Python3NumPy——数组威尼斯wns.9778官网活动（1）之
开篇
numpy库作为科学计算的基础库，其地位相当重要，它是对数组操作的基石。它的存在使得线性代数以及矩阵论等相关知识在计算机上的表达更加方便与简单，集中体现出了人想办法，计算机去工作。
Python的numpy库的安装百度一下即可解决，部分Python3已将numpy库作为内置库，可以不安装。
我将不定期更新Python3NumPy库全系列文章，均以图解方式阐述，其目标让初学者入门简单，快速理解，读者可采用文章后的代码验证即可，也可根据介绍自己举一反三，达到融汇贯通的境界。
本系列文章集中在Numpy库，这也是为后续数据处理打下坚实的基础，适合零基础的数据处理的人员。
文章来源：Python数据分析
1导入模块库numpy
import numpy as np
目录：
参考学习资料：
- Python、NumPy和SciPy介绍：http://cs231n.github.io/python-numpy-tutorial
- NumPy和SciPy快速入门：https://docs.scipy.org/doc/numpy-dev/user/quickstart.html
- Python的数据分析: numpy和pandas入门：http://mp.weixin.qq.com/s/2GxvBC5WWRt8eT1JnVqx1w
2一维数组的简单创建
注：np.arange()直接可以根据参数生成一维数组。np.arange(起始, 终止, 步长)
1.ndarray的创建与数据类型
3二维数组的简单创建
注：np.array()可以根据参数对象（列表、元组等）生成数组。
1.Numpy（Numerical Python）
Numpy：提供了一个在Python中做科学计算的基础库，重在数值计算，主要用于多维数组（矩阵）处理的库。用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多。本身是由C语言开发，是个很基础的扩展，Python其余的科学计算扩展大部分都是以此为基础。
高性能科学计算和数据分析的基础包
ndarray，多维数组（矩阵），具有矢量运算能力，快速、节省空间
矩阵运算，无需循环，可完成类似Matlab中的矢量运算
线性代数、随机数生成
import numpy as np2.ndarray 多维数组(N Dimension Array)
NumPy数组是一个多维的数组对象（矩阵），称为ndarray，具有矢量算术运算能力和复杂的广播能力，并具有执行速度快和节省空间的特点。
注意：ndarray的下标从0开始，且数组里的所有元素必须是相同类型
3三维数组的创建-采用嵌套方案
ndarray拥有的属性
ndim属性：维度个数
shape属性：维度大小
dtype属性：数据类型
ndarray的随机创建
通过随机抽样 (numpy.random) 生成随机数据。
示例代码：
# 导入numpy，别名np
import numpy as np
# 生成指定维度大小（3行4列）的随机多维浮点型数据（二维），rand固定区间0.0 ~ 1.0
arr = np.random.rand(3, 4)
print(arr)
print(type(arr))
# 生成指定维度大小（3行4列）的随机多维整型数据（二维），randint()可以指定区间（-1, 5）
arr = np.random.randint(-1, 5, size = (3, 4)) # 'size='可省略
print(arr)
print(type(arr))
# 生成指定维度大小（3行4列）的随机多维浮点型数据（二维），uniform()可以指定区间（-1, 5）
arr = np.random.uniform(-1, 5, size = (3, 4)) # 'size='可省略
print(arr)
print(type(arr))
print('维度个数: ', arr.ndim)
print('维度大小: ', arr.shape)
print('数据类型: ', arr.dtype)
运行结果：
[[ 0.09371338 0.06273976 0.22748452 0.49557778]
[ 0.30840042 0.35659161 0.54995724 0.018144 ]
[ 0.94551493 0.70916088 0.58877255 0.90435672]]
<class 'numpy.ndarray'>
[[ 1 3 0 1]
[ 1 4 4 3]
[ 2 0 -1 -1]]
<class 'numpy.ndarray'>
[[ 2.25275308 1.67484038 -0.03161878 -0.44635706]
[ 1.35459097 1.66294159 2.47419548 -0.51144655]
[ 1.43987571 4.71505054 4.33634358 2.48202309]]
<class 'numpy.ndarray'>
维度个数: 2
维度大小: (3, 4)
数据类型: float64
4代码验证吧
>>> import numpy as np
>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a = np.arange(1,10)
>>> a
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a = np.arange(1,10,3)
>>> a
array([1, 4, 7])
>>> #2D
>>> M = np.array([[1,2],[3,4]]) #参数为列表
>>> M
array([[1, 2],
[3, 4]])
>>> M = np.array(([1,2],[3,4])) #参数为元组
