NumPy 教程

NumPy 首页 NumPy 简介 NumPy 环境

数组

NumPy Ndarray 对象 NumPy 数据类型

创建和操作数组

NumPy 数组创建例程 NumPy 数组操作 NumPy 基于现有数据创建数组 NumPy 基于数值范围创建数组 NumPy 数组迭代 NumPy 重塑数组 NumPy 连接数组 NumPy 堆叠数组 NumPy 拆分数组 NumPy 展平数组 NumPy 转置数组

索引与切片

NumPy 索引 &切片 NumPy 索引 NumPy 切片 NumPy 高级索引 NumPy 高级索引 NumPy 字段访问 NumPy 使用布尔数组切片

数组属性与操作

NumPy 数组属性 NumPy 数组形状 NumPy 数组大小 NumPy 数组步长 NumPy 数组元素大小 NumPy 广播 NumPy 算术运算 NumPy 数组加法 NumPy 数组减法 NumPy 数组乘法 NumPy 数组除法

高级数组运算

NumPy 交换数组的轴 NumPy 字节交换 NumPy 副本和视图 NumPy 逐元素数组比较 NumPy 过滤数组 NumPy 连接数组 NumPy 排序、搜索& 计数函数 NumPy 搜索数组 NumPy 数组并集 NumPy 查找唯一行 NumPy 创建日期时间数组 NumPy 二元运算符 NumPy 字符串函数 NumPy 矩阵库 NumPy 线性代数 NumPy Matplotlib NumPy 使用 Matplotlib 绘制直方图

排序和高级操作

NumPy 数组排序 NumPy 沿轴排序 NumPy 使用花式索引进行排序 NumPy 结构化数组 NumPy 创建结构化数组 NumPy 操作结构化数组 NumPy 记录数组 NumPy 加载数组 NumPy 保存数组 NumPy 将值附加到数组 NumPy 交换列数组 NumPy 将轴插入数组

处理缺失数据

NumPy 处理缺失数据 NumPy 识别缺失值 NumPy 移除缺失数据 NumPy 插补缺失值数据

性能优化

NumPy 使用数组进行性能优化

线性代数

NumPy 线性代数 NumPy 矩阵库 NumPy 矩阵加法 NumPy 矩阵减法 NumPy 矩阵乘法 NumPy 逐元素矩阵运算 NumPy 点积 NumPy 矩阵求逆 NumPy 行列式计算 NumPy 特征值 NumPy 特征向量 NumPy 奇异值分解 NumPy 求解线性方程 NumPy 矩阵范数

元素级矩阵运算

NumPy 总和 NumPy 平均值 NumPy 中位数 NumPy 最小值 NumPy 最大值

集合运算

NumPy 唯一元素 NumPy 交集 NumPy 并集 NumPy 差集

随机数生成

NumPy 随机数生成器 NumPy 排列和重排 NumPy 均匀分布 NumPy 正态分布 NumPy 二项分布 NumPy 泊松分布 NumPy 指数分布 NumPy 瑞利分布 NumPy 逻辑分布 NumPy 帕累托分布 NumPy 使用 Seaborn 可视化分布 NumPy 多项分布 NumPy 卡方分布 NumPy Zipf 分布

文件输入 &输出

NumPy 使用 NumPy 进行 I/O NumPy 从文件读取数据 NumPy 将数据写入文件 NumPy 支持的文件格式

数学函数

NumPy 数学函数 NumPy 三角函数 NumPy 指数函数 NumPy 对数函数 NumPy 双曲函数 NumPy 舍入函数

傅里叶变换

NumPy 离散傅里叶变换 (DFT) NumPy 快速傅里叶变换 (FFT) NumPy 逆傅里叶变换 NumPy 傅里叶级数和变换 NumPy 信号处理应用 NumPy 卷积

多项式

NumPy 多项式表示 NumPy 多项式运算 NumPy 求多项式的根 NumPy 求多项式的根

统计

NumPy 统计函数 NumPy 描述性统计

日期时间函数

NumPy 日期和时间基础知识 NumPy 表示日期和时间 NumPy 日期和时间运算 NumPy 使用日期时间进行索引 NumPy 时区处理 NumPy 时间序列分析 NumPy 处理时间增量 NumPy 闰秒处理 NumPy 矢量化日期时间运算

ufunc

NumPy ufunc 简介 NumPy 创建通用函数 (ufunc) NumPy 算术通用函数 (ufunc) NumPy 小数舍入 ufunc NumPy 对数通用函数(ufunc) NumPy 求和通用函数 (ufunc) NumPy 乘积通用函数 (ufunc) NumPy 差分通用函数 (ufunc) NumPy 寻找最小公倍数 (LCM) NumPy 寻找最大公约数 (GCD) NumPy 三角函数 (ufunc) NumPy 双曲线 (ufunc) NumPy 集合运算(ufunc)

