本文最后更新于 320 天前，其中的信息可能已经过时，如有错误请发送邮件到wuxianglongblog@163.com

数组基础

数组（Array）是NumPy中的核心类型。整个NumPy模块都是围绕数组来构建的。

数组的引入

import numpy as np

数组的全称是N维数组（N-dimensional Array，ndarray），它是一个固定大小和形状的多维容器。

构造一个数组：

a = np.array([1, 2, 3, 4])

array([1, 2, 3, 4])

np.array((1, 2, 3, 4))

array([1, 2, 3, 4])

构造一个大小为2×3的二维数组：

np.array([[1, 2, 3], [4, 5, 6]])

array([[1, 2, 3],
       [4, 5, 6]])

列表不支持直接用加法将每个元素都加1的操作：

b = [1, 2, 3, 4]

b + 1

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

Input In [7], in ()
----> 1 b + 1

TypeError: can only concatenate list (not "int") to list

但是数组可以：

a + 1

array([2, 3, 4, 5])

数组的加法和乘法与列表不一样：

a + a

array([2, 4, 6, 8])

a * 2

array([2, 4, 6, 8])

a * a

array([ 1,  4,  9, 16])

a / a

array([1., 1., 1., 1.])

array([1, 2, 3, 4])

数组的属性

数组有一些基础属性，例如形状：

a.shape

(4,)

也可以用函数np.shape()获取：

np.shape(a)

(4,)

该函数会将输入先转换为数组，因此还可以作用在非数组上：

np.shape([1, 2, 3, 4])

(4,)

多维列表的形状：

np.shape([[1, 2, 3], [4, 5, 6]])

(2, 3)

数组有类型的概念，数组中的元素属于同一个类型：

a.dtype

dtype('int64')

每个元素所占的字节数：

a.itemsize

数组中的元素总数：

a.size

数组使用一段连续的内存存储数据，数组所有元素所占空间：

a.nbytes

属性.nbytes的值是这段连续内存的大小，等于属性.itemsize和属性.size的乘积。事实上，数组所占的存储空间要比这个数字大，因为数组还需要额外的空间存储数组的形状和数据类型信息。

查看数组维度：

a.ndim

数组的类型

数组的类型在产生数组时确定：

array([1, 2, 3, 4])

a.dtype

dtype('int64')

浮点数的类型默认是64位浮点数：

b = np.array([1.2, 3.5, 5.1])

b.dtype

dtype('float64')

当传入数据中有多种类型时，NumPy会自动进行判断，将数组转换为最通用的类型：

c = np.array([1 + 2j, 4.5, 3])

c.dtype

dtype('complex128')

更复杂的输入类型组合，NumPy会将它们转化为最基本的类型：object：

np.array(['abc', 1, {1, 2, 3}])

array(['abc', 1, {1, 2, 3}], dtype=object)

可以在定义数组的时候，指定dtype：

a = np.array([1, 2, 3, 4], dtype=float)

a.dtype

dtype('float64')

dtype可以接受多种类型的参数：

Python中的类型名如：int、float、complex、str等。
NumPy中的类型名：np.float32、np.int64、np.uint等。
类型名对应的字符串，如："int"、"float"、"float32"、"int64"、"str"等。

数组的类型还可以转换：

np.asarray(a, dtype=int)

array([1, 2, 3, 4])

a.astype(int)

array([1, 2, 3, 4])

原数组不会变化：

array([1., 2., 3., 4.])

NumPy中的特殊值

np.array([1, -1, 0]) / 0

/var/folders/jy/yvmv88r909s2y0qzjw2ryn7m0000gn/T/ipykernel_20111/2604490398.py:1: RuntimeWarning: divide by zero encountered in true_divide
  np.array([1, -1, 0]) / 0
/var/folders/jy/yvmv88r909s2y0qzjw2ryn7m0000gn/T/ipykernel_20111/2604490398.py:1: RuntimeWarning: invalid value encountered in true_divide
  np.array([1, -1, 0]) / 0

array([ inf, -inf,  nan])

数组的生成

全0数组和全1数组：

np.zeros(10)

array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

np.zeros((2, 3))

array([[0., 0., 0.],
       [0., 0., 0.]])

np.ones((2, 3))

array([[1., 1., 1.],
       [1., 1., 1.]])

np.ones(10)

array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

指定间距的等距数组：

np.arange(10)

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

np.arange(5.0)

array([0., 1., 2., 3., 4.])

np.arange(0, 1, 0.1)

array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])

指定大小的等距数组：

np.linspace(1, 20, 10)

array([ 1.        ,  3.11111111,  5.22222222,  7.33333333,  9.44444444,
       11.55555556, 13.66666667, 15.77777778, 17.88888889, 20.        ])

数组的索引

一维数组的单元素索引：

array([1., 2., 3., 4.])

a[0]

1.0

a[0] = 10

array([10.,  2.,  3.,  4.])

切片：

a[1:-1]

array([2., 3.])

a[::-1]

array([ 4.,  3.,  2., 10.])

多维数组的索引：

b = np.array([[ 1,  2,  3,  4,  5],
              [11, 12, 13, 14, 15],
              [21, 22, 23, 24, 25],
              [31, 32, 33, 34, 35],
              [41, 42, 43, 44, 45],
              [51, 52, 53, 54, 55]])

b.shape

(6, 5)

b[0][1]

b[0, 1]

b[-1, -1]

索引某一行或某一列：

b[:, 1]

array([ 2, 12, 22, 32, 42, 52])

b[1]

array([11, 12, 13, 14, 15])

b[1, :]

array([11, 12, 13, 14, 15])

索引其中的某几行和某几列，例如，第二三行的第三四列：

b[1:3, 2:4]

array([[13, 14],
       [23, 24]])

数组的迭代

a = np.arange(5)

for i in a:
    print(i)

b = np.arange(24)

b.shape = 4, 6

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]])

for i in b:
    print(i)

[0 1 2 3 4 5]
[ 6  7  8  9 10 11]
[12 13 14 15 16 17]
[18 19 20 21 22 23]

for idx, v in np.ndenumerate(b):
    print(idx, v)

(0, 0) 0
(0, 1) 1
(0, 2) 2
(0, 3) 3
(0, 4) 4
(0, 5) 5
(1, 0) 6
(1, 1) 7
(1, 2) 8
(1, 3) 9
(1, 4) 10
(1, 5) 11
(2, 0) 12
(2, 1) 13
(2, 2) 14
(2, 3) 15
(2, 4) 16
(2, 5) 17
(3, 0) 18
(3, 1) 19
(3, 2) 20
(3, 3) 21
(3, 4) 22
(3, 5) 23