python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > Numpy np.array()函数用法

Numpy np.array()函数使用方法指南

作者:请你喝奶茶~

numpy是一个在Python中做科学计算的基础库,重在数值计算,也是大部分Python科学计算库的基础库,多用于大型、多维数据上执行数值计算,下面这篇文章主要给大家介绍了关于Numpy np.array()函数使用方法指南的相关资料,需要的朋友可以参考下

1、Numpy ndarray对象

numpy ndarray对象是一个n维数组对象,ndarray只能存储一系列相同元素。

#一维数组
[1,2,3,4]	#shape(4,)

#二维数组
[[1,2,3,4]]	#shape(1,4)

[[1,2,3,4],
 [5,6,7,8]]	#shape(2,4)

#三维数组
[
    [[1,2,3],[4,5,6]],
    [[7,8,9],[10,11,12]]
]	#shape(2,2,3)

2、创建numpy数组

numpy.array()使用说明:object是必须输入的参数,其余为可选参数。

import numpy as np
np.array(object,dtype,copy=True,order,ndmin,subok=Fasle)
#	object: 一个数组序列,例如[1,2,3,4]
#	dtype: 更改数组内的数据类型
#	copy: 数据源是ndarray时数组能否被复制,default=True
#	order: 选择数组的内存布局,C(行序列)|F(列序列)|A(默认)
#	ndmin: 数组维度
#	subok: bool类型,True,使用object的内部数据类型;False,使用object的数组的数据类型,default=Fasle

创建存储元素类型不同的数组:

#int型
import numpy as np
a=np.array([1,2,3,4],dtype=int)	#"dtype="可省略
print(a)
a.dtype
'''
输出:
[1 2 3 4]
dtype('int32')
'''

#float型
b=np.array([1,2,3,4],dtype=float)
print(b)
b.dtype
'''
输出:
[1. 2. 3. 4.]
dtype('float64')
'''

创建生成器:

a=np.array([i*10 for i in range(10)])
print(a)
b=np.array([i+2 for i in range(10)])
print(b)
'''
输出:
[ 0 10 20 30 40 50 60 70 80 90]
[ 2  3  4  5  6  7  8  9 10 11]
'''

当输入的object元素有不同类型时,将保留存储空间最大的类型:

x1=np.array([1,2,3,4,5.1])
print(x1)
x2=np.array([1,2,3,'a'])
print(x2)
x3=np.array([1,2.1,'a'])
print(x3)
'''
输出:
[1.  2.  3.  4.  5.1]
['1' '2' '3' 'a']
['1' '2.1' 'a']
'''

当多维数组元素个数不一致时:

x=np.array([[1,2,3],[1,2,3,4],[1,2,3,4,5]],dtype=object) 	#存储长度不一致序列时,应有“dtype=object”,否则会报错
print(x)
print(x.shape)
print(x.ndim)	#输出数组的维度,2Darray强制转换成1Darray
'''
输出:
[list([1, 2, 3]) list([1, 2, 3, 4]) list([1, 2, 3, 4, 5])]
(3,)
1
'''

float强制转化int(向下取整):

a=np.array([1,2,3.1],int)
b=np.array([1,2,3.7],int)
print(a)
print(b)
'''
输出:
[1 2 3]
[1 2 3]
'''

用copy参数定义是否创建副本:

#默认copy=True情况下,复制创建x1的副本为x2
x1=np.array([1,2,3])
x2=np.array(x1)
print('x1 ',id(x1),'x2',id(x2))
#更改x2的值,x1的值不会发生改变,反之,修改x1的值,x2也不会发生改变,因为二者地址不同
x2[2]=100
print('x1',x1)
print('x2',x2)
'''
输出:
x1  2055556179312 x2 2055300844976   x1 x2地址不同
x1 [1 2 3]
x2 [  1   2 100]
'''

#copy=Fasle情况下,复制创建x1的副本为x2
x1=np.array([1,2,3])
x2=np.array(x1,copy=False) 
print('x1 ',id(x1),'x2',id(x2))
#更改x2的值,x1的值会发生改变,且x1永远等于x2,因为二者地址相同
x2[2]=100
print('x1',x1)
print('x2',x2)
'''
输出:
x1  2055300125584 x2 2055300125584   x1 x2地址相同
x1 [  1   2 100]
x2 [  1   2 100]
'''

#另一种创建副本方法:copy() 这种方法更常用
x1=np.array([1,2,3])
x2=x1.copy()
print('x1 ',id(x1),'x2',id(x2))
#更改x2的值,x1的值不会发生改变
x2[2]=100
print('x1',x1)
print('x2',x2)
'''
输出:
x1  2055556233040 x2 2055556062160
x1 [1 2 3]
x2 [  1   2 100]
'''

ps:如果直接用 x2=x1 的形式复制array,此时x1 x2 共用同一个地址

用ndmin改变数组维度(升维有效,降维无效):

a=np.array([1,2,3,4],ndmin=2)
print('a ',a)
b=np.array([[1,2],[1,2]],ndmin=3)
print('b ',b)
#2D降维成1D,但输出结果仍为2D
c=np.array([[1,2],[1,2]],ndmin=1)
print('c ',c)
'''
输出:
a  [[1 2 3 4]]
b  [[[1 2]
  [1 2]]]
c  [[1 2]
 [1 2]]
'''

用subok参数(bool值)确定数据类型:

x1=np.mat([1,2,3])
a1=np.array(x1) #存储为原类型
b1=np.array(x1,subok=True)  #存储为数组类型
print('x1 ',type(x1),'a1 ',type(a1),'b1 ',type(b1))

#原始格式为list,无论subok为何值都转换成数组类型
x2=[[1,2],[1,2],[1]]
a2=np.array(x2,dtype=object) #存储为原类型
b2=np.array(x2,dtype=object,subok=True)  #存储为数组类型
print('x2 ',type(x2),'a2 ',type(a2),'b2 ',type(b2))
'''
输出:
x1  <class 'numpy.matrix'> a1  <class 'numpy.ndarray'> b1  <class 'numpy.matrix'>
x2  <class 'list'> a2  <class 'numpy.ndarray'> b2  <class 'numpy.ndarray'>
'''

总结

到此这篇关于Numpy np.array()函数使用方法指南的文章就介绍到这了,更多相关Numpy np.array()函数用法内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

您可能感兴趣的文章:
阅读全文