PS：内容来源于《利用Python进行数据分析》

 

一、创建ndarray

　　1、array ：将一个序列（嵌套序列）转换为一个数组（多维数组）　

In[2]: import numpy as np
In[3]: arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
In[4]: arr
Out[4]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])

In[5]: arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
In[6]: arr
Out[6]: 
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

　　2、arange：类似于内置的range，返回的是一个ndarray对象。通过reshape指定数组维度

In[8]: arr = np.arange(1, 10).reshape(3, 3)
In[9]: arr
Out[9]: 
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

　　3、ones、ones_like、zeros、zeros_like：根据指定shape和dtype创建一个全1或全0数组；ones_like或zeros_like另一个数组为参数，根据参数数组的shape和dtype创建全1或全0数组

arr = np.ones((2, 4), dtype = np.int32)
arr
Out[11]: 
array([[1, 1, 1, 1],
       [1, 1, 1, 1]])
arr2 = np.zeros_like(arr)
arr2
Out[13]: 
array([[0, 0, 0, 0],
       [0, 0, 0, 0]])

　　4、empty、empy_like：类似ones、ones_like，只是分配的内存空间不填充任何值，即数组的元素是未初始化的。

arr = np.empty((3, 3), dtype = np.float64)
arr
Out[15]: 
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])
arr1 = np.empty_like(arr)
arr1
Out[17]: 
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])

　　5、eye、identity：创建一个N x N单位矩阵（对角线为1，其余为0）

In[18]: arr = np.eye(4, dtype = np.float32)
In[19]: arr
Out[19]: 
array([[ 1., 0., 0., 0.],
[ 0., 1., 0., 0.],
[ 0., 0., 1., 0.],
[ 0., 0., 0., 1.]], dtype=float32)
In[20]: arr1 = np.identity(4, dtype = np.int32)
In[21]: arr1
Out[21]: 
array([[1, 0, 0, 0],
[0, 1, 0, 0],
[0, 0, 1, 0],
[0, 0, 0, 1]])

 

 二、ndarray的shape和dtype

　　ndarray是通用的同构数据多维容器，其中的所有元素必须是相同的数据类型。

　　ndarray.shape 获取一个表示数组各维度大小的元组。 ndarray.dtype获取数组元素的数据类型。

　　numpy的数据类型有：int8 int16 int32 int64 uint8 uint16 uint32 uint64 float16 float32 float64 float128 complex64 complex128 complex256 bool object(O) string_(S) unicode_(U)

In[2]: import numpy as np
In[3]: arr = np.arange(16).reshape((2, 2, 4))
In[4]: arr.shape
Out[4]: (2, 2, 4)
In[5]: arr.dtype
Out[5]: dtype('int32')

　　可以通过ndarray的astype方法显示地转换dtype。如果转换过程失败了（类型转换不能实现），会引发TypeError。调用astype会创建一个新的数组，即使新旧dtpye相同也会如此。

In[16]: arr = np.array(10)
In[17]: arr.dtype
Out[17]: dtype('int32')
In[18]: float_arr = arr.astype(np.float32)
In[19]: float_arr.dtype
Out[19]: dtype('float32')
In[20]: str = np.array(['1.3', '-4.5', '33'], dtype = np.string_)
In[21]: str.dtype
Out[21]: dtype('S4')
In[22]: num = str.astype(np.float32)
In[23]: num.dtype
Out[23]: dtype('float32')

 

三、数组和标量之间的矢量化运算

　　大小相等的数组之间的任何算术运算都会将运算应用到元素级。

In[26]: arr = np.arange(1, 10).reshape((3, 3))
In[27]: arr
Out[27]: 
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
In[28]: arr ** 2
Out[28]: 
array([[ 1,  4,  9],
       [16, 25, 36],
       [49, 64, 81]])
In[29]: arr - arr
Out[29]: 
array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])
In[30]: arr * arr.T
Out[30]: 
array([[ 1,  8, 21],
       [ 8, 25, 48],
       [21, 48, 81]])

 

四、基本的索引和切片

　　数组切片形式上和Python列表的截取功能相似，但是数组切片获取的是原始数组的视图，这意味着不会创建新的数组，数据也不会被复制，在视图上的任何修改都会直接作用源数组上。

In[2]: import numpy as np
In[3]: arr = np.arange(10)
In[4]: arr
Out[4]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In[5]: arr[1:6]
Out[5]: array([1, 2, 3, 4, 5])
In[6]: arr[1:6] = [5, 4, 3, 2, 1]
In[7]: arr
Out[7]: array([0, 5, 4, 3, 2, 1, 6, 7, 8, 9])

　　数组的索引用以获取数组的元素（与C的数组相同）。在多维数组中，如果忽略了后面维度的索引，则返回对象为维度低一点的ndarray对象。通过索引获取的数组子集，也是源数组的视图。

　　通过索引访问数组，arr[i][j][k] 与 arr[i, j, k] 是等价的。

In[8]: arr = np.arange(1, 13).res