NumPy之:ndarray多维数组操作-低调大师

NumPy之:ndarray多维数组操作

2021-05-19 448

简介

NumPy一个非常重要的作用就是可以进行多维数组的操作，多维数组对象也叫做ndarray。我们可以在ndarray的基础上进行一系列复杂的数学运算。

本文将会介绍一些基本常见的ndarray操作，大家可以在数据分析中使用。

创建ndarray

创建ndarray有很多种方法，我们可以使用np.random来随机生成数据：

import numpy as np# Generate some random datadata = np.random.randn(2, 3)data

array([[ 0.0929,  0.2817,  0.769 ],
       [ 1.2464,  1.0072, -1.2962]])

除了随机创建之外，还可以从list中创建：

data1 = [6, 7.5, 8, 0, 1]
arr1 = np.array(data1)

array([6. , 7.5, 8. , 0. , 1. ])

从list中创建多维数组：

data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]
arr2 = np.array(data2)

array([[1, 2, 3, 4],
       [5, 6, 7, 8]])

使用np.zeros创建初始值为0的数组：

np.zeros(10)
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

创建2维数组：

np.zeros((3, 6))

array([[0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0.]])

使用empty创建3维数组：

np.empty((2, 3, 2))

array([[[0., 0.],
        [0., 0.],
        [0., 0.]],

       [[0., 0.],
        [0., 0.],
        [0., 0.]]])

注意，这里我们看到empty创建的数组值为0，其实并不是一定的，empty会从内存中随机挑选空间来返回，并不能保证这些空间中没有值。所以我们在使用empty创建数组之后，在使用之前，还要记得初始化他们。

使用arange创建范围类的数组：

np.arange(15)

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

指定数组中元素的dtype：

arr1 = np.array([1, 2, 3], dtype=np.float64)
arr2 = np.array([1, 2, 3], dtype=np.int32)

ndarray的属性

可以通过data.shape获得数组的形状。

data.shape(2, 3)

通过ndim获取维数信息：

arr2.ndim
2

可以通过data.dtype获得具体的数据类型。

data.dtype
dtype('float64')

ndarray中元素的类型转换

在创建好一个类型的ndarray之后，还可以对其进行转换：

arr = np.array([1, 2, 3, 4, 5])
arr.dtype
dtype('int64')

float_arr = arr.astype(np.float64)
float_arr.dtype
dtype('float64')

上面我们使用astype将int64类型的ndarray转换成了float64类型的。

如果转换类型的范围不匹配，则会自动进行截断操作：

arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])
arr.astype(np.int32)

array([ 3, -1, -2,  0, 12, 10], dtype=int32)

注意，这里是把小数截断，并没有向上或者向下取整。

ndarray的数学运算

数组可以和常量进行运算，也可以和数组进行运算：

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

arr * arr

array([[ 1.,  4.,  9.],
       [16., 25., 36.]])

arr + 10

array([[11., 12., 13.],
       [14., 15., 16.]])

arr - arr

array([[0., 0., 0.],
       [0., 0., 0.]])

1 / arr

array([[1.    , 0.5   , 0.3333],
       [0.25  , 0.2   , 0.1667]])

arr ** 0.5

array([[1.    , 1.4142, 1.7321],
       [2.    , 2.2361, 2.4495]])

数组之间还可以进行比较，比较的是数组中每个元素的大小：

arr2 = np.array([[0., 4., 1.], [7., 2., 12.]])

arr2 > arr

array([[False,  True, False],
       [ True, False,  True]])

index和切片

基本使用

先看下index和切片的基本使用，index基本上和普通数组的使用方式是一样的，用来访问数组中某一个元素。

切片要注意的是切片后返回的数组中的元素是原数组中元素的引用，修改切片的数组会影响到原数组。

# 构建一维数组
arr = np.arange(10)

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

# index访问
arr[5]
5

# 切片访问
arr[5:8]
array([5, 6, 7])

# 切片修改
arr[5:8] = 12
array([ 0,  1,  2,  3,  4, 12, 12, 12,  8,  9])

# 切片可以修改原数组的值
arr_slice = arr[5:8]
arr_slice[1] = 12345
arr

array([    0,     1,     2,     3,     4,    12, 12345,    12,     8,
           9])

# 构建二维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
arr2d[2]

array([7, 8, 9])

# index 二维数组
arr2d[0][2]
3

# index二维数组
arr2d[0, 2]
3

# 构建三维数组
arr3d = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
arr3d

array([[[ 1,  2,  3],
        [ 4,  5,  6]],

       [[ 7,  8,  9],
        [10, 11, 12]]])

# index三维数组
arr3d[0]

array([[1, 2, 3],
       [4, 5, 6]])

