维度（dimensions）称为轴 （axes），轴的个数称为秩（rank）。
- ndarray.ndim（秩）
- ndarray.shape（维度）
- ndarray.size（元素总个数）
- ndarray.dtype（元素类型）
- ndarray.itemsize（元素字节大小）
ndarray的创建可以使用多种创建函数，如下所示，只展示几种常见的创建方法，代码如下所示：
ndarray创建函数 arangearraycopyemptyempty_likeeyefromfilefromfunctionidentitylinspacelogspacemgridogridonesrandomones_likezeroszeros_like
import numpy as np
g = np.array([1, 2, 3]) # 用array方法创建了一个一维数组
print(g)
h = np.array([(1, 2, 3), (4, 5, 6)]) # 用array方法创建了一个二维数组
print(h)
print(h.ndim) # 输出轴的个数（秩）
print(h.shape) # 输出维度
print(h.size) # 输出元素总个数
a = np.arange(1, 5, 0.5) # 同range类似，步长为0.5，从1到5（不包过5）
print(a)
b = np.random.random((2, 2)) # 随机产生0~1的数字，生成一个维度为（2，2）的数组
print(b)
c = np.linspace(1, 2, 10, endpoint=False) # 生成1~2之间的数，不包括最后一位
print(c)
d = np.ones([2, 3]) # 生成维度为（2，3）的全为1的数组
print(d)
e = np.zeros((2, 2)) # 生成维度为（2，2）的全为0的数组
print(e)
f = np.fromfunction(lambda i, j: (i + 1) * (j + 1), (9, 9)) # 以lambda函数生成一个维度为（9，9）的数组
print(f)
运行结果如下所示：
[1 2 3]
[[1 2 3]
[4 5 6]]
2
(2, 3)
6
[1. 1.5 2. 2.5 3. 3.5 4. 4.5]
[[0.24045529 0.37604814]
[0.95796953 0.89254894]]
[1. 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9]
[[1. 1. 1.]
[1. 1. 1.]]
[[0. 0.]
[0. 0.]]
[[ 1. 2. 3. 4. 5. 6. 7. 8. 9.]
[ 2. 4. 6. 8. 10. 12. 14. 16. 18.]
[ 3. 6. 9. 12. 15. 18. 21. 24. 27.]
[ 4. 8. 12. 16. 20. 24. 28. 32. 36.]
[ 5. 10. 15. 20. 25. 30. 35. 40. 45.]
[ 6. 12. 18. 24. 30. 36. 42. 48. 54.]
[ 7. 14. 21. 28. 35. 42. 49. 56. 63.]
[ 8. 16. 24. 32. 40. 48. 56. 64. 72.]
[ 9. 18. 27. 36. 45. 54. 63. 72. 81.]]
