python内置array模块，与numpy中的array和list之间的转换

numpy中matrix类型与array类型的转换

如何让

 M = matrix([[1], [2], [3], [4]])

如何转变为

array([1, 2, 3, 4])

比较优雅的办法：

x=matrix(arange(12).reshape((3,4)))>>> xmatrix([[ 0,  1,  2,  3],        [ 4,  5,  6,  7],        [ 8,  9, 10, 11]])>>> x.getA1()array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])>>> x.getA()array([[ 0,  1,  2,  3],       [ 4,  5,  6,  7],       [ 8,  9, 10, 11]])

注意getA函数与getA1函数的区别

python内置array模块

这个模块定义了一个对象类型，用以表示一些基础变量构成的列表，包括字符，整数，浮点数，Array是序列类型，使用起来与list十分接近，但是存储的变量类型只能是一种，所以方便高效的数值运算。可以使用type code在创建array时指定内部变量的类型，type code定义如下表：

Type code C Type Python Type Minimum size in bytes Notes ‘b’ signed char int 1 ‘B’ unsigned char int 1 ‘u’ Py_UNICODE Unicode character 2 (1) ‘h’ signed short int 2 ‘H’ unsigned short int 2 ‘i’ signed int int 2 ‘I’ unsigned int int 2 ‘l’ signed long int 4 ‘L’ unsigned long int 4 ‘q’ signed long long int 8 (2) ‘Q’ unsigned long long int 8 (2) ‘f’ float float 4 ‘d’ double float 8

注意：
1.u类型长度与平台有关，有可能16bits或32bits，此类型将会在python4.0中被移除
2.q或Q类型只能在C编译器支持long long类型中使用

此模块定义了如下类型：
class array.array(typecode[, initializer])

typecode限制了array的类型，initializer为可选项，终于初始化，这个参数必须是一个列表，一个类似于字节的对象，或者对适当类型的元素进行迭代的迭代器。
如果给定一个列表或字符串，那么初始化器就会被传递给新的数组的fromlist()、frombytes()或fromunicode()方法(见下面)，并将初始项添加到数组中。否则，迭代初始化器将被传递给扩展()方法。

具有添加删除切片等方法，详见：
python之array模块

numpy中的array

更清晰的一些教程：
NumPy的详细教程–作者：chesian
更为亲民一些的内置函数整理：
numpy中常用的一些内置函数：

创建：

array的创建：参数既可以是list，也可以是元组.使用对应的属性shape直接得到形状
a=np.array((1,2,3,4,5))# 参数是元组
b=np.array([6,7,8,9,0])# 参数是list
c=np.array([[1,2,3],[4,5,6]])# 参数二维数组
print a,b,
c.shape()

也可以直接改变属性array的形状，-1代表的是自己推算。这里并不是T, reshape(())也可以

c = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])  c.shape # (3L, 4L)  c.shape=4,-1   //c.reshape((2,-1))  c    

<pre style="box-sizing: border-box; overflow: auto; font-size: 14px; padding: 0px; margin-top: 0px; margin-bottom: 0px; line-height: 17.0001px; word-break: break-all; word-wrap: break-word; border: 0px; border-radius: 0px; white-space: pre-wrap; vertical-align: baseline; background-color: rgb(255, 255, 255);">array([[ 1,  2,  3],         [ 4,  4,  5],         [ 6,  7,  7],         [ 8,  9, 10]])  

这里的reshape最终相当于是一个浅拷贝，也就是说还是和原来的数据使用相同的内存空间

d=c.reshape((2,-1))  d[1:2]=100  c  

array([[ 1, 2, 3],
[ 4, 4, 5],
[100, 100, 100],
[100, 100, 100]])

前面在创建数组的时候并没有使用数据类型，这里我们也可以使用数据类型。默认的是int32.

a1=np.array([[1,2,3],[4,5,6]],dtype=np.float64)  print a1.dtype,a.dtype  #float64 int32<pre style="margin-top: 0px; margin-bottom: 0px; line-height: 17.0001px; box-sizing: border-box; overflow: auto; font-size: 14px; padding: 0px; word-break: break-all; word-wrap: break-word; border: 0px; border-radius: 0px; white-space: pre-wrap; vertical-align: baseline; background-color: rgb(255, 255, 255);">  

前面在创建的时候我们都是使用的np.array()方法从tuple或者list转换成为array，感觉很是费劲，numpy自己提供了很多的方法让我们自己直接创建一个array.

arr1=np.arange(1,10,1) #   arr2=np.linspace(1,10,10)  print arr1,arr1.dtype  print arr2,arr2.dtype  

[1 2 3 4 5 6 7 8 9] int32
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.] float64

np.arange(a,b,c)表示产生从a-b不包括b，间隔为c的一个array，数据类型默认是int32。但是linspace(a,b,c)表示的是把a-b平均分成c分，它包括b。
有时候我们需要对于每一个元素的坐标进行赋予不同的数值，可以使用fromfunction函数

def fun(i):      return i%4+2  np.fromfunction(fun,(10,))  

array([ 2., 3., 4., 5., 2., 3., 4., 5., 2., 3.])

fromfunction必须支持多维数组，所以他的第二个参数必须是一个tuple，只能是(10,),(10)是错误的。

def fun2(i,j):      return (i+1)*(j+1)  np.fromfunction(fun2,(9,9))  

array([[ 1., 2., 3., 4., 5., 6., 7., 8., 9.],
[ 2., 4., 6., 8., 10., 12., 14., 16., 18.],
[ 3., 6., 9., 12., 15., 18., 21., 24., 27.],
[ 4., 8., 12., 16., 20., 24., 28., 32., 36.],
[ 5., 10., 15., 20., 25., 30., 35., 40., 45.],
[ 6., 12., 18., 24., 30., 36., 42., 48., 54.],
[ 7., 14., 21., 28., 35., 42., 49., 56., 63.],
[ 8., 16., 24., 32., 40., 48., 56., 64., 72.],
[ 9., 18., 27., 36., 45., 54., 63., 72., 81.]])

