NumPy 数组

创建 NumPy ndarray 对象

NumPy 用于处理数组。 NumPy 中的数组对象称为 ndarray

可以使用 array() 函数创建一个 NumPy ndarray 对象。

  1. import numpy as np
  2. arr = np.array([1, 2, 3, 4, 5])
  3. print(arr)
  4. print(type(arr))

type(): 这个内置的 Python 函数告诉我们传递给它的对象的类型。像上面的代码一样,它表明 arrnumpy.ndarray 类型。

要创建 ndarray,我们可以将列表、元组或任何类似数组的对象传递给 array() 方法,然后它将被转换为 ndarray

使用元组创建 NumPy 数组:

  1. import numpy as np
  2. arr = np.array((1, 2, 3, 4, 5))
  3. print(arr)

数组中的维

数组中的维是数组深度(嵌套数组)的一个级别。

嵌套数组:指的是将数组作为元素的数组。


0-D 数组

0-D 数组,或标量(Scalars),是数组中的元素。数组中的每个值都是一个 0-D 数组。

用值 61 创建 0-D 数组:

  1. import numpy as np
  2. arr = np.array(61)
  3. print(arr)

1-D 数组

其元素为 0-D 数组的数组,称为一维或 1-D 数组。

这是最常见和基础的数组。

实例

创建包含值 1、2、3、4、5、6 的 1-D 数组:

  1. import numpy as np
  2. arr = np.array([1, 2, 3, 4, 5, 6])
  3. print(arr)

2-D 数组

其元素为 1-D 数组的数组,称为 2-D 数组。

它们通常用于表示矩阵或二阶张量。

NumPy 有一个专门用于矩阵运算的完整子模块 numpy.mat

创建包含值 1、2、3 和 4、5、6 两个数组的 2-D 数组:

  1. import numpy as np
  2. arr = np.array([[1, 2, 3], [4, 5, 6]])
  3. print(arr)

3-D 数组

其元素为 2-D 数组的数组,称为 3-D 数组。

用两个 2-D 数组创建一个 3-D 数组,这两个数组均包含值 1、2、3 和 4、5、6 的两个数组:

  1. import numpy as np
  2. arr = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])
  3. print(arr)

检查维数?

NumPy 数组提供了 ndim 属性,该属性返回一个整数,该整数会告诉我们数组有多少维。

检查数组有多少维:

  1. import numpy as np
  2. a = np.array(42)
  3. b = np.array([1, 2, 3, 4, 5])
  4. c = np.array([[1, 2, 3], [4, 5, 6]])
  5. d = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])
  6. print(a.ndim)
  7. print(b.ndim)
  8. print(c.ndim)
  9. print(d.ndim)

更高维的数组

数组可以拥有任意数量的维。

在创建数组时,可以使用 ndmin 参数定义维数。

创建一个有 5 个维度的数组,并验证它拥有 5 个维度:

  1. import numpy as np
  2. arr = np.array([1, 2, 3, 4], ndmin=5)
  3. print(arr)
  4. print('number of dimensions :', arr.ndim)

在此数组中,最里面的维度(第 5 个 dim)有 4 个元素,第 4 个 dim 有 1 个元素作为向量,第 3 个 dim 具有 1 个元素是与向量的矩阵,第 2 个 dim 有 1 个元素是 3D 数组,而第 1 个 dim 有 1 个元素,该元素是 4D 数组。