深入理解NumPy简明教程---数组2

发布时间：2020-12-16 19:54:23 所属栏目：Python 来源：网络整理

导读：NumPy数组（2、数组的操作）基本运算数组的算术运算是按元素逐个运算。数组运算后将创建包含运算结果的新数组。 a= np.array([20,30,40,50]) b= np.arange( 4) b array([0,1,2,3]) c= a-b c array([20,29,38,47]) b**2 array([0,4,9]) 10*np.sin(a) array(

NumPy数组（2、数组的操作）

基本运算

数组的算术运算是按元素逐个运算。数组运算后将创建包含运算结果的新数组。

>>> a= np.array([20,30,40,50]) 
>>> b= np.arange( 4) 
>>> b 
array([0,1,2,3]) 
>>> c= a-b 
>>> c 
array([20,29,38,47]) 
>>> b**2 
array([0,4,9]) 
>>> 10*np.sin(a) 
array([ 9.12945251,-9.88031624,7.4511316,-2.62374854]) 
>>> a<35 
array([True,True,False,False],dtype=bool)

与其他矩阵语言不同，NumPy中的乘法运算符*按元素逐个计算，矩阵乘法可以使用dot函数或创建矩阵对象实现(后续章节会介绍)

>>> A= np.array([[1,1],...[0,1]]) 
>>> B= np.array([[2,0],...[3,4]]) 
>>> A*B # 逐个元素相乘 
array([[2,　　 [0,4]]) 
>>> np.dot(A,B) # 矩阵相乘 
array([[5,4],　　 [3,4]])

有些操作符如+=和*=用来更改已存在数组而不创建一个新的数组。

>>> a= np.ones((2,3),dtype=int) 
>>> b= np.random.random((2,3)) 
>>> a*= 3 
>>> a 
array([[3,3,3],3]]) 
>>> b+= a 
>>> b 
array([[ 3.69092703,3.8324276,3.0114541],　　　 [ 3.18679111,3.3039349,3.37600289]]) 
>>> a+= b # b转换为整数类型 
>>> a 
array([[6,6,6],[6,6]])

当数组中存储的是不同类型的元素时，数组将使用占用更多位（bit）的数据类型作为其本身的数据类型，也就是偏向更精确的数据类型(这种行为叫做upcast)。

>>> a= np.ones(3,dtype=np.int32) 
>>> b= np.linspace(0,np.pi,3) 
>>> b.dtype.name 
'float64' 
>>> c= a+b 
>>> c 
array([ 1.,2.57079633,4.14159265]) 
>>> c.dtype.name 
'float64' 
>>> d= exp(c*1j) 
>>> d 
array([ 0.54030231+0.84147098j,-0.84147098+0.54030231j,　　　 -0.54030231-0.84147098j]) 
>>> d.dtype.name 
'complex128'

许多非数组运算，如计算数组所有元素之和，都作为ndarray类的方法来实现，使用时需要用ndarray类的实例来调用这些方法。

>>> a= np.random.random((2,3)) 
>>> a 
array([[ 0.65806048,0.58216761,0.59986935],[ 0.6004008,0.41965453,0.71487337]]) 
>>> a.sum() 
　 3.5750261436902333 
>>> a.min() 
   0.41965453489104032 
>>> a.max() 
   0.71487337095581649

这些运算将数组看作是一维线性列表。但可通过指定axis参数（即数组的行）对指定的轴做相应的运算：

>>> b= np.arange(12).reshape(3,4) 
>>> b 
array([[ 0,[ 4,5,7],[ 8,9,10,11]]) 
>>> b.sum(axis=0) # 计算每一列的和，注意理解轴的含义，参考数组的第一篇文章 
array([12,15,18,21]) 
>>> b.min(axis=1) # 获取每一行的最小值 
array([0,8]) 
>>> b.cumsum(axis=1) # 计算每一行的累积和 
array([[ 0,22],17,27,38]])

