Python Numpy 数组的基本操作

柔情只为你懂 2023-06-26 05:46 89阅读 0赞

Numpy是一个通用的数组处理包。它提供了一个高性能的多维数组对象，以及处理这些数组的工具。它是Python科学计算的基本包。

Numpy除了具有科学用途外，还可以作为通用数据的高效多维容器。

**Numpy中的数组**

Numpy中的数组是一个元素表(通常是数字)，所有元素都是相同的类型，由一个正整数元组索引。在Numpy中，数组的维数称为数组的秩。一个整数的元组给出了数组在每个维度上的大小，称为数组的形状。Numpy中的数组类称为ndarray。Numpy数组中的元素可以使用方括号访问，也可以使用嵌套Python列表初始化。

**创建一个Numpy数组**

Numpy中的数组可以通过多种方式创建，具有不同数量的秩，定义数组的大小。数组还可以使用各种数据类型(如列表、元组等)创建。合成阵列的类型由序列中元素的类型导出。

注意:可以在创建数组时显式定义数组的类型。

# Python程序
    # 数组的创建
    import numpy as np
    
    #  创建rank 1数组
    arr = np.array([1, 2, 3])
    print("Array with Rank 1: \n",arr)
    
    #  创建rank 2数组
    arr = np.array([[1, 2, 3],
                    [4, 5, 6]])
    print("Array with Rank 2: \n", arr)
    
    # 从元组创建一个数组
    arr = np.array((1, 3, 2))
    print("\nArray created using "
          "passed tuple:\n", arr)

输出如下：

Array with Rank 1:  
 \[1 2 3\]  
Array with Rank 2:  
 \[\[1 2 3\]  
 \[4 5 6\]\]

Array created using passed tuple:  
 \[1 3 2\]

![format_png][]

**访问数组索引**

在numpy数组中，索引或访问数组索引可以通过多种方式完成。要打印一系列数组，请完成切片。切片数组是在新数组中定义一个范围，用于从原始数组中打印一系列元素。由于切片数组包含原始数组的一系列元素，因此在切片数组的帮助下修改内容会修改原始数组内容。

#Pthon程序来演示
    #numpy数组中的索引
    import numpy as np
    
    #初始数组
    arr = np.array([[-1, 2, 0, 4],
                    [4, -0.5, 6, 0],
                    [2.6, 0, 7, 8],
                    [3, -7, 4, 2.0]])
    print("Initial Array: ")
    print(arr)
    
    #打印数组的范围
    #使用切片方法
    sliced_arr = arr[:2, ::2]
    print ("Array with first 2 rows and"
        " alternate columns(0 and 2):\n", sliced_arr)
    
    #打印元素
    #specific Indices
    Index_arr = arr[[1, 1, 0, 3],
                    [3, 2, 1, 0]]
    print ("\nElements at indices (1, 3), "
        "(1, 2), (0, 1), (3, 0):\n", Index_arr)

输出如下：

Initial Array:  
\[\[-1.  2.  0.  4. \]  
 \[ 4.  -0.5  6.  0. \]  
 \[ 2.6  0.  7.  8. \]  
 \[ 3.  -7.  4.  2. \]\]  
Array with first 2 rows and alternate columns(0 and 2):  
 \[\[-1.  0.\]  
 \[ 4.  6.\]\]

Elements at indices (1, 3), (1, 2), (0, 1), (3, 0):  
 \[0. 6. 2. 3.\]

![format_png 1][]

**基本阵列操作**

在numpy中，数组允许可以在特定阵列或阵列组合上执行的各种操作。这些操作包括一些基本的数学运算以及一元和二元运算。

#Pthon程序来演示
    #单个阵列的基本操作
    import numpy as np
    
    #定义数组1
    a = np.array([[1, 2],
                  [3, 4]])
    
    # Defining Array 2
    b = np.array([[4, 3],
                  [2, 1]])
    
    #向每个元素添加1
    print ("Adding 1 to every element:", a + 1)
    
    # 每个元素减去2
    print ("\nSubtracting 2 from each element:", b - 2)
    
    # 数组元素和
    # 执行一元操作
    print ("\nSum of all array "
           "elements: ", a.sum())
    
    #添加两个数组
    #执行二进制操作
    print ("\nArray sum:\n", a + b)

输出如下：

Adding 1 to every element: \[\[2 3\]  
 \[4 5\]\]

Subtracting 2 from each element: \[\[ 2  1\]  
 \[ 0 -1\]\]

Sum of all array elements:  10

Array sum:  
 \[\[5 5\]  
 \[5 5\]\]

![format_png 2][]

