Numpy基础

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
复制代码

多于一维的

# 多于一个维度  
import numpy as np 
a = np.array([[1,  2],  [3,  4]])  
print(a)
复制代码

输出:

[[1, 2] 
 [3, 4]]
复制代码

dtype参数的

# dtype 参数  
import numpy as np 
a = np.array([1,  2,  3], dtype = complex)  
print(a)
复制代码

输出：

[ 1.+0.j,  2.+0.j,  3.+0.j]
复制代码

numpy.empty

它创建指定形状和dtype的未初始化数组。（类型默认float）

x = np.empty([3,2])  
复制代码

注意：数组元素为随机值，因为它们未初始化。

numpy.ones

返回特定大小，以 1 填充的新数组。

# 创建10行10列的数值为浮点1的矩阵，默认类型为 float  
array_one = np.ones([10, 10])
复制代码

numpy.zeros

返回特定大小，以 0 填充的新数组。

# 创建10行10列的数值为浮点0的矩阵，默认类型为 float  
array_zero = np.zeros([10, 10])
复制代码

附 NumPy 中定义的不同标量数据类型：

NumPy - 数组属性

ndarray.shape

这一数组属性返回一个包含数组维度的元组，它也可以用于调整数组大小。

例一

import numpy as np 
a = np.array([[1,2,3],[4,5,6]])  
print(a.shape)
复制代码

输出：

(2, 3)
复制代码

例二

# 这会调整数组大小  
import numpy as np 
 
a = np.array([[1,2,3],[4,5,6]])
a.shape =  (3,2)  
print(a) 
复制代码

输出：

[[1, 2] 
 [3, 4] 
 [5, 6]]
复制代码

例三

NumPy 也提供了reshape函数来调整数组大小。

import numpy as np 
a = np.array([[1,2,3],[4,5,6]]).reshape(3,2)
print(a)
复制代码

输出：

[[1, 2] 
 [3, 4] 
 [5, 6]]
复制代码

查看数组的属性

NumPy - 来自数值范围的数组

numpy.arange

这个函数返回ndarray对象，包含给定范围内的等间隔值。

x = np.arange(10,20,2) #起始，终止，步长

NumPy - 切片和索引

ndarray对象的内容可以通过索引或切片来访问和修改。有三种可用的索引方法类型： 字段访问 ， 基本切片 和 高级索引 。

基本切片是 Python 中基本切片概念到 n 维的扩展。 通过将start，stop和step参数提供给内置的slice函数来构造一个 Python slice对象。 此slice对象被传递给数组来提取数组的一部分。

import numpy as np
a = np.arange(10)
s = slice(2,7,2)  
print(a[s])
#或者
import numpy as np
a = np.arange(10)
b = a[2:7:2]
#print(b)
复制代码

都输出

[2  4  6]
复制代码

NumPy - 高级索引

有两种类型的高级索引：整数和布尔值。

整数索引

这种机制有助于基于 N 维索引来获取数组中任意元素。 每个整数数组表示该维度的下标值。 当索引的元素个数就是目标ndarray的维度时，会变得相当直接。

以下示例获取了ndarray对象中每一行指定列的一个元素。 因此， 行索引包含所有行号，列索引指定要选择的元素 。

布尔索引

当结果对象是布尔运算（例如比较运算符）的结果时，将使用此类型的高级索引。

为numpy.amin