NumPy實(shí)現(xiàn)ndarray多維數(shù)組操作
簡(jiǎn)介
NumPy一個(gè)非常重要的作用就是可以進(jìn)行多維數(shù)組的操作，多維數(shù)組對(duì)象也叫做ndarray。我們可以在ndarray的基礎(chǔ)上進(jìn)行一系列復(fù)雜的數(shù)學(xué)運(yùn)算。
本文將會(huì)介紹一些基本常見(jiàn)的ndarray操作，大家可以在數(shù)據(jù)分析中使用。
創(chuàng)建ndarray
創(chuàng)建ndarray有很多種方法，我們可以使用np.random來(lái)隨機(jī)生成數(shù)據(jù)：
import numpy as np # Generate some random data data = np.random.randn(2, 3) data
array([[ 0.0929, 0.2817, 0.769 ],
[ 1.2464, 1.0072, -1.2962]])
除了隨機(jī)創(chuàng)建之外，還可以從list中創(chuàng)建：
data1 = [6, 7.5, 8, 0, 1] arr1 = np.array(data1) array([6. , 7.5, 8. , 0. , 1. ])
從list中創(chuàng)建多維數(shù)組：
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創(chuàng)建初始值為0的數(shù)組：
np.zeros(10) array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
創(chuàng)建2維數(shù)組：
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創(chuàng)建3維數(shù)組：
np.empty((2, 3, 2))
array([[[0., 0.],
[0., 0.],
[0., 0.]],
[[0., 0.],
[0., 0.],
[0., 0.]]])
注意，這里我們看到empty創(chuàng)建的數(shù)組值為0，其實(shí)并不是一定的，empty會(huì)從內(nèi)存中隨機(jī)挑選空間來(lái)返回，并不能保證這些空間中沒(méi)有值。所以我們?cè)谑褂胑mpty創(chuàng)建數(shù)組之后，在使用之前，還要記得初始化他們。
使用arange創(chuàng)建范圍類(lèi)的數(shù)組：
np.arange(15) array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
指定數(shù)組中元素的dtype：
arr1 = np.array([1, 2, 3], dtype=np.float64) arr2 = np.array([1, 2, 3], dtype=np.int32)
ndarray的屬性
可以通過(guò)data.shape獲得數(shù)組的形狀。
data.shape (2, 3)
通過(guò)ndim獲取維數(shù)信息：
arr2.ndim 2
可以通過(guò)data.dtype獲得具體的數(shù)據(jù)類(lèi)型。
data.dtype
dtype('float64')
ndarray中元素的類(lèi)型轉(zhuǎn)換
在創(chuàng)建好一個(gè)類(lèi)型的ndarray之后，還可以對(duì)其進(jìn)行轉(zhuǎn)換：
arr = np.array([1, 2, 3, 4, 5])
arr.dtype
dtype('int64')
float_arr = arr.astype(np.float64)
float_arr.dtype
dtype('float64')
上面我們使用astype將int64類(lèi)型的ndarray轉(zhuǎn)換成了float64類(lèi)型的。
如果轉(zhuǎn)換類(lèi)型的范圍不匹配，則會(huì)自動(dòng)進(jìn)行截?cái)嗖僮鳎?/p>
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，這里是把小數(shù)截?cái)啵](méi)有向上或者向下取整。
ndarray的數(shù)學(xué)運(yùn)算
數(shù)組可以和常量進(jìn)行運(yùn)算，也可以和數(shù)組進(jìn)行運(yùn)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]])
數(shù)組之間還可以進(jìn)行比較，比較的是數(shù)組中每個(gè)元素的大?。?/p>
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基本上和普通數(shù)組的使用方式是一樣的，用來(lái)訪(fǎng)問(wèn)數(shù)組中某一個(gè)元素。
切片要注意的是切片后返回的數(shù)組中的元素是原數(shù)組中元素的引用，修改切片的數(shù)組會(huì)影響到原數(shù)組。
