1. Johngo学长首页
  2. 技术点详细复盘专题
  3. 人工智能

NumPy创建数组的几种方式介绍

• 人工智能 • 阅读 123

创建数组的几种常见机制：

一、 numpy 中定义的原生数组创建函数

参数：

  • shape：int or tuple of lnts，新数组的形状大小；
  • dtype：data-type, optional，指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’}, optional，行优先或者列优先；

Returns：

  • out：ndarray，函数返回一个全零数组。
>>>np.zeros([2,3], dtype=int)
array([[0, 0, 0],
       [0, 0, 0]])

参数：

  • shape：int or tuple of lnts，新数组的形状大小；
  • dtype：data-type, optional，指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’}, optional，行优先或者列优先；

Returns：

  • out：ndarray，函数返回一个未初始化的数组。

>>>np.zeros([2,3], dtype=int)
array([[          0,           0,   242358960],
       [        720,           0, -2147483648]])

与 zeros 函数不同， empty 不会将元素初始化为零，因此创建速度更快。但是它就需要用户手动设置数组的所有元素值，谨慎使用。

参数：

  • shape：int or tuple of lnts，新数组的形状大小；
  • dtype：data-type, optional，指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’}, optional，行优先或者列优先；

Returns：

  • out：ndarray，函数返回一个全一数组。

>>>np.ones([2,3], dtype=int)
array([[1, 1, 1],
       [1, 1, 1]])

参数：

  • shape：int or sequence of lnts，新数组的形状大小；
  • fill_value：将被赋值给新数组的元素值；
  • dtype：data-type, optional，指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’}, optional，行优先或者列优先；

Returns：

  • out：ndarray，函数返回一个全为 fill_value值的数组。
>>>np.full([2,3], 4, dtype=int)
array([[4, 4, 4],
       [4, 4, 4]])

参数：

  • a：array_like，创建的新数组定义了和这个对象相同的形状和数据类型；
  • dtype：data-type, optional，重新指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，’C’表示C-order，’F’表示F-order，’K’表示遵循a的顺序；
  • subok：bool, optional，如果为True，则新创建的数组将使用a的子类类型，否则它将是基类数组;
  • shape：int or sequence of ints, optional，重新指定结果的形状。

Returns：

  • out：ndarray，函数返回一个全零数组。
>>>a = np.zeros([2,3], dtype=int)
>>>np.zeros_like(a, dtype=float)
array([[0., 0., 0.],
       [0., 0., 0.]])

参数：

  • a：array_like，创建的新数组定义了和这个对象相同的形状和数据类型；
  • dtype：data-type, optional，重新指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，’C’表示C-order，’F’表示F-order，’K’表示遵循a的顺序；
  • subok：bool, optional，如果为True，则新创建的数组将使用a的子类类型，否则它将是基类数组;
  • shape：int or sequence of ints, optional，重新指定结果的形状。

Returns：

  • out：ndarray，函数返回一个未初始化的数组。
>>>a = np.zeros([2,3], dtype=int)
>>>np.empty_like(a)
array([[0, 0, 0],
       [0, 0, 0]])

参数：

  • a：array_like，创建的新数组定义了和这个对象相同的形状和数据类型；
  • dtype：data-type, optional，重新指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，’C’表示C-order，’F’表示F-order，’K’表示遵循a的顺序；
  • subok：bool, optional，如果为True，则新创建的数组将使用a的子类类型，否则它将是基类数组;
  • shape：int or sequence of ints, optional，重新指定结果的形状。

Returns：

  • out：ndarray，函数返回一个全一数组。
>>>a = np.zeros([2,3], dtype=int)
>>>np.ones_like(a)
array([[1, 1, 1],
       [1, 1, 1]])

参数：

  • a：array_like，创建的新数组定义了和这个对象相同的形状和数据类型；
  • fill_value：将被赋值给新数组的元素值；
  • dtype：data-type, optional，重新指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，’C’表示C-order，’F’表示F-order，’K’表示遵循a的顺序；
  • subok：bool, optional，如果为True，则新创建的数组将使用a的子类类型，否则它将是基类数组;
  • shape：int or sequence of ints, optional，重新指定结果的形状。

Returns：

  • out：ndarray，函数返回一个全一数组。
>>>a = np.zeros([2,3], dtype=int)
>>>np.full_like(a, 4)
array([[4, 4, 4],
       [4, 4, 4]])

参数：

  • N：int，输出数组的行数；
  • M：int, optional，输出数组的列数，如果为None，默认等与N；
  • k：int, optional，0表示主对角线，正数表示上对角线，负数表示下对角线；
  • dtype：data-type, optional，重新指定数组元素的数据类型（dtype）;
  • order：{‘C’, ‘F’}, optional，行优先或者列优先；

Returns：

  • out：ndarray，函数返回一个对角线元素为1，其余元素为零的数组。
>>>np.eye(4, M=5, dtype=float)
array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.]])

