介绍

来源：Numpy官网：https://numpy.org/doc/stable/user/basics.html

创建数组有 6 种常规机制：

1. 从其他 Python 结构（即列表和元组）转换
2. 内部 NumPy 数组创建函数(arange, ones, zeros 等)
3. 复制、联接或改变现有数组
4. 从磁盘读取阵列，无论是标准格式还是自定义格式
5. 通过使用字符串或缓冲区从原始字节创建数组
6. 使用特殊库功能(比如random)

导包

import numpy as np

【1】将Python序列转换为Numpy数组

NumPy数组可以使用Python序列（如列表和元组）进行定义。列表和元组分别使用 […] 和 (…) 定义。列表和元组可以定义 ndarray 创建：

数字列表将创建一个一维数组，

列表的列表将创建一个 2D 数组，

进一步嵌套的列表将创建更高维的数组。通常，任何数组对象在 NumPy 中都称为 ndarray。

a1D = np.array([1, 2, 3, 4])
a2D = np.array([[1, 2], [3, 4]])
a3D = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

print(a1D)

[1 2 3 4]

print(a2D)

[[1 2]
 [3 4]]

print(a3D)

[[[1 2]
  [3 4]]

 [[5 6]
  [7 8]]]

使用 numpy.array 定义新数组时，应考虑数组中元素的 dtype，可以显式指定。

如果你不小心dtype赋值，你可能会得到不需要的溢出

a = np.array([127, 128, 129], dtype=np.int8)
print(a)

[ 127 -128 -127]

8 位有符号整数表示从 -128 到 127 的整数。将 int8 数组分配给此范围之外的整数会导致溢出。

a = np.array([2, 3, 4], dtype=np.uint32)
b = np.array([5, 6, 7], dtype=np.uint32)

print(a)

[2 3 4]

print(b)

[5 6 7]

c_unsigned32 = a - b
print(c_unsigned32)  ## 这是无符号的情况

[4294967293 4294967293 4294967293]

c_unsigned32.dtype

dtype('uint32')

c_signed32 = a - b.astype(np.int32)
print(c_signed32)

[-3 -3 -3]

c_signed32.dtype

dtype('int64')

注意，当您对两个相同 dtype 的数组执行操作时：uint32，生成的数组是相同的类型。

当你使用不同的dtype执行操作时，NumPy将分配一个新的类型，该类型满足计算中涉及的所有数组元素，这里uint32都可以表示为int64 int32.

如果希望整数数组是特定类型，一定在创建数组时指定 dtype。

【2】通过已有的Numpy数组创建函数创建数组

NumPy 具有 40 多个内置函数，用于创建数组。这些函数可以根据它们创建的数组的维度大致分为三类：

• 一维数组
• 二维数组
• 多维数组ndarrays

① 一维数组创建函数

numpy.arange 创建具有固定递增值的数组【最佳用法：arange(start , stop ,step)】

print(np.arange(10))

[0 1 2 3 4 5 6 7 8 9]

print(np.arange(2, 10, dtype=float))

[2. 3. 4. 5. 6. 7. 8. 9.]

print(np.arange(2, 3, 0.1))

[2.  2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9]

在第三个示例中，数组为 dtype=float 以适应 0.1 的步长。由于舍入误差，有时会包括stop值。

numpy.linspace 将创建具有指定数量元素的数组，并在指定的开始值和结束值之间平均间隔。

print(np.linspace(1., 4., 6))

[1.  1.6 2.2 2.8 3.4 4. ]

此创建功能的优点是可以保证元素的数量以及起点和终点。前一个arange(start, stop, step)将不包括stop.

② 二维数组创建函数

np.eye(n, m) 定义了一个 2D 单位矩阵。其中 i=j（行索引和列索引相等）的元素为 1，其余元素为 0

print(np.eye(3))

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

print(np.eye(3, 5))

[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]]

numpy.diag 可以定义一个沿对角线具有给定值的方形 2D 数组，或者如果给定一个 2D 数组，则返回一个仅是对角线元素的一维数组。

print(np.diag([1, 2, 3]))

[[1 0 0]
 [0 2 0]
 [0 0 3]]

print(np.diag([1, 2, 3], 1))  # 上移

[[0 1 0 0]
 [0 0 2 0]
 [0 0 0 3]
 [0 0 0 0]]

print(np.diag([1, 2, 3], -1))  # 下移

[[0 0 0 0]
 [1 0 0 0]
 [0 2 0 0]
 [0 0 3 0]]