索引，切片和迭代

和列表和其它Python序列一样，一维数组可以进行索引、切片和迭代操作。

>>> a= np.arange(10)**3 #记住，操作符是对数组中逐元素处理的！ 
>>> a 
array([0,8,64,125,216,343,512,729]) 
>>> a[2] 
8 
>>> a[2:5] 
array([ 8,64]) 
>>> a[:6:2]= -1000 # 等同于a[0:6:2]= -1000，从开始到第6个位置，每隔一个元素将其赋值为-1000 
>>> a 
array([-1000,-1000,729]) 
>>> a[: :-1] # 反转a 
array([ 729,-1000]) 
>>>for i in a: 
...  print i**(1/3.),... 
nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0

多维数组可以每个轴有一个索引。这些索引由一个逗号分割的元组给出。

>>>def f(x,y): 
...  return 10*x+y 
... 
>>> b= np.fromfunction(f,(5,4),dtype=int) #fromfunction是一个函数，下篇文章介绍。 
>>> b 
array([[ 0,[10,11,12,13],[20,21,22,23],[30,31,32,33],[40,41,42,43]]) 
>>> b[2,3] 
23 
>>> b[0:5,1] # 每行的第二个元素 
array([ 1,41]) 
>>> b[:,1] # 与前面的效果相同 
array([ 1,41]) 
>>> b[1:3,: ] # 每列的第二和第三个元素 
array([[10,23]])

当少于提供的索引数目少于轴数时，已给出的数值按秩的顺序复制，确失的索引则默认为是整个切片：

>>> b[-1] # 最后一行，等同于b[-1,:]，-1是第一个轴，而缺失的认为是：，相当于整个切片。 
array([40,43])

b[i]中括号中的表达式被当作i和一系列:，来代表剩下的轴。NumPy也允许你使用“点”像b[i,...]。

点(…)代表许多产生一个完整的索引元组必要的分号。如果x是秩为5的数组(即它有5个轴)，那么:　　　

x[1,…] 等同于 x[1,:,:],
x[…,3] 等同于 x[:,3]
x[4,…,:] 等同 x[4,:]

>>> c= array( [ [[ 0,2],#三维数组（两个2维数组叠加而成） 
...[ 10,13]],... 
...[[100,101,102],...[110,112,113]]] ) 
>>> c.shape 
 (2,3) 
>>> c[1,...] #等同于c[1,:]或c[1] 
array([[100,[110,113]]) 
>>> c[...,2] #等同于c[:,2] 
array([[ 2,[102,113]])

多维数组的遍历是以是第一个轴为基础的：

>>>for row in b: 
...  print row 
... 
[0 1 2 3] 
[10 11 12 13] 
[20 21 22 23] 
[30 31 32 33] 
[40 41 42 43]

如果想对数组中每个元素都进行处理，可以使用flat属性，该属性是一个数组元素迭代器：

>>>for element in b.flat: 
...  print element,... 
0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43

更多关于[]、…、newaxis、ndenumerate、indices、index exp的内容请参考NumPy示例

形状（shape）操作

更改数组的形状

数组的形状取决于其每个轴上的元素个数：

>>> a= np.floor(10*np.random.random((3,4))) 
>>> a 
array([[ 7.,5.,9.,3.],[ 7.,2.,7.,8.],[ 6.,8.,3.,2.]]) 
>>> a.shape 
(3,4)

可以用多种方式修改数组的形状：

>>> a.ravel() # 平坦化数组 
array([ 7.,6.,2.]) 
>>> a.shape= (6,2) 
>>> a.transpose() 
array([[ 7.,[ 5.,2.]])

由ravel()展平的数组元素的顺序通常是“C风格”的，就是以行为基准，最右边的索引变化得最快，所以元素a[0,0]之后是a[0,1]。如果数组改变成其它形状(reshape)，数组仍然是“C风格”的。NumPy通常创建一个以这个顺序保存数据的数组，所以ravel()通常不需要创建起调用数组的副本。但如果数组是通过切片其它数组或有不同寻常的选项时，就可能需要创建其副本。还可以同过一些可选参数函数让reshape()和ravel()构建FORTRAN风格的数组，即最左边的索引变化最快。

reshape函数改变调用数组的形状并返回该数组，而resize函数改变调用数组自身。

>>> a 
array([[ 7.,5.],[ 9.,2.],[ 3.,2.]]) 
>>> a.resize((2,6)) 
>>> a 
array([[ 7.,2.]])

如果在reshape操作中指定一个维度为-1，那么其准确维度将根据实际情况计算得到

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持编程小技巧。

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!