# copy是硬拷贝，和原数组的值相互不影响
old_values = arr3d[0].copy()
arr3d[0] = 42

arr3d

array([[[42, 42, 42],
        [42, 42, 42]],

       [[ 7,  8,  9],
        [10, 11, 12]]])

arr3d[0] = old_values
arr3d

array([[[ 1,  2,  3],
        [ 4,  5,  6]],

       [[ 7,  8,  9],
        [10, 11, 12]]])

# index 三维数组
arr3d[1, 0]

array([7, 8, 9])

x = arr3d[1]
x

array([[ 7,  8,  9],
       [10, 11, 12]])

x[0]

array([7, 8, 9])

index with slice

slice还可以作为index使用，作为index使用表示的就是一个index范围值。

作为index表示的slice可以有多种形式。

有头有尾的，表示index从1开始到6-1结束：

arr[1:6]

array([ 1,  2,  3,  4, 64])

无头有尾的，表示index从0开始，到尾-1结束：

arr2d[:2]

array([[1, 2, 3],
       [4, 5, 6]])

有头无尾的，表示从头开始，到所有的数据结束：

arr2d[:2, 1:]

array([[2, 3],
       [5, 6]])

arr2d[1, :2]

array([4, 5])

boolean index

index还可以使用boolean值，表示是否选择这一个index的数据。

我们先看下怎么构建一个boolean类型的数组：

names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])
names == 'Bob'

array([ True, False, False,  True, False, False, False])

上面我们通过比较的方式返回了一个只包含True和False的数组。

这个数组可以作为index值来访问数组：

#  构建一个7 * 4 的数组
data = np.random.randn(7, 4)

array([[ 0.275 ,  0.2289,  1.3529,  0.8864],
       [-2.0016, -0.3718,  1.669 , -0.4386],
       [-0.5397,  0.477 ,  3.2489, -1.0212],
       [-0.5771,  0.1241,  0.3026,  0.5238],
       [ 0.0009,  1.3438, -0.7135, -0.8312],
       [-2.3702, -1.8608, -0.8608,  0.5601],
       [-1.2659,  0.1198, -1.0635,  0.3329]])

# 通过boolean数组来访问：
data[names == 'Bob']
array([[ 0.275 ,  0.2289,  1.3529,  0.8864],
       [-0.5771,  0.1241,  0.3026,  0.5238]])

在索引行的时候，还可以索引列：

data[names == 'Bob', 3]
array([0.8864, 0.5238])

可以用 ~符号来取反：

data[~(names == 'Bob')]
array([[-2.0016, -0.3718,  1.669 , -0.4386],
       [-0.5397,  0.477 ,  3.2489, -1.0212],
       [ 0.0009,  1.3438, -0.7135, -0.8312],
       [-2.3702, -1.8608, -0.8608,  0.5601],
       [-1.2659,  0.1198, -1.0635,  0.3329]])

我们可以通过布尔型数组设置值，在实际的项目中非常有用：

data[data < 0] = 0
array([[0.275 , 0.2289, 1.3529, 0.8864],
       [0.    , 0.    , 1.669 , 0.    ],
       [0.    , 0.477 , 3.2489, 0.    ],
       [0.    , 0.1241, 0.3026, 0.5238],
       [0.0009, 1.3438, 0.    , 0.    ],
       [0.    , 0.    , 0.    , 0.5601],
       [0.    , 0.1198, 0.    , 0.3329]])

data[names != 'Joe'] = 7
array([[7.    , 7.    , 7.    , 7.    ],
       [0.    , 0.    , 1.669 , 0.    ],
       [7.    , 7.    , 7.    , 7.    ],
       [7.    , 7.    , 7.    , 7.    ],
       [7.    , 7.    , 7.    , 7.    ],
       [0.    , 0.    , 0.    , 0.5601],
       [0.    , 0.1198, 0.    , 0.3329]])

Fancy indexing

Fancy indexing也叫做花式索引，它是指使用一个整数数组来进行索引。

举个例子，我们先创建一个 8 * 4的数组：

arr = np.empty((8, 4))
for i in range(8):
    arr[i] = i
arr

array([[0., 0., 0., 0.],
       [1., 1., 1., 1.],
       [2., 2., 2., 2.],
       [3., 3., 3., 3.],
       [4., 4., 4., 4.],
       [5., 5., 5., 5.],
       [6., 6., 6., 6.],
       [7., 7., 7., 7.]])

然后使用一个整数数组来索引，那么将会以指定的顺序来选择行：

arr[[4, 3, 0, 6]]
array([[4., 4., 4., 4.],
       [3., 3., 3., 3.],
       [0., 0., 0., 0.],
       [6., 6., 6., 6.]])

还可以使用负值来索引：

arr[[-3, -5, -7]]

array([[5., 5., 5., 5.],
       [3., 3., 3., 3.],
       [1., 1., 1., 1.]])