>>> M
array([[1, 2],
[3, 4]])
>>> M = np.array(((1,2),(3,4))) #参数为元组
>>> M
array([[1, 2],
[3, 4]])
>>> M = np.array(((np.arange(3)), (np.arange(3))))
>>> M
array([[0, 1, 2],
[0, 1, 2]])
>>> M.shape
(2, 3)
>>> M = np.array(([np.arange(2)],[np.arange(3)]))
>>> M
array([[array([0, 1])],
[array([0, 1, 2])]], dtype=object)
>>> M.shape
(2, 1)
>>> #3D
>>> M = np.array(([np.arange(2)],[np.arange(2)]))
>>> M
array([[[0, 1]],
[[0, 1]]])
>>> M.shape
(2, 1, 2)
3.ndarray的序列创建
1. np.array(collection)
collection 为 序列型对象(list)、嵌套序列对象(list of list)。
示例代码：
# list序列转换为 ndarray
lis = range(10)
arr = np.array(lis)
print(arr) # ndarray数据
print(arr.ndim) # 维度个数
print(arr.shape) # 维度大小
# list of list嵌套序列转换为ndarray
lis_lis = [range(10), range(10)]
arr = np.array(lis_lis)
print(arr) # ndarray数据
print(arr.ndim) # 维度个数
print(arr.shape) # 维度大小
运行结果：
# list序列转换为 ndarray
[0 1 2 3 4 5 6 7 8 9]
1
(10,)
# list of list嵌套序列转换为 ndarray
[[0 1 2 3 4 5 6 7 8 9]
[0 1 2 3 4 5 6 7 8 9]]
2
(2, 10)
2. np.zeros()
指定大小的全0数组。注意：第一个参数是元组，用来指定大小，如(3, 4)。
3. np.ones()
指定大小的全1数组。注意：第一个参数是元组，用来指定大小，如(3, 4)。
4. np.empty()
初始化数组，不是总是返回全0，有时返回的是未初始的随机值（内存里的随机值）。
示例代码：
# np.zeros
zeros_arr = np.zeros((3, 4))
# np.ones
ones_arr = np.ones((2, 3))
# np.empty
empty_arr = np.empty((3, 3))
# np.empty 指定数据类型
empty_int_arr = np.empty((3, 3), int)
print('------zeros_arr-------')
print(zeros_arr)
print('n------ones_arr-------')
print(ones_arr)
print('n------empty_arr-------')
print(empty_arr)
print('n------empty_int_arr-------')
print(empty_int_arr)
运行结果：
------zeros_arr-------
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]]
------ones_arr-------
[[ 1. 1. 1.]
[ 1. 1. 1.]]
------empty_arr-------
[[ 0. 0. 0.]
[ 0. 0. 0.]
[ 0. 0. 0.]]
------empty_int_arr-------
[[0 0 0]
[0 0 0]
[0 0 0]]
5. np.arange() 和 reshape()
arange() 类似 python 的 range() ，创建一个一维 ndarray 数组。
reshape() 将 重新调整数组的维数。
示例代码：
# np.arange()
arr = np.arange(15) # 15个元素的 一维数组
print(arr)
print(arr.reshape(3, 5)) # 3x5个元素的 二维数组
print(arr.reshape(1, 3, 5)) # 1x3x5个元素的 三维数组
运行结果：
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
[[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]]
6. np.arange() 和 random.shuffle()
random.shuffle() 将打乱数组序列（类似于洗牌）。
示例代码：
arr = np.arange(15)
print(arr)
np.random.shuffle(arr)
print(arr)
print(arr.reshape(3,5))
运行结果：
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
[ 5 8 1 7 4 0 12 9 11 2 13 14 10 3 6]
[[ 5 8 1 7 4]
[ 0 12 9 11 2]
[13 14 10 3 6]]
本文由威尼斯wns.9778官网活动发布于计算机教程,转载请注明出处：Python3NumPy——数组威尼斯wns.9778官网活动（1）之
关键词：