# 構(gòu)建一維數(shù)組
arr = np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# index訪(fǎng)問(wèn)
arr[5]
5
# 切片訪(fǎng)問(wèn)
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])
# 切片可以修改原數(shù)組的值
arr_slice = arr[5:8]
arr_slice[1] = 12345
arr
array([ 0, 1, 2, 3, 4, 12, 12345, 12, 8,
9])
# 構(gòu)建二維數(shù)組
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
arr2d[2]
array([7, 8, 9])
# index 二維數(shù)組
arr2d[0][2]
3
# index二維數(shù)組
arr2d[0, 2]
3
# 構(gòu)建三維數(shù)組
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三維數(shù)組
arr3d[0]
array([[1, 2, 3],
[4, 5, 6]])
# copy是硬拷貝，和原數(shù)組的值相互不影響
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 三維數(shù)組
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還可以作為index使用，作為index使用表示的就是一個(gè)index范圍值。
作為index表示的slice可以有多種形式。
有頭有尾的，表示index從1開(kāi)始到6-1結(jié)束：
arr[1:6] array([ 1, 2, 3, 4, 64])
無(wú)頭有尾的，表示index從0開(kāi)始，到尾-1結(jié)束：
arr2d[:2]
array([[1, 2, 3],
[4, 5, 6]])
有頭無(wú)尾的，表示從頭開(kāi)始，到所有的數(shù)據(jù)結(jié)束：
arr2d[:2, 1:]
array([[2, 3],
[5, 6]])
arr2d[1, :2]
array([4, 5])
boolean index
index還可以使用boolean值，表示是否選擇這一個(gè)index的數(shù)據(jù)。
我們先看下怎么構(gòu)建一個(gè)boolean類(lèi)型的數(shù)組：
names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe']) names == 'Bob' array([ True, False, False, True, False, False, False])
上面我們通過(guò)比較的方式返回了一個(gè)只包含True和False的數(shù)組。
這個(gè)數(shù)組可以作為index值來(lái)訪(fǎng)問(wèn)數(shù)組：
# 構(gòu)建一個(gè)7 * 4 的數(shù)組
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]])
# 通過(guò)boolean數(shù)組來(lái)訪(fǎng)問(wèn)：
data[names == 'Bob']
array([[ 0.275 , 0.2289, 1.3529, 0.8864],
[-0.5771, 0.1241, 0.3026, 0.5238]])
在索引行的時(shí)候，還可以索引列：
data[names == 'Bob', 3] array([0.8864, 0.5238])
可以用 ~符號(hào)來(lái)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]])
我們可以通過(guò)布爾型數(shù)組設(shè)置值，在實(shí)際的項(xiàng)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，它是指使用一個(gè)整數(shù)數(shù)組來(lái)進(jìn)行索引。
舉個(gè)例子，我們先創(chuàng)建一個(gè) 8 * 4的數(shù)組：
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.]])
然后使用一個(gè)整數(shù)數(shù)組來(lái)索引，那么將會(huì)以指定的順序來(lái)選擇行：
arr[[4, 3, 0, 6]]
array([[4., 4., 4., 4.],
[3., 3., 3., 3.],
[0., 0., 0., 0.],
[6., 6., 6., 6.]])
還可以使用負(fù)值來(lái)索引：
arr[[-3, -5, -7]]
array([[5., 5., 5., 5.],
[3., 3., 3., 3.],
[1., 1., 1., 1.]])
