NumPy数组基本用法
*
– 1、numpy中的数组：
– 2、创建数组（np.ndarray对象）：
– 3、ndarray常用属性：
–
+ 3.1 ndarray.dtype：获取数组中数据的数据类型
+ 3.2 ndarray.size：获取数组中总的元素的个数。
+ 3.3 ndarray.ndim：数组的维数。
+ 3.4 ndarray.shape：数组的维度的元组。
+ 3.4 ndarray.itemsize：数组中每个元素占的大小，单位是字节。
（1）Numpy是Python科学计算库，用于快速处理任意维度的数组。
（2）NumPy提供一个N维数组类型ndarray，它描述了相同类型的”items”的集合。
（3）numpy.ndarray支持向量化运算。
（4）NumPy使用c语言写的，底部解除了GIL，其对数组的操作速度不在受python解释器限制。
1、numpy中的数组：
Numpy中的数组的使用跟Python中的列表非常类似。他们之间的区别如下：
（1）一个列表中可以存储多种数据类型，比如a = [1,’a’]是允许的。而数组只能存储同种数据类型。
（2）数组可以是多维的，当多维数组中所有的数据都是数值类型的时候，相当于线性代数中的矩阵，是可以进行相互间的运算的。
2、创建数组（np.ndarray对象）：
Numpy经常和数组打交道，因此首先第一步是要学会创建数组。在Numpy中的数组的数据类型叫做ndarray。以下是两种创建的方式：
1、根据python中的列表生成， 注意生成的数组各元素之间没有逗号，列表和张量子之间有逗号。
import numpy as np
a1 = np.array([1, 2, 3, 4])
print(a1)
print(type(a1))
2、使用np.arange生成，其中np.arange的用法类似于Python中的range：
import numpy as np
a2 = np.arange(2, 21, 2)
print(a2)
3、使用np.random生成随机数的数组：
a4 = np.random.randint(0, 10, size=(3, 3))
print(a4)
[1 7 5]
[0 5 0]]
4、使用函数生成特殊的数组：
a1 = np.zeros((2,2))
print(a1)
a2 = np.ones((3,2))
print(a2)
a3 = np.full((2,2),8)
print(a3)
a4 = np.eye(3)
print(a4)
3、ndarray常用属性：
3.1 ndarray.dtype：获取数组中数据的数据类型
因为数组中只能存储同一种数据类型，因此可以通过.dtype获取数组中的元素的数据类型.
Numpy中关于数值的类型比Python内置的多得多，这是因为Numpy为了能高效处理海量数据而设计的。举个例子，比如现在想要存储上百亿的数字，并且这些数字都不超过254（一个字节内），我们就可以将dtype设置为int8，这样就比默认使用int64更能节省内存空间了。
1、默认的数据类型：
import numpy as np
a1 = np.array([1,2,3])
print(a1)
print(a1.dtype)
2、指定dtype：(dtype= )
import numpy as np
a1 = np.array([1,2,3],dtype=np.int64)
print(a1.dtype)
3、修改dtype：通过.astype()方法实现
import numpy as np
a1 = np.array([1,2,3])
print(a1.dtype)
a2 = a1.astype(np.int64)
print(a2.dtype)
3.2 ndarray.size：获取数组中总的元素的个数。
比如有个二维数组：
import numpy as np
a1 = np.array([[1,2,3],[4,5,6]])
print(a1.size)
3.3 ndarray.ndim：数组的维数。
比如：
a1 = np.array([1,2,3])
print(a1.ndim)
a2 = np.array([[1,2,3],[4,5,6]])
print(a2.ndim)
a3 = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
print(a3.ndim)
3.4 ndarray.shape：数组的维度的元组。
比如以下代码
a1 = np.array([1,2,3])
print(a1.shape)
a2 = np.array([[1,2,3],[4,5,6]])
print(a2.shape)
a3 = np.array([
[
[1,2,3],
[4,5,6]
],
[
[7,8,9],
[10,11,12]
]
])
print(a3.shape)
a4 = np.array([1,2,3],[4,5])
print(a4.shape)
print(a4)
另外，还可以通过ndarray.reshape来重新修改数组的维数。示例代码如下：
a1 = np.arange(12)
print(a1)
a2 = a1.reshape((3,4))
print(a2)
a3 = a1.reshape((2,3,2))
print(a3)
a4 = a2.reshape((12,))
print(a4)
a5 = a2.flatten()
print(a5)
注意：reshape并不会修改原来数组本身，而是会将修改后的结果返回。如果想要直接修改数组本身，那么可以使用resize来替代reshape。
3.4 ndarray.itemsize：数组中每个元素占的大小，单位是字节。
比如以下代码：
import numpy as np
a1 = np.array([1,2,3],dtype=np.int32)
print(a1.itemsize)
Original: https://blog.csdn.net/qq_43061415/article/details/123583150
Author: 算法程序员&mlh
Title: 2、NumPy数组基本用法
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/763216/
转载文章受原作者版权保护。转载请注明原作者出处！