>>>np.eye(4, M=5, k=1, dtype=float)
array([[0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])

参数：

  • n：int，输出数组的行数；
  • dtype：data-type, optional，指定数组元素的数据类型（dtype）;

Returns：

  • out：ndarray，函数返回一个对角线元素为1的n×n数组。
>>>np.identity(4, dtype=int)
array([[1, 0, 0, 0],
       [0, 1, 0, 0],
       [0, 0, 1, 0],
       [0, 0, 0, 1]])

参数：

  • start：int or real, optional，间隔开始，包括开始该值，默认为0；
  • stop：int or real，间隔结束，不包括该值；
  • step：int or real, optional，间隔长度，默认为1；
  • dtype：dtype, optional，输出数组的数据类型。

Returns：

  • out：ndarray，返回固定间隔值的数组。

>>>np.arange(6, dtype=int)
array([0, 1, 2, 3, 4, 5])

>>>np.arange(3, 9, dtype=int)
array([3, 4, 5, 6, 7, 8])

>>>np.arange(3, 6, 0.5, dtype=int)
array([3, 3, 3, 3, 3, 3])
>>>np.arange(3, 6, 0.5, dtype=float)
array([3. , 3.5, 4. , 4.5, 5. , 5.5])

注意

  1. 如果是浮点参数，那么输出数组的长度是 ceil(stop-start)/step , 因为浮点溢出问题，可能会导致输出数组的最后一个元素大于 stop 值。因此，这种情况下,应该使用 numpy.linspace。
>>>np.arange(-3, 3, 0.5, dtype=int)
array([-3, -2, -1,  0,  1,  2,  3,  4,  5,  6,  7,  8])
  1. 内置的 range 函数生成任意大小的Python内置整型， numpy.arange生成的是 numpy.int32 or numpy.int64 。这可能会导致对于大的正数的错误结果。

参数：

  • start：array_like，序列的起始值；
  • stop：array_like，序列的终止值，如果endpoint为true，该值包含于数列中；
  • num：int, optional，要生成的等步长的样本数量，默认为50；
  • endpoint：bool, optional，该值为 true 时，数列中包含stop值，反之不包含，默认是True；
  • retstep：bool, optional，如果为 True 时，生成的数组中会显示间距，反之不显示；
  • dtype： dtype, optional，ndarray 的数据类型；

Returns：

  • samples：ndarray，等距间隔的序列；
  • step：float, optional，间隔长度；
>>>np.linspace(2.0, 3.0, num=5)
array([2.  , 2.25, 2.5 , 2.75, 3.  ])
>>>np.linspace(2.0, 3.0, num=5, endpoint=False)
array([2. ,  2.2,  2.4,  2.6,  2.8])
>>>np.linspace(2.0, 3.0, num=5, retstep=True)
(array([2.  ,  2.25,  2.5 ,  2.75,  3.  ]), 0.25)

参数：

  • start：array_like，序列的起始值；
  • stop：array_like，序列的终止值，如果endpoint为true，该值包含于数列中；
  • num：int, optional，要生成的等步长的样本数量，默认为50；
  • endpoint：bool, optional，该值为 true 时，数列中包含stop值，反之不包含，默认是True；
  • retstep：bool, optional，如果为 True 时，生成的数组中会显示间距，反之不显示；
  • dtype： dtype, optional，ndarray 的数据类型；

Returns：

  • samples：ndarray，对数刻度上等距的采样序列；
>>>np.logspace(2.0, 3.0, num=4)
array([ 100.        ,  215.443469  ,  464.15888336, 1000.        ])
>>>np.logspace(2.0, 3.0, num=4, endpoint=False)
array([100.        ,  177.827941  ,  316.22776602,  562.34132519])
>>>np.logspace(2.0, 3.0, num=4, base=2.0)
array([4.        ,  5.0396842 ,  6.34960421,  8.        ])