花式索引還可以組合來(lái)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]])
上面我們構(gòu)建了一個(gè)8 * 4的數(shù)組。
arr[[1, 5, 7, 2], [0, 3, 1, 2]] array([ 4, 23, 29, 10])
然后取他們的第2列的第一個(gè)值，第6列的第三個(gè)值等等。最后得到一個(gè)1維的數(shù)組。
數(shù)組變換
我們可以在不同維度的數(shù)組之間進(jìn)行變換，還可以轉(zhuǎn)換數(shù)組的軸。
reshape方法可以將數(shù)組轉(zhuǎn)換成為任意的形狀：
arr = np.arange(15).reshape((3, 5))
arr
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
數(shù)組還提供了一個(gè)T命令，可以將數(shù)組的軸進(jìn)行對(duì)調(diào)：
arr.T
array([[ 0, 5, 10],
[ 1, 6, 11],
[ 2, 7, 12],
[ 3, 8, 13],
[ 4, 9, 14]])
對(duì)于高維數(shù)組，可以使用transpose來(lái)進(jìn)行軸的轉(zhuǎn)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？
其含義是將x，y軸對(duì)調(diào)，z軸保持不變。
上面我們通過(guò)使用reshape((2, 2, 4))方法創(chuàng)建了一個(gè)3維，也就是3個(gè)軸的數(shù)組。 其shape是 2 * 2 * 4 。
先看下對(duì)應(yīng)關(guān)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]
轉(zhuǎn)換之后：
（0，0）-》 [ 0, 1, 2, 3]
（0，1）-》 [ 8, 9, 10, 11]
（1，0）-》[ 4, 5, 6, 7]
（1，1）-》 [12, 13, 14, 15]
于是得到了我們上面的的結(jié)果。
多維數(shù)組的軸轉(zhuǎn)換可能比較復(fù)雜，大家多多理解。
還可以使用 swapaxes 來(lái)交換兩個(gè)軸，上面的例子可以重寫(xiě)為：
arr.swapaxes(0,1)
到此這篇關(guān)于NumPy實(shí)現(xiàn)ndarray多維數(shù)組操作的文章就介紹到這了,更多相關(guān)NumPy ndarray多維數(shù)組操作內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
淺談django 模型類(lèi)使用save()方法的好處與注意事項(xiàng)
這篇文章主要介紹了淺談django 模型類(lèi)使用save()方法的好處與注意事項(xiàng)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-03-03
Python中兩個(gè)列表數(shù)字相加的4種方法示例詳解
這篇文章主要給大家介紹了關(guān)于Python中兩個(gè)列表數(shù)字相加的4種方法,我們可以使用Python的加號(hào)和減號(hào)運(yùn)算符來(lái)實(shí)現(xiàn)兩個(gè)數(shù)字的相加減,需要的朋友可以參考下2023-08-08
這篇文章主要介紹了cProfile Python性能分析工具使用詳解,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-07-07
這篇文章主要介紹了詳解Python遍歷列表時(shí)刪除元素的正確做法，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-01-01
Python+SimpleRNN實(shí)現(xiàn)股票預(yù)測(cè)詳解
這篇文章主要為大家詳細(xì)介紹了如何利用Python和SimpleRNN實(shí)現(xiàn)股票預(yù)測(cè)效果，文中的示例代碼講解詳細(xì)，對(duì)我們學(xué)習(xí)有一定幫助，需要的可以參考一下2022-05-05
Python?HMAC模塊維護(hù)數(shù)據(jù)安全技術(shù)實(shí)例探索
本篇博客將帶領(lǐng)讀者深入探索Python中HMAC模塊的高級(jí)應(yīng)用,通過(guò)豐富的示例代碼和詳細(xì)的解釋,揭示HMAC在實(shí)際應(yīng)用場(chǎng)景中的多面光芒,從基礎(chǔ)概念到密碼存儲(chǔ)、文件完整性驗(yàn)證、API安全,再到與加密算法的巧妙結(jié)合2024-01-01
Python利用watchdog模塊監(jiān)控文件變化
這篇文章主要為大家介紹一個(gè)Python中的模塊：watchdog模塊，它可以實(shí)現(xiàn)監(jiān)控文件的變化。文中通過(guò)示例詳細(xì)介紹了watchdog模塊的使用，需要的可以參考一下2022-06-06
Python機(jī)器學(xué)習(xí)性能度量利用鳶尾花數(shù)據(jù)繪制P-R曲線(xiàn)
這篇文章主要為大家介紹了Python機(jī)器學(xué)習(xí)性能度量利用鳶尾花數(shù)據(jù)繪制P-R曲線(xiàn)示例學(xué)習(xí)，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2023-02-02
pandas去重復(fù)行并分類(lèi)匯總的實(shí)現(xiàn)方法
這篇文章主要介紹了pandas去重復(fù)行并分類(lèi)匯總的實(shí)現(xiàn)方法，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-01-01