花式索引还可以组合来使用：

arr = np.arange(32).reshape((8, 4))
arr

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23],
       [24, 25, 26, 27],
       [28, 29, 30, 31]])

上面我们构建了一个8 * 4的数组。

arr[[1, 5, 7, 2], [0, 3, 1, 2]]

array([ 4, 23, 29, 10])

然后取他们的第2列的第一个值，第6列的第三个值等等。最后得到一个1维的数组。

数组变换

我们可以在不同维度的数组之间进行变换，还可以转换数组的轴。

reshape方法可以将数组转换成为任意的形状：

arr = np.arange(15).reshape((3, 5))
arr

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

数组还提供了一个T命令，可以将数组的轴进行对调：

arr.T

array([[ 0,  5, 10],
       [ 1,  6, 11],
       [ 2,  7, 12],
       [ 3,  8, 13],
       [ 4,  9, 14]])

对于高维数组，可以使用transpose来进行轴的转置：

arr = np.arange(16).reshape((2, 2, 4))
arr
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])

arr.transpose((1, 0, 2))

array([[[ 0,  1,  2,  3],
        [ 8,  9, 10, 11]],

       [[ 4,  5,  6,  7],
        [12, 13, 14, 15]]])

上面的transpose((1, 0, 2)) 怎么理解呢？

其含义是将x，y轴对调，z轴保持不变。

上面我们通过使用reshape((2, 2, 4))方法创建了一个3维，也就是3个轴的数组。其shape是 2 * 2 * 4 。

先看下对应关系：

（0，0）-》 [ 0, 1, 2, 3]

（0，1）-》 [ 4, 5, 6, 7]

（1，0）-》 [ 8, 9, 10, 11]

（1，1）-》 [12, 13, 14, 15]

转换之后：

（0，0）-》 [ 0, 1, 2, 3]

（0，1）-》 [ 8, 9, 10, 11]

（1，0）-》[ 4, 5, 6, 7]

（1，1）-》 [12, 13, 14, 15]

于是得到了我们上面的的结果。

多维数组的轴转换可能比较复杂，大家多多理解。

还可以使用 swapaxes 来交换两个轴，上面的例子可以重写为：

arr.swapaxes(0,1)

本文已收录于 http://www.flydean.com/09-python-numpy-ndarray/

最通俗的解读，最深刻的干货，最简洁的教程，众多你不知道的小技巧等你来发现！

欢迎关注我的公众号:「程序那些事」,懂技术，更懂你！

微信关注我们

原文链接：https://blog.51cto.com/u_11256213/2785133

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

终于不用愁了，GitHub 上的这些面试题项目我给你找好了。

大家好，我是 JackTian。又到了一年一度的金三银四，每次总能听到一些读者的反馈，问：有没有关于 xxx 的面试题，索性就把我所收集的 GitHub 上关于面试题的项目分享给大家。这些面试题的开源项目覆盖领域广泛，内容丰富，是非常值得大家在面试前复习功课的资源。以下所推荐的 27 个开源项目主要做了个描述以及通过思维导图的方式将每个项目进一步的拆解，方便大家能第一时间了解该开源项目主要所包含哪方面的面试题知识点，从而提高查阅的效率，希望对你有所帮助。 awesome-interview-questions 该开源项目主要包括内容：编程语言/框架/平台、数据库技术、缓存技术、操作系统、数据结构与算法、区块链、编码练习、综合清单、设计模式、网路、安全、数据科学等，而且每个模块中所罗列出来的面试题清单大部分都是有答案的。 GitHub 地址：https://github.com/DopplerHQ/awesome-interview-questions interview_python 该开源项目是关于 Python 的面试题，但不止 Python，还涵盖了 Python 语言特性...

2021-05-19

738

C# 如何实现网络通信，方法有很多就不一一介绍了。此处使用C#的Fleck来实现。一、Fleck是什么？它的作用是什么，可以实现什么？ 1、Fleck是一个用C#实现的WebSocket服务器,256K小而精，功能强大。2、从Nugget项目分支，Fleck不需要继承、容器或其他引用。需要注意的是：Fleck不依赖HttpListener或HTTP.sys，这意味着它将在Windows7和Server2008主机上工作。首先创建一个工程项目SynView，在NuGet下载Fleck,Fleck大小只有256K. 下载完成之后，此时项目中已经引入Fleck。引入命名空间： //开启debug日志信息提示 FleckLog.Level=LogLevel.Debug; 根据需求实例化，开启之后会有详细的运行，错误等信息提示。下面是一个向客户机响应的示例。 List<IWebSocketConnection>allSockets=newList<IWebSocketConnection>(); //此处IP地址（192.169.68.103:8866），端口...

2021-05-19

916

资源下载

更多资源

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。