NumPy 数组对象

# 来源：NumPy Essentials ch2

数组索引和切片

# 创建 100x100 个 0~1 随机数x = np.random.random((100, 100)) # 取第 42 行 87 列的元素（从零开始）y = x[42, 87]# 取第 k 行的所有元素# 等价于 x[k] 和 x[k, ...]print(x[k, :]) a = np.array([[10 * y + x for x in range(6)] for y in range(6)])'''+--+--+--+--+--+--+| 0| 1| 2| 3| 4| 5|+--+--+--+--+--+--+|10|11|12|13|14|15|+--+--+--+--+--+--+|20|21|22|23|24|25|+--+--+--+--+--+--+|30|31|32|33|34|35|+--+--+--+--+--+--+|40|41|42|43|44|45|+--+--+--+--+--+--+|50|51|52|53|54|55|+--+--+--+--+--+--+'''a[0, 3:5]'''array([3, 4])+--+--+--+--+--+--+|  |  |  | 3| 4|  |+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+'''a[4: ,4:]'''array([[44, 45],       [54, 55]])+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+|  |  |  |  |44|45|+--+--+--+--+--+--+|  |  |  |  |54|55|+--+--+--+--+--+--+'''a[:, 2]'''array([ 2, 12, 22, 32, 42, 52])+--+--+--+--+--+--+|  |  | 2|  |  |  |+--+--+--+--+--+--+|  |  |12|  |  |  |+--+--+--+--+--+--+|  |  |22|  |  |  |+--+--+--+--+--+--+|  |  |32|  |  |  |+--+--+--+--+--+--+|  |  |42|  |  |  |+--+--+--+--+--+--+|  |  |52|  |  |  |+--+--+--+--+--+--+'''a[2::2, ::2]'''array([[20, 22, 24],       [40, 42, 44]])+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+|20|  |22|  |  |24|+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+|40|  |42|  |  |44|+--+--+--+--+--+--+|  |  |  |  |  |  |+--+--+--+--+--+--+'''

内存布局

# flags 属性保存了数组的内存布局信息print x.flags'''  C_CONTIGUOUS : True   F_CONTIGUOUS : False   OWNDATA : True   WRITEABLE : True   ALIGNED : True   UPDATEIFCOPY : False C_CONTIGUOUS：是否为 C 风格连续，也就是行为主，最后一个维度是连续的F_CONTIGUOUS：是否为 F 风格连续，也就是列为主，第一个维度是连续的OWNDATA：是否拥有数据，视图不拥有数据WRITEABLE：是否可写ALIGNED：是否对齐UPDATEIFCOPY：'''# NumPy 默认是 C 风格连续c_array = np.random.rand(10000, 10000) # 可以手动转换为 F 风格连续f_array = np.asfortranarray(c_array) def sum_row(x):    '''    计算第零行的和    '''    return np.sum(x[0, :])def sum_col(x):    '''    计算第零列的和    '''    return np.sum(x[:, 0])'''我们可以看到，C 风格数组按行访问比较快F 风格数组按列访问比较快%timeit sum_row(c_array) 10000 loops, best of 3: 21.2 µs per loop %timeit sum_row(f_array) 10000 loops, best of 3: 157 µs per loop %timeit sum_col(c_array) 10000 loops, best of 3: 162 µs per loop %timeit sum_col(f_array) 10000 loops, best of 3: 21.4 µs per loop '''

副本和视图

# 视图不共享 NumPy 对象，共享底层数据# 副本不共享 NumPy 对象，不共享底层数据x = np.random.rand(100,10)# 切片和索引都会产生视图# 而不是副本y = x[:5, :] # 看看底层内存是否一致np.may_share_memory(x, y)# True# 我们将 y 所有元素清零y[:] = 0# 并打印 x 前 5 行print(x[:5, :])'''[[ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]  [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]  [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]  [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]  [ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.]] '''# 但是这样不会产生视图x = np.random.rand(100,10)y = np.empty([5, 10])y[:] = x[:5, :]np.may_share_memory(x, y)# False y[:] = 0 print(x[:5, :])

数组创建

# 最简单的方式就是从 Python 列表创建 NumPy 数组x = np.array([1, 2, 3])y = np.array(['hello', 'world']) # 但有时我们想创建范围内的数值数组x = range(5)y = np.array(x) # NumPy 有个辅助函数# 等价于上面的操作x = np.arange(5) # 多维数组也是一样的x = np.array([[1, 2, 3],[4, 5, 6]]) x.ndim # 2x.shape # (2, 3)# rand 创建指定形状的数组，元素为 0~1 的随机数x = np.random.rand(2, 2, 2) print(x.shape) # (2, 2, 2)# random 和 rand 相似# 只是接受元组形式的形状shape_tuple = (2, 3, 4) y = np.random.random(shape_tuple)print(y.shape) # (2, 3, 4) # randint(l, h, size=sz) 创建 l ~ h-1 的随机整数# 默认是 10 个LOW, HIGH = 1, 11 SIZE = 10x = np.random.randint(LOW, HIGH, size=SIZE) print(x) [ 6  9 10  7  9  5  8  8  9  3] # 还有一些其它的创建函数# zeros(size) 和 ones(size) 创建指定形状的全零或全一数组# eye(n) 创建 n 维单位矩阵# full(size, n) 创建指定形状的纯量数组，所有元素都为 n

数据类型

x = np.random.random((10,10)) # dtype 属性是数据类型x.dtype # dtype('float64') x = np.array(range(10)) x.dtype # dtype('int32') x = np.array(['hello', 'world']) x.dtype # dtype('S5') # 创建数组时可以指定数据类型# 我们可以传入 NumPy 类型x = np.ones((10, 10), dtype=np.int) x.dtype # dtype('int32') # 也可以传入表示类型的字符串x = np.zeros((10, 10), dtype='|S1')x.dtype # dtype('S1') # NumPy 会使用它们来构造 dtype# 完整列表请见# http://docs.scipy.org/doc/numpy/user/basics.types.html