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

[[1 2]
 [3 4]]

print(np.diag(a))  ## 把二维数组的主对角线取出来了

[1 4]

vander(x, n) 将范德蒙德矩阵定义为 2D NumPy 数组。范德蒙德矩阵的每一列都是输入一维数组或列表或元组的递减x最高多项式阶数为 n-1。

$$V=\left[\begin{array}{ccccc}1& {\alpha }_1& {\alpha }_1^2& \dots & {\alpha }_1^{n-1}\\ 1& {\alpha }_2& {\alpha }_2^2& \dots & {\alpha }_2^{n-1}\\ 1& {\alpha }_3& {\alpha }_3^2& \dots & {\alpha }_3^{n-1}\\ ⋮& ⋮& ⋮& \ddots & ⋮\\ 1& {\alpha }_m& {\alpha }_m^2& \dots & {\alpha }_m^{n-1}\end{array}\right]$$

print(np.vander(np.linspace(0, 2, 5), 2))

[[0.  1. ]
 [0.5 1. ]
 [1.  1. ]
 [1.5 1. ]
 [2.  1. ]]

print(np.vander([1, 2, 3, 4], 2))

[[1 1]
 [2 1]
 [3 1]
 [4 1]]

print(np.vander((1, 2, 3, 4), 4))

[[ 1  1  1  1]
 [ 8  4  2  1]
 [27  9  3  1]
 [64 16  4  1]]

此数组创建方式有助于生成线性最小二乘模型

③ 常规ndarray 创建函数

numpy.zeros 将创建一个填充 0 值的数组，具有指定的形状。默认 dtype 为 float64:

print(np.zeros((2, 3)))

[[0. 0. 0.]
 [0. 0. 0.]]

np.zeros((2, 3)).dtype

dtype('float64')

print(np.zeros((2, 3, 2)))

[[[0. 0.]
  [0. 0.]
  [0. 0.]]

 [[0. 0.]
  [0. 0.]
  [0. 0.]]]

numpy.ones 将创建一个填充 1 个值的数组。它在所有其他方面都与zeros相同：

print(np.ones((2, 3)))

[[1. 1. 1.]
 [1. 1. 1.]]

print(np.ones((2, 3, 2)))

[[[1. 1.]
  [1. 1.]
  [1. 1.]]

 [[1. 1.]
  [1. 1.]
  [1. 1.]]]

default_rng结果的random方法将创建一个填充 0 到 1 之间的随机值的数组。它包含在numpy.random库中。

from numpy.random import default_rng

print(default_rng(42).random((2, 3)))

[[0.77395605 0.43887844 0.85859792]
 [0.69736803 0.09417735 0.97562235]]

print(default_rng(42).random((2, 3, 2)))

[[[0.77395605 0.43887844]
  [0.85859792 0.69736803]
  [0.09417735 0.97562235]]

 [[0.7611397  0.78606431]
  [0.12811363 0.45038594]
  [0.37079802 0.92676499]]]

这就是伪随机

numpy.indices 将创建一组数组（堆叠为一个更高维度的数组），每个维度一个，每个维度代表该维度的变体：

print(np.indices((3, 3)))

[[[0 0 0]
  [1 1 1]
  [2 2 2]]

 [[0 1 2]
  [0 1 2]
  [0 1 2]]]

【3】复制、连接或者改变现有数组

创建数组后，可以复制、联接或更改这些现有数组以创建新数组。

将数组或其元素分配给新变量时，必须显式 numpy.copy 数组，否则变量是原始数组的视图。

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

[1 2 3 4 5 6]

b = a[:2].copy()
print(b)

[1 2]

b += 1
print(b)

[2 3]

print(a)

[1 2 3 4 5 6]

copy深拷贝, 对拷贝出来的数组的操作不会影响原数组

有许多方法可以连接现有数组，例如numpy.vstack，numpy.hstack和numpy.vstacknumpy.hstack。numpy.block

使用block将四个 2 x 2 数组连接到 4 x 4 数组

A = np.ones((2, 2))
B = np.eye(2, 2)
C = np.zeros((2, 2))
D = np.diag((-3, -4))
print(A)

[[1. 1.]
 [1. 1.]]

print(B)

[[1. 0.]
 [0. 1.]]

print(C)

[[0. 0.]
 [0. 0.]]

print(D)

[[-3  0]
 [ 0 -4]]

print(np.block([[A, B], [C, D]]))

[[ 1.  1.  1.  0.]
 [ 1.  1.  0.  1.]
 [ 0.  0. -3.  0.]
 [ 0.  0.  0. -4.]]

【4】从磁盘读取数组

这是创建大型数组的最常见情况。详细信息在很大程度上取决于磁盘上数据的格式。

① 