**Numpy中的数据类型**

每个Numpy数组都是一个元素表（通常是数字），都是相同的类型，由正整数元组索引。每个ndarray都有一个关联的数据类型（dtype）对象。此数据类型对象（dtype）提供有关阵列布局的信息。ndarray的值存储在缓冲区中，缓冲区可以被认为是可以由dtype对象解释的连续的存储器字节块。Numpy提供了大量可用于构造数组的数值数据类型。在创建数组时，Numpy尝试猜测数据类型，但构造数组的函数通常还包含一个可选参数来显式指定数据类型。

**构造数据类型对象**

在Numpy中，除非需要特定的数据类型，否则无需定义数组的数据类型。Numpy试图猜测构造函数中未预定义的数组的数据类型。

#Python程序创建
    #数据类型对象
    import numpy as np
    
    #整数数据类型
    x = np.array([1, 2])
    print("Integer Datatype: ")
    print(x.dtype)
    
    #浮动数据类型
    x = np.array([1.0, 2.0])
    print("\nFloat Datatype: ")
    print(x.dtype)
    
    # 强制数据类型
    x = np.array([1, 2], dtype = np.int64)
    print("\nForcing a Datatype: ")
    print(x.dtype)

Integer Datatype:  
int64

Float Datatype:  
float64

Forcing a Datatype:  
int64

![format_png 3][]

**DataType数组上的数学运算**

在Numpy数组中，基本数学运算在数组上以元素方式执行。这些操作既可以作为操作符重载也可以作为函数应用。Numpy中提供了许多有用的函数，用于对数组执行计算，例如sum：用于添加数组元素，T：用于元素的转置等。

#Python程序创建
    #数据类型对象
    import numpy as np
    
    #第一个数组
    arr1 = np.array([[4, 7], [2, 6]],
                     dtype = np.float64)
    
    #第二个数组
    arr2 = np.array([[3, 6], [2, 8]],
                     dtype = np.float64)
    
    #添加两个阵列
    Sum = np.add(arr1, arr2)
    print("Addition of Two Arrays: ")
    print(Sum)
    
    #添加所有数组元素
    #使用预定义的sum方法
    Sum1 = np.sum(arr1)
    print("\nAddition of Array elements: ")
    print(Sum1)
    
    # 数组的平方根
    Sqrt = np.sqrt(arr1)
    print("\nSquare root of Array1 elements: ")
    print(Sqrt)
    
    #数组转置
    #使用内置功能'T'
    Trans_arr = arr1.T
    print("\nTranspose of Array: ")
    print(Trans_arr)

输出如下：

Addition of Two Arrays:  
\[\[ 7. 13.\]  
 \[ 4. 14.\]\]

Addition of Array elements:  
19.0

Square root of Array1 elements:  
\[\[2.        2.64575131\]  
 \[1.41421356 2.44948974\]\]

Transpose of Array:  
\[\[4. 2.\]  
 \[7. 6.\]\]

![format_png 4][]

[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9qaHRFYnBnNG02SHJZeExqMmliTVhNNEhWWGVZTFBsdldRYjZrVnRQcEJuYzl5eHllSkx1YnBkdWV1eklWYXNuZTNTREUzQXNFdmxQenlFUG1obkxNaEEvNjQw?x-oss-process=image/format,png
[format_png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9qaHRFYnBnNG02SHJZeExqMmliTVhNNEhWWGVZTFBsdldnUU5UNm9ManZ1OTVSZ3J0SkVDQ2xaazhBV1k5RUNaeHFlNXFBdGhZQ2liRkswQTNLUlp3V0h3LzY0MA?x-oss-process=image/format,png
[format_png 2]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9qaHRFYnBnNG02SHJZeExqMmliTVhNNEhWWGVZTFBsdldpY2ljVXIzRXRpY1MxbXdKWnY0WnVsVmtDVWR1NGp5aHVaNGs4RVY2NGdrQjhTdGppYW5jYktRNUxnLzY0MA?x-oss-process=image/format,png
[format_png 3]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9qaHRFYnBnNG02SHJZeExqMmliTVhNNEhWWGVZTFBsdldjdTM0UGRPR294TGxJQlFhUmxlejJUU2liVFRpYjBVSHdmTEprUmpqUHFFR3lMaWIwVkdYczNkZlEvNjQw?x-oss-process=image/format,png
[format_png 4]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9qaHRFYnBnNG02SHJZeExqMmliTVhNNEhWWGVZTFBsdldBaFdSczdQT1VJblJPcDhwSW1DUEtLU0ZCZWZ1Q29FV1BVc2NScks4bWpYRmlhRzg2SkFxQWZnLzY0MA?x-oss-process=image/format,png