对数组进行操作，代码如下：
import numpy as np
a = np.arange(1, 5) # 生成1~4
print(a)
print(np.power(a, 2).sum()) # 平方和相加
print(np.add(a, np.arange(4))) # 两个数组相加
运行结果如下所示：
[1 2 3 4]
30
[1 3 5 7]
改变数组，代码如下所示：
import numpy as np
a = np.array([(1, 2, 3), (4, 5, 6)])
print(a.shape)
b = a.reshape(3, 2) # 复制一个（3，2）的数组，本身未改变
print(b)
print(b.shape)
print(a)
a.resize(3, 2) # 将数组本身改变为（3，2）的数组中
print(a)
d = np.array([1, 3, 7])
e = np.array([3, 5, 8])
print(np.vstack((d, e))) # 纵向拼接
print(np.hstack((d, e))) # 横向拼接
运行结果如下所示：
(2, 3)
[[1 2]
[3 4]
[5 6]]
(3, 2)
[[1 2 3]
[4 5 6]]
[[1 2]
[3 4]
[5 6]]
[[1 3 7]
[3 5 8]]
[1 3 7 3 5 8]
同样的，改变数组，代码如下：
import numpy as np
x = np.arange(1, 17).reshape(4, 4) # 生成一个从1~16，（4，4）的数组
print(x)
print(x.reshape(2, -1)) # 定义成两行随机列
print(x.reshape(-1, 1)) # 定义成一列随机行
运行结果如下所示：
定义数组
[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]
[13 14 15 16]]
两行随机列
[[ 1 2 3 4 5 6 7 8]
[ 9 10 11 12 13 14 15 16]]
一列随机行
[[ 1]
[ 2]
[ 3]
[ 4]
[ 5]
[ 6]
[ 7]
[ 8]
[ 9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]]
ndarry中可以通过一些运算符来操作数组，代码如下所示：
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
print(a)
print(a[0])
print(a[:, [0, 2]]) # 第一列和第三列
print(a[::2]) # 奇数行
print(a[:, ::2]) # 奇数列
print(a[::-1]) # 交换行
print(a[:, ::-1]) #交换列
运行结果如下所示：
本身
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]
第一行
[1 2 3]
第一列
[[ 1 3]
[ 4 6]
[ 7 9]
[10 12]]
奇数行
[[1 2 3]
[7 8 9]]
奇数列
[[ 1 3]
[ 4 6]
[ 7 9]
[10 12]]
交换行
[[10 11 12]
[ 7 8 9]
[ 4 5 6]
[ 1 2 3]]
交换列
[[ 3 2 1]
[ 6 5 4]
[ 9 8 7]
[12 11 10]]
ndarray中可以使用许多运算函数，并且有许多的运算符，可以便捷的对数组进行操作，代码如下所示：
import numpy as np
aArray = np.array([(5, 4, 5), (5, 3, 4)])
bArray = np.array([(2, 3, 2), (2, 4, 2)])
cArray = aArray * bArray # 数组值相乘
print(cArray)
aArray += bArray # 数组值相加
print(aArray)
a = np.array([1, 2, 3])
b = np.array([[1, 2, 3], [4, 5, 6]])
print(a + b) # 广播性质，自动拓展成相同维度
print(a + 2) # 同上
运行结果如下所示：
import numpy as np
aArray = np.array([(1, 2, 3), (4, 5, 6)])
print(aArray.sum())
print(aArray.sum(axis=0)) # 列求和
print(aArray.sum(axis=1)) # 行求和
print(aArray.min()) # 返回最小值
print(aArray.argmax()) # 返回最大值的索引
print(aArray.mean()) # 返回平均值
print(aArray.var()) # 返回方差
print(aArray.std()) # 返回标准差
运行结果如下所示：
21
[5 7 9]
[ 6 15]
1
5
3.5
2.9166666666666665
1.707825127659933
import numpy as np
x = np.array([[1, 2], [3, 4]])
r1 = np.linalg.det(x) # 行列式
print(r1)
r2 = np.linalg.inv(x) # 逆矩阵
print(r2)
r3 = np.dot(x, x) # 矩阵内积
print(r3)
运行结果如下所示：
行列式
-2.0000000000000004
逆矩阵
[[-2. 1. ]
[ 1.5 -0.5]]
矩阵内积
[[ 7 10]
[15 22]]
注：与scipy的线性运算很像，代码如下:
import numpy as np
from scipy import linalg
arr = np.array([[1, 2], [3, 4]])
print(linalg.det(arr)) # 行列式
运行结果如下所示：
-2.0
ufunc（universal function）是一种能对数组的每个元素进行操作的函数。NumPy内置的许多ufunc函数都是在C语言级别实现的，计算速度非常快。
记得有这个东西就行，好像每快多少，也可能是我用错了
Original: https://blog.csdn.net/weixin_66578482/article/details/123595705
Author: 花园宝宝小点点
Title: （四）Python: NumPy中的ndarry
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/758904/
转载文章受原作者版权保护。转载请注明原作者出处！