python中数组（numpy.array）的基本操作

为什么要用numpy

    Python中提供了list容器，可以当作数组使用。但列表中的元素可以是任何对象，因此列表中保存的是对象的指针，这样一来，为了保存一个简单的列表[1,2,3]。就需要三个指针和三个整数对象。对于数值运算来说，这种结构显然不够高效。     Python虽然也提供了array模块，但其只支持一维数组，不支持多维数组(在TensorFlow里面偏向于矩阵理解)，也没有各种运算函数。因而不适合数值运算。     NumPy的出现弥补了这些不足。

（——摘自张若愚的《Python科学计算》）

import numpy as np

数组创建

## 常规创建方法 a = np.array([2,3,4]) b = np.array([2.0,3.0,4.0]) c = np.array([[1.0,2.0],[3.0,4.0]]) d = np.array([[1,2],[3,4]],dtype=complex) # 指定数据类型 print a, a.dtype print b, b.dtype print c, c.dtype print d, d.dtype

[2 3 4] int32 [ 2.  3.  4.] float64 [[ 1.  2.]  [ 3.  4.]] float64 [[ 1.+0.j  2.+0.j]  [ 3.+0.j  4.+0.j]] complex128

数组的常用函数 print np.arange(0,7,1,dtype=np.int16) # 0为起点，间隔为1时可缺省(引起歧义下不可缺省) print np.ones((2,3,4),dtype=np.int16) # 2页，3行，4列，全1，指定数据类型 print np.zeros((2,3,4)) # 2页，3行，4列，全0 print np.empty((2,3)) #值取决于内存 print np.arange(0,10,2) # 起点为0，不超过10，步长为2 print np.linspace(-1,2,5) # 起点为-1，终点为2，取5个点 print np.random.randint(0,3,(2,3)) # 大于等于0，小于3，2行3列的随机整数

[0 1 2 3 4 5 6] [[[1 1 1 1]   [1 1 1 1]   [1 1 1 1]]

 [[1 1 1 1]   [1 1 1 1]   [1 1 1 1]]] [[[ 0.  0.  0.  0.]   [ 0.  0.  0.  0.]   [ 0.  0.  0.  0.]]

 [[ 0.  0.  0.  0.]   [ 0.  0.  0.  0.]   [ 0.  0.  0.  0.]]] [[  1.39069238e-309   1.39069238e-309   1.39069238e-309]  [  1.39069238e-309   1.39069238e-309   1.39069238e-309]] [0 2 4 6 8] [-1.   -0.25  0.5   1.25  2.  ] [[1 0 1]  [0 1 0]]

 类型转换 print float(1) print int(1.0) print bool(2) print float(True)

1.0 1 True 1.0

数组输出

    从左到右，从上向下     一维数组打印成行，二维数组打印成矩阵，三维数组打印成矩阵列表

print np.arange(1,6,2) print np.arange(12).reshape(3,4) # 可以改变输出形状 print np.arange(24).reshape(2,3,4)# 2页，3行，4页

[1 3 5] [[ 0  1  2  3]  [ 4  5  6  7]  [ 8  9 10 11]] [[[ 0  1  2  3]   [ 4  5  6  7]   [ 8  9 10 11]]

 [[12 13 14 15]   [16 17 18 19]   [20 21 22 23]]]

基本运算

## 元素级运算 a = np.array([1,2,3,4]) b = np.arange(4) print a, b print a-b print a*b print a**2 print 2*np.sin(a) print a>2 print np.exp(a) # 指数

[1 2 3 4] [0 1 2 3] [1 1 1 1] [ 0  2  6 12] [ 1  4  9 16] [ 1.68294197  1.81859485  0.28224002 -1.51360499] [False False  True  True] [  2.71828183   7.3890561   20.08553692  54.59815003]

## 矩阵运算（二维数组） a = np.array([[1,2],[3,4]]) # 2行2列 b = np.arange(6).reshape((2,-1)) # 2行3列 print a,b print a.dot(b) # 2行3列

[[1 2]  [3 4]] [[0 1 2]  [3 4 5]] [[ 6  9 12]  [12 19 26]]

## 非数组运算，调用方法 a = np.random.randint(0,5,(2,3)) print a print a.sum(),a.sum(axis=1),a.sum(0) # axis用于指定运算轴（默认全部，可指定0或1） print a.min(),a.max(axis=1),a.mean(axis=1) # axis = 0: 按列计算，axis = 1: 按行计算 print a.cumsum(1) # 按行计算累积和

[[2 3 3]  [0 2 1]] 11 [8 3] [2 5 4] 0 [3 2] [ 2.66666667  1.        ] [[2 5 8]  [0 2 3]]

索引，切片，迭代

## 一维数组 a = np.arange(0,10,1)**2 print a print a[0],a[2],a[-1],a[-2] # 索引从0开始，-1表示最后一个索引 print a[2:5],a[-5:-1] # 包括起点，不包括终点 a[-1] = 100; print a # 赋值 a[1:4]=100; print a # 批量赋值 a[:6:2] = -100; print a # 从开始到第6个索引，每隔一个元素（步长=2）赋值 print a[: :-1];print a # 将a逆序输出，a本身未发生改变 b = [np.sqrt(np.abs(i)) for i in a]; print b # 通过遍历赋值

