python运算学习之Numpy ------ 认识数组、数组的创建

　　导入Numpy库，约定熟成的导入方式为 import numpy as np:

import numpy as np

print(np.__version__)

Out[1]：
　　1.14.3

创建数组：

　　创建常规数组，测试numpy的属性，如：ndim、shape、itemsize、size、data

arr_test = np.array([1, 2], dtype='f4')
print(arr_test)

arr_three = np.array(
    [
        [
            [1.2, 3.4, 5],
            [0.6, 0.9, 2.6]

        ],
        [
            [3.4, 5.6, 8.3],
            [2.0, 3.6, 5.3]
        ]
    ]
)
print("数组的维数：", arr_three.ndim)
print("数组的形状：", arr_three.shape)
print("数组每个元素占几个字节：", arr_three.itemsize)
print("数组的大小，即元素个数：", arr_three.size)
print("数组的缓冲区对象：", arr_three.data)
print(arr_three)

Out[2]:

　　[1. 2.]
　　数组的维数： 3
　　数组的形状： (2, 2, 3)
　　数组每个元素占几个字节： 8
　　数组的大小，即元素个数： 12
　　数组的缓冲区对象： <memory at 0x000001F33A60B138>
　　[[[1.2 3.4 5. ]
　　 [0.6 0.9 2.6]]

　　 [[3.4 5.6 8.3]
　　 [2. 3.6 5.3]]]

　　使用方法创建常见数组：如 zeros、ones、empty、zeros_like、ones_like、empty_like 等

arr_ones = np.ones((3, 3))  # ones(shape, dtype=None, order='C')
print(arr_ones)
arr_zero = np.zeros((3, 3), dtype='i8')
print(arr_zero)
arr_empty = np.empty((3, 3))
print(arr_empty)
print(arr_empty[0])
# 这里默认分配了全一数组，还需要初始化
print("="*40)
arr_zeros_like = np.zeros_like(arr_three)  # zeros_like(a, dtype=None, order='K', subok=True)
arr_ones_like = np.ones_like(arr_zero, dtype='i8')
arr_empty_like = np.empty_like(arr_zero)  # 按照arr_zero的大小对应生成一个空的数组
print(arr_zeros_like, '
', arr_ones_like, '
', arr_empty_like)

Out[3]:

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

　　 [[0. 0. 0.]
　　  [0. 0. 0.]]]
　　[[1 1 1]
　　 [1 1 1]
　　 [1 1 1]]
　　[[4607182418800017408 4607182418800017408 4607182418800017408]
　　 [4607182418800017408 4607182418800017408 4607182418800017408]
　　 [4607182418800017408 4607182418800017408 4607182418800017408]]

　　创建一个序列数组：方法有：arange、logspace 等

# 生成数值序列的数组，类似于python中的range
n_1 = np.arange(0, 10)  # arange(start=None, stop=None, step=None, dtype=None)
print(n_1)  # stop是取不到的，牢记左闭右开
n_2 = np.arange(0, 10, .6)
print(n_2)
n_3 = np.linspace(0, 10, 5)  # 等差数组linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
print(n_3)
n_4 = np.logspace(0, 10, 5)  # 表示10^0到10^10之间等比的取5个数。logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
print(n_4)  # 等比数组
n_5 = np.logspace(0, 1, 5, base=2)  # 表示2^0到2^1之间等比的取5个数。base=np.e 表示以e为低。
print(n_5)
# 将列表转化为数组
a_list = [1, 2, 3]
a_arr = np.array(a_list)
print(type(a_arr))

Out[4]:

　　[0 1 2 3 4 5 6 7 8 9]
　　[0. 0.6 1.2 1.8 2.4 3. 3.6 4.2 4.8 5.4 6. 6.6 7.2 7.8 8.4 9. 9.6]
　　[ 0. 2.5 5. 7.5 10. ]
　　[1.00000000e+00 3.16227766e+02 1.00000000e+05 3.16227766e+07
　　 1.00000000e+10]
　　[1. 1.18920712 1.41421356 1.68179283 2. ]
　　<class 'numpy.ndarray'>

　　随机数生成：

arr_random = np.random.random(3)
print(arr_random, type(arr_random))
arr_randint = np.random.randint(2)
print(arr_randint, type(arr_randint))
# 注意np.random里面有很多随机数生成的方法，如卡方分布，伽马分布等等
Out[5]:

　　[0.45389402 0.29585506 0.17442431] <class 'numpy.ndarray'>
　　1 <class 'int'>

　　数组生成方法 np.tile(A, reps) :

# 根据一个数组a，生成一个全a的新数组
a = np.arange(0, 10, 3)
print(a)
b = np.tile(a, (2, 2))  # tile(A, reps)
print(b)
Out[6]:

　　[0 3 6 9]
　　[[0 3 6 9 0 3 6 9]
　　 [0 3 6 9 0 3 6 9]]

　　上面的结果用红色进行了区分，很明显如果将0 3 6 9看作一个整体，那么数组是的2*2的一个2维数组。

　　将字符串、bytes数据导入数组：

# 导入字符串、bytes数据
print(np.fromstring("abcdef", dtype=np.int8))
s = b"abcdef"
arr_s = np.frombuffer(s, dtype=np.int8)
print(arr_s, type(arr_s))  # 输出的是对应的ascii值组成的一维数组
Out[7]:
　　 [ 97  98  99 100 101 102]
　　 [ 97  98  99 100 101 102] <class 'numpy.ndarray'>

　　从文件中导入数据用：np.fromfile()，经测试很不好用，以后再看有上面更好的方法。

　　根据矩阵的行号列号生成矩阵的元素，方法为 np.fromfunction()：

def func(i, j):
    return i + j
test = np.fromfunction(func, (3, 3))  # fromfunction(function, shape, **kwargs)
print(test)
Out[8]:
[[0. 1. 2.]
 [1. 2. 3.]
 [2. 3. 4.]]