实用资源

NumPy 快速指南 NumPy 备忘单


NumPy - Ndarray 对象

NumPy ndarray

NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型。它描述了相同类型的项的集合,可以使用从零开始的索引进行访问。

ndarray 中的每个项在内存中占用相同大小的块,并由名为 dtype 的数据类型对象表示。

从 ndarray 对象中提取的任何项(通过切片)都由数组标量类型的 Python 对象表示。

nd​​array、dtype 和数组标量类型之间的关系

下图展示了 ndarray、数据类型对象 dtype 和数组标量类型之间的关系 -

Ndarray

创建 ndarray

ndarray 类的实例可以通过不同的数组构造创建例程。基本的 ndarray 是使用 NumPy 中的 array() 函数创建的。

numpy.array() 函数可以从任何公开数组接口的对象或任何返回数组的方法创建 ndarray。语法如下:

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

上述构造函数采用以下参数:

Sr.No. Parameter &说明
1

object

任何暴露数组接口方法的对象都会返回一个数组或任何(嵌套)序列。

2

dtype

所需的数组数据类型,可选

3

copy

可选。默认情况下 (true),对象会被复制。

4

order

C(行优先)或 F(列优先)或 A(任意)(默认)

5

subok

默认情况下,返回的数组强制为基类数组。如果为 true,则子类将通过

6

ndmin

指定结果数组的最小维度

查看以下示例以更好地理解。

示例:创建一维数组

在下面的示例中,我们使用 NumPy 中的 array() 函数创建一个一维数组 -

import numpy as np
a = np.array([1, 2, 3])
print(a)

输出结果如下 -

[1, 2, 3]

示例:创建多维数组

这里,我们使用 NumPy 中的 array() 函数创建一个二维数组 -

import numpy as np
a = np.array([[1, 2], [3, 4]])
print(a)

结果如下 -

[[1 2]
[3 4]]

示例:指定最小维度

现在,我们通过将"ndmin"作为参数传递给 array() 函数来指定结果数组的最小维度−

import numpy as np
a = np.array([1, 2, 3, 4, 5], ndmin=2)
print(a)

以下是上述代码的输出 −

[[1 2 3 4 5]]

示例:指定数据类型

在下面的示例中,我们在 array() 函数中将"dtype"参数设置为 complex −

import numpy as np
a = np.array([1, 2, 3], dtype=complex)
print(a)

执行上述代码后代码中,我们得到以下输出 -

[1.+0.j 2.+0.j 3.+0.j]

ndarray 的内存布局

ndarray 对象由连续的内存块组成。这意味着数组中的所有元素都存储在一个连续的内存段中。这种连续的内存布局可以轻松访问和操作数组元素。

索引方案

索引方案将 ndarray 中的每个项目映射到内存块中的特定位置。ndarray 使用形状和步幅的组合来确定每个元素的位置。

  • 形状 - 数组的形状是一个整数元组,表示数组沿每个维度的大小。例如,2x3 数组的形状为 (2, 3)。

  • 步幅 - 步幅是指遍历数组时在每个维度上移动的字节数。步幅决定了如何在每个维度上从一个元素移动到下一个元素。

行优先和列优先

ndarray 中的元素可以按两种主要顺序存储。它们是 -

  • 行优先顺序(C 风格) - 在行优先顺序中,最后一个索引变化最快。这意味着同一行中的元素在内存中彼此相邻存储。NumPy 默认使用行优先顺序。例如,在一个 2x3 数组中 -

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

    元素在内存中的存储顺序为:1, 2, 3, 4, 5, 6。

  • 列主序(FORTRAN 风格)- 在列主序中,第一个索引变化最快。这意味着同一列中的元素在内存中彼此相邻存储。例如,在一个 2x3 数组中 -

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

    元素在内存中的存储方式为:1, 4, 2, 5, 3, 6。

示例

以下是一个基本示例,用于演示内存布局的用法 -

import numpy as np

# 按行优先顺序创建一个 2x3 数组
a = np.array([[1, 2, 3], [4, 5, 6]])
print("数组:")
print(a)
print("形状:", a.shape)
print("步幅:", a.strides)

数组的形状为 (2, 3),表示它有 2 行 3 列。步幅为 (24, 8),这意味着要移动到下一行,我们需要跳过 24 个字节(因为每个元素都是 8 字节的整数,并且有 3 列);要移动到下一列,我们需要跳过 8 个字节(一个整数的大小),如下图所示 -

数组:
[[1 2 3]
[4 5 6]]
形状:(2, 3)
步幅:(24, 8)