虽然说，这里提供了很多的直接产生array的方式，但是大部分情况我们都是会从list进行转换，因为在实际的处理中，我们需要从txt加载文件，那样直接读入的数据显示存放到list中，需要处理的时候我们转换到array,因为
array的设计更加符合我们的使用，涉及到矩阵的运算在使用mat，那么list主要就是用进行元素的索取。

def loaddataSet(fileName):        file=open(fileName)        dataMat=[]  //      for line in file.readlines():            curLine=line.strip().split('\t')            floatLine=map(float,curLine)//这里使用的是map函数直接把数据转化成为float类型            dataMat.append(floatLine)        return dataMat    

上面的函数返回最终的数据就是最初的list数据集，再根据不同的处理需求是转化到array还是mat。其实array是mat的父类，能用mat的地方，array理论上都能传入。

元素访问：

arr[5] #5  arr[3:5] #array([3, 4])  arr[:5] #array([0, 1, 2, 3, 4])  arr[:-1]# array([0, 1, 2, 3, 4, 5, 6, 7, 8])  arr[:] #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])  arr[2:4]=100 # array([  0,   1, 100, 100,   4,   5,   6,   7,   8,   9])  arr[1:-1:2] #array([  1, 100,   5,   7]) 2 是间隔  arr[::-1] #array([  9,   8,   7,   6,   5,   4, 100, 100,   1,   0])   arr[5:2:-1]# -1的间隔表示从右向左所以5>2  #array([  5,   4, 100])  

上面是array的一维数组的访问方式，我们再来看看二维的处理方式

print c[1:2]#  c[1:2].shape-->(1L, 3L)  print c[1:2][0]  # shape-->(3L,)  

[[4 4 5]]
[4 4 5]

print c[1]  print c[1:2]  

[4 4 5]
[[4 4 5]]

print c[1][2]  print c[1:4]  print c[1:4][0][2]  

5
[[ 4 4 5]
[100 100 100]
[100 100 100]]
5

可以看出对于有:的表达最终的结果外面还嵌套一层list的[]，。访问的一定要注意，python最bug的就是，语法灵活，不管怎样写索引语法都是正确的，但是最终的结果却让你大跌眼镜。

还有array的索引最终产生的是一个一个原始数据的浅拷贝，还和原来的数据共用一块儿内存

b=arr[1:6]  b[:3]=0  arr  #<pre style="box-sizing: border-box; overflow: auto; font-size: 14px; padding: 0px; margin-top: 0px; margin-bottom: 0px; line-height: 17.0001px; word-break: break-all; word-wrap: break-word; border: 0px; border-radius: 0px; white-space: pre-wrap; vertical-align: baseline; background-color: rgb(255, 255, 255);">array([0, 0, 0, 0, 4, 5, 6, 7, 8, 9])  

产生上面的原因是因为array中直接存放的数据，拷贝的话直接拿走的是pointer，没有取走数据，但是list却会直接发生深拷贝，数据指针全部带走

list1=list(c)  list1[1]=0  list1  #上面修改的0并没有被改变  

[array([1, 2, 3]), 0, array([100, 100, 100]), array([100, 100, 100])]

除了这些之外还有自己的更加牛掰的方式（只能用array)
1）使用布尔数组.感觉甚是强大，就不要自己写什么判断语句啦，注意这种方式得到结果不和原始数组共享空间。布尔索引仅仅适用于数组array，list没资格用。布尔索引最终得到下标索引为true的数据。索引只能是布尔数组

a=np.array(a*2)  a>5  a[a>5]  #   array([16, 32, 48, 64, 80, 16, 32, 48, 64, 80])

2)列表索引

列表索引可以是数组和list。返回的数据不和原来的数据共享内存。索引可以是list和array

x=np.arange(10)  index=[1,2,3,4,5]  arr_index=np.array(index)  print x  print x[index]  # list索引  print x[arr_index]  # array索引  

[0 1 2 3 4 5 6 7 8 9]
[1 2 3 4 5]
[1 2 3 4 5]

array和list区别*2

a=np.arange(10)  lista=list(a)  print a*2  print lista*2  

[ 0 2 4 6 8 10 12 14 16 18]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

array的广播

a = np.arange(0, 60, 10).reshape(-1, 1)  b = np.arange(0, 5)  print a  print b  [[ 0] [10] [20] [30] [40] [50]][0 1 2 3 4]

print np.add(a,b,c)  [[ 0  1  2  3  4] [10 11 12 13 14] [20 21 22 23 24] [30 31 32 33 34] [40 41 42 43 44] [50 51 52 53 54]]