[ 0  1  4  9 16 25 36 49 64 81] 0 4 81 64 [ 4  9 16] [25 36 49 64] [  0   1   4   9  16  25  36  49  64 100] [  0 100 100 100  16  25  36  49  64 100] [-100  100 -100  100 -100   25   36   49   64  100] [ 100   64   49   36   25 -100  100 -100  100 -100] [-100  100 -100  100 -100   25   36   49   64  100] [10.0, 10.0, 10.0, 10.0, 10.0, 5.0, 6.0, 7.0, 8.0, 10.0]

## 多维数组 a = np.arange(0,20).reshape((4,5)) print a, a[2,3], a[:,1], a[1:4,2], a[1:3,:] print a[-1] # 相当于a[-1,:],即索引少于轴数时，确实的索引默认为整个切片

b = np.arange(0,24).reshape((2,3,4)) print b,b[1] # 相当于b[1,:,:] 和b[1,...] print '-------------------' for row in a:     print row # 遍历以第一个轴为基础

[[ 0  1  2  3  4]  [ 5  6  7  8  9]  [10 11 12 13 14]  [15 16 17 18 19]] 13 [ 1  6 11 16] [ 7 12 17] [[ 5  6  7  8  9]  [10 11 12 13 14]] [15 16 17 18 19] [[[ 0  1  2  3]   [ 4  5  6  7]   [ 8  9 10 11]]

 [[12 13 14 15]   [16 17 18 19]   [20 21 22 23]]]

 [[12 13 14 15]  [16 17 18 19]  [20 21 22 23]] ------------------- [0 1 2 3 4] [5 6 7 8 9] [10 11 12 13 14] [15 16 17 18 19]

形状操作

a = np.floor(10*np.random.random((3,4))) print a, a.shape #输出a的形状 print a.ravel() # 输出平坦化后的a（a本身不改变） a.shape = (6,2); print a # 改变a的形状 print a.transpose() # 输出a的转置

[[ 0.  4.  3.  2.]  [ 1.  1.  3.  3.]  [ 4.  4.  6.  5.]] (3, 4) [ 0.  4.  3.  2.  1.  1.  3.  3.  4.  4.  6.  5.] [[ 0.  4.]  [ 3.  2.]  [ 1.  1.]  [ 3.  3.]  [ 4.  4.]  [ 6.  5.]] [[ 0.  3.  1.  3.  4.  6.]  [ 4.  2.  1.  3.  4.  5.]]

## 补充：reshape和resize a = np.array([[1,2,3],[4,5,6]]) b = a a.reshape((3,2))# 不改变数组本身的形状 print a b.resize((3,2))# 改变数组本身形状 print b

[[1 2 3]  [4 5 6]] [[1 2]  [3 4]  [5 6]]

---------------------

  在numpy模块中，我们经常会使用resize 和 reshape,在具体使用中，通常是使用resize改变数组的尺寸大小，使用reshape用来增加数组的维度。

1.resize

之前看到别人的博客说，resize没有返回值，其实这取决于你如何使用resize,resize有两种使用方式，一种是没有返回值的，直接对原始的数据进行修改，还有一种用法是有返回值的，所以不会修改原有的数组值。

1.1有返回值，不对原始数据进行修改

    import numpy as np     X=np.array([[1,2,3,4],                   [5,6,7,8],                   [9,10,11,12]])           X_new=np.resize(X,(3,3)) # do not change the original X     print("X:\n",X)  #original X     print("X_new:\n",X_new) # new X           >>     X:      [[ 1  2  3  4]      [ 5  6  7  8]      [ 9 10 11 12]]     X_new:      [[1 2 3]      [4 5 6]      [7 8 9]]

1.2 无返回值，直接修改原始数组的大小

    import numpy as np     X=np.array([[1,2,3,4],                   [5,6,7,8],                   [9,10,11,12]])           X_2=X.resize((3,3))  #change the original X ,and do not return a value     print("X:\n",X)  # change the original X     print("X_2:\n",X_2) # return None      

          X:      [[1 2 3]      [4 5 6]      [7 8 9]]     X_2:      None

2.reshape

给数组一个新的形状而不改变其数据

    import numpy as np     X=np.array([1,2,3,4,5,6,7,8])           X_2=X.reshape((2,4)) #retuen a 2*4 2-dim array     X_3=X.reshape((2,2,2)) # retuen a 2*2*2 3-dim array           print("X:\n",X)     print("X_2:\n",X_2)     print("X_3:\n",X_3)           >>     X:      [1 2 3 4 5 6 7 8]     X_2:      [[1 2 3 4]      [5 6 7 8]]     X_3:      [[[1 2]       [3 4]]            [[5 6]       [7 8]]] --------------------- 作者：墨晓白 原文：https://blog.csdn.net/qq_24193303/article/details/80965274