1, 0]]
print(y)
# 输出 [1 4 5]返回结果为ndarray对象
可以借助 : , ... 和索引数组组合
import numpy as np
a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b = a[1:3, 1:3]
c = a[1:3,[1,2]]
d = a[...,1:]
print(b)
print(c)
print(d)
# 输出：
# [[5 6]
# [8 9]]
# [[5 6]
# [8 9]]
# [[2 3]
# [5 6]
# [8 9]]布尔索引
通过布尔数组索引目标数组，对数组元素进行布尔运算获取符合指定元素条件的数组。
import numpy as np
x = np.array([[0, 1, 2],[3, 4, 5],[6, 7, 8],[9, 10, 11]])
print(x[x > 5])
# 输出：[6 7 8 9 10 11]使用取补运算符 ~ 来过滤NaN
import numpy as np
a = np.array([np.nan, 1, 2, np.nan, 3, 4, 5])
print(a[~np.isnan(a)])
# 输出：[1. 2. 3. 4. 5.]过滤非复数元素
import numpy as np
a = np.array([1, 2+6j, 5, 3.5+5j])
print (a[np.iscomplex(a)])
# 输出：[2.0+6.j 3.5+5.j]花式索引
花式索引利用整数数组来索引，把整数索引当作轴进行索引。对于轴的理解，可以参考上面！跟切片不一样的是它将数据复制到新的数组中（对切片感兴趣的可以使用id()这个函数研究列表和元素对应关系的！这样便于理解这一句话！）
import numpy as np
x = np.arange(32).reshape((8, 4))
print(x)
print(x[[4, 2, 1, 7]])
# 倒序
print(x[[-4, -2, -1, -7]])
# 多个索引数组
print(x[np.ix_([1, 5, 7, 2], [0, 3, 1, 2])])
# 输出：
# [[ 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]]
# [[16 17 18 19]
# [ 8 9 10 11]
# [ 4 5 6 7]
# [28 29 30 31]]
# [[16 17 18 19]
# [24 25 26 27]
# [28 29 30 31]
# [ 4 5 6 7]]
# [[ 4 7 5 6]
# [20 23 21 22]
# [28 31 29 30]
# [ 8 11 9 10]]NumPy广播
广播(Broadcast)是 numpy 对不同形状(shape)的数组进行数值计算的方式， 对数组的算术运算通常在相应的元素上进行
如果形状相同即对应位运算，不同则触发广播机制。
import numpy as np
a = np.array([[0, 0, 0], [10, 10, 10], [20, 20, 20], [30, 30, 30]])
b = np.array([1, 2, 3])
print(a + b)
# [[ 1 2 3]
# [11 12 13]
# [21 22 23]
# [31 32 33]]
原理和要求请参考 NumPy广播
NumPy迭代数组
使用迭代器对象numpy.nditer访问元素
import numpy as np
a = np.arange(6).reshape(2, 3)
for x in np.nditer(a):
print (x, end=", " )！！！默认行序优先！！！
可以通过传入nditer的order参数改变遍历顺序 order = 'F'
可以改变可选参数op_flags获得权限修改值，默认为 readonly 可以改为 readwrite 。op_flags=['readwrite']
flags参数：可选参数，用于外部循环
| 参数 | 描述 |
|---|---|
| c_index | C顺序索引 |
| f_index | F顺序索引 |
| multi_index | 每次迭代可以跟踪一种索引类型 |
| external_loop | 给出的值是具有多个值的一维数组，而不是零维数组 |
NumPy的可选参数可以参考 scipy.org
广播迭代
如果两个数组是可广播的，nditer 组合对象能够同时迭代它们。假设数组 a 的维度为 3X4，数组 b 的维度为 1X4，则使用以下迭代器（数组 b 被广播到 a 的大小）。
import numpy as np
a = np.arange(0,60,5)
a = a.reshape(3,4)
print ('第一个数组为：')
print (a)
print ('\n')
print ('第二个数组为：')
b = np.array([1, 2, 3, 4], dtype = int)
print (b)
print ('\n')
print ('修改后的数组为：')
for x,y in np.nditer([a,b]):
print ("%d:%d" % (x,y), end=", " )
# 输出
# 第一个数组为：
# [[ 0 5 10 15]
# [20 25 30 35]
# [40 45 50 55]]
# 第二个数组为：
# [1 2 3 4]
# 修改后的数组为：
# 0:1, 5:2, 10:3, 15:4, 20:1, 25:2, 30:3, 35:4, 40:1, 45:2, 50:3, 55:4,上述例子来源于runoob