二、从Python的 array_like 对象转化为 NumPy 数组

参数：

  • object：array-like结构的数值数据对象，如果是标量，返回包含该对象的0维数组；
  • dtype：data-type, optional，输出数组的数据类型；
  • copy ：bool, optional，值为True，则复制对象；
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，’C’表示C-order，’F’表示F-order，’K’表示遵循a的顺序；
  • subok：bool, optional，如果为True，直接返回子类，否则返回数组；
  • ndminint, optional，指定生成的数组应具有的最小维度数。为了满足这一要求，将根据需要对其形状进行预处理；

Returns：

  • out：ndarray，满足要求的数组对象；
>>>np.array([1, 2, 3])
array([1, 2, 3])

>>>np.array([[1, 2], [3, 4]])
array([[1, 2],
       [3, 4]])

>>>np.array([1, 2, 3], ndmin=2)
array([[1, 2, 3]])

>>>x = np.array([(1,2),(3,4)],dtype=[('a','),('b',')])
x['a']
array([1, 3])

>>>np.array(np.mat('1 2; 3 4'))
array([[1, 2],
       [3, 4]])
>>>np.array(np.mat('1 2; 3 4'), subok=True)
matrix([[1, 2],
        [3, 4]])

参数：

  • a：array_like，输入数据，任何形式都会被转化为数组；
  • dtype：data_type, optional，设置输出数据的数据类型；
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，’C’表示C-order，’F’表示F-order，’K’表示遵循a的顺序；

Returns：

  • out：ndarray，如果输入的 a 已经是满足要求的数组了，则不会复制，直接返回。如果 a 是数组的子类，则返回基类ndarray。

>>>a = [1, 2]
>>>np.asarray(a)
array([1, 2])

>>>a = np.array([1, 2])
>>>np.asarray(a) is a
True

>>>a = np.array([1, 2], dtype=np.float32)
>>>np.asarray(a, dtype=np.float32) is a
True
>>>np.asarray(a, dtype=np.float64) is a
False

numpy.array 和 numpy.asarray 的区别：
当参数本身就是数组时， numpy.array 会重新产生一个副本，而 numpy.asarray 不会。

参数：

  • a：array_like，输入数据，任何形式都会被转化为数组；
  • dtype：data_type, optional，设置输出数据的数据类型；
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，’C’表示C-order，’F’表示F-order，’K’表示遵循a的顺序；

Returns：

  • out：ndarray or an ndarray subclass，如果输入的 a 已经是满足要求的数组或数组的子类，则不会复制，直接返回。
>>>a = [1, 2]
>>>np.asanyarray(a)
array([1, 2])

>>>a = np.array([(1.0, 2), (3.0, 4)], dtype='f4,i4').view(np.recarray)
>>>np.asanyarray(a) is a
True

参数：

  • data：array_like，输入数据；
  • dtype：data_type, optional，设置输出数据的数据类型；
    Returns：
  • mat：matrix，输出转化后的矩阵，如果输入已经是一个矩阵，则不发生复制。
>>>x = np.array([[1, 2], [3, 4]])
>>>m = np.asmatrix(x)
>>>x[0,0] = 5
>>>m
matrix([[5, 2],
        [3, 4]])

参数：

  • a：array_like，输入数据；
  • order：{‘C’, ‘F’, ‘K’}, optional，存储顺序，’C’表示C-order，’F’表示F-order，’K’表示遵循a的顺序；
  • subok：bool, optional，如果为True，则子类将被返回，否则返回的数组将被强制为基类数组（默认为False）。

Returns：

  • out：数组a；效果等同于 np.array(a, copy=True)

Original: https://blog.csdn.net/weixin_43276033/article/details/123785686
Author: 峡谷的小鱼
Title: NumPy创建数组的几种方式介绍

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/712182/

转载文章受原作者版权保护。转载请注明原作者出处！

赞 (0)
0

【自取】最近整理的，有需要可以领取学习：



Linux核心资料大放送~

全栈面试题汇总（持续更新&可下载）

一个提高学习100%效率的工具！

【超详细】深度学习面试题目！

LeetCode Python刷题答案下载！

LeetCode Java版刷题答案下载！

LeetCode C++ 版本，抓紧保存！

LeetCode GO语言 刷题答案下载！

大家都在看

亲爱的 Coder【最近整理，可免费获取】👉 最新必读书单  | 👏 面试题下载  | 🌎 免费的AI知识星球