浅谈numpy数组初始化的几种方法
作者:little_fat_sheep
1 使用list初始化
a=np.array([[1,2,3],[4,5,6]],dtype='float32') #a=[[1. 2. 3.],[4. 5. 6.]]
2 赋值与复制
(1)赋值
a=np.array([1,2,3]) b=a print(b is a) #True b[0]=0 print(a) #[0 2 3] print(b) #[0 2 3] print(b is a) #True
在赋值情形下,b 和 a 指向同一块地址,b 改变,a 也随着改变 。
a=np.array([1,2,3]) b=a[:2] print(b is a) #False b[0]=0 print(a) #[0 2 3] print(b) #[0 2]
在使用切片时,切片改变,原数据也会改变。
(2)复制
a=np.array([1,2,3]) b=a.copy() print(b is a) #False b[0]=0 print(a) #[1 2 3] print(b) #[0 2 3]
在复制情形下,b和a指向不同地址,b改变,a不会改变
3 随机数初始化
3.1 区间内随机数
(1)np.random.uniform(low=0.0, high=1.0, size=None)
简介:生成 [low,high) 内的 size 个随机数,默认 [0,1) 之间,size 是 int 型或元组
a=np.random.uniform() #产生[0,1)内的1个随机数 #a=0.1973408987805232 b=np.random.uniform(10,20,2) #产生[10,20)内的2个随机数 #b=[10.15492129 12.8762581] c=np.random.uniform(1,5,(2,3)) #产生[1,5)内2*3个随机数 #c=[[1.89354111 4.01642541 1.63691704],[3.23261205 4.81380553 4.51288251]]
(2)np.random.rand(d0,d1,...,dn)
简介:生成 [0,1) 内的 d0*d1*...*dn 个浮点数,d0,d1,...,dn 表示数组维度
a=np.random.rand() #产生[0,1)内的1个随机数 #a=0.7114622255979923 b=np.random.rand(2) #产生[0,1)内的2个随机数 #b=[0.39094731 0.32324018] c=np.random.rand(2,3) #产生[0,1)内的2*3个随机数 #c=[[0.30305566 0.70335946 0.71778137],[0.03069973 0.20145633 0.70092122]]
(3)np.random.randint(low, high=None, size=None, dtype=’l’)
简介:生成 [low,high) 内的 size 个整型随机数,默认1个 [0,low) 内的随机整数
a=np.random.randint(10) #产生[0,10)内的1个随机整数 #a=6 b=np.random.randint(10,20) #产生[10,20)内的1个随机整数 #b=14 c=np.random.randint(1,5,(2,3)) #产生[1,5)内的2*3个随机整数 #c=[[4 2 2],[3 2 1]]
3.2 随机全排列
(1) np.random.permutation(n)
简介:若 n 为 int,生成 0~n-1 的一个随机排列;若 n 为数组,生成此数组的一个随机排列
a=np.random.permutation(10) #a=[5 9 6 8 7 4 0 3 1 2] x=np.array([2.2,4.4,6.6,8.8]) b=np.random.permutation(x) #x不变,b随机 #b=[6.6 2.2 4.4 8.8]
(2)np.random.shuffle(arr)
简介:将数组 arr 随机打乱
a=np.array([1,3,5,7,9,0,2,4,6,8]) np.random.shuffle(a) #a=[6 5 9 8 0 3 4 2 1 7]
3.3 随机部分排列
np.random.choice(a, size=None, replace=True, p=None)
简介:若 a 为 int,从 0~a-1 中随机挑选 size 个数排列;若 a 为数组,则从此数组中随机挑选 size 个数排列。replace 表示是否允许元素重复
a=np.random.choice(10,7,replace=False) #a=[2 7 0 1 8 4 3] x=['a','b','c','d','e','f','g','h','i','j'] b=np.random.choice(x,5,replace=False) #b=['b' 'd' 'c' 'i' 'e']
4 全0与全1初始化
a=np.zeros(5,dtype='int32') #a=[0 0 0 0 0] b=np.zeros((2,3),dtype='int32') #b=[[0 0 0],[0 0 0]] c=np.ones(5,dtype='int32') #c=[1 1 1 1 1] d=np.ones((2,3),dtype='int32') #d=[[1 1 1],[1 1 1]]
5 等步长连续序列初始化
(1)np.arange(min,max,step=1)
简介:生成 [min,max) 之间步长为 step 的序列,步长默认为1
a=np.arange(2,6) #a=[2 3 4 5] b=np.arange(2,3,0.2) #b=[2. 2.2 2.4 2.6 2.8]
(2)np.linspace(min,max,num=50)
简介:生成 [min,max] 之间长度为num的序列,长度默认为50
a=np.linspace(6,8,5) #a=[6. 6.5 7. 7.5 8.] b=np.linspace(1,99) #b= #[1. 3. 5. 7. 9. 11. 13. 15. 17. 19. 21. 23. 25. 27. 29. 31. 33. 35. # 37. 39. 41. 43. 45. 47. 49. 51. 53. 55. 57. 59. 61. 63. 65. 67. 69. 71. # 73. 75. 77. 79. 81. 83. 85. 87. 89. 91. 93. 95. 97. 99.]
到此这篇关于浅谈numpy数组初始化的几种方法的文章就介绍到这了,更多相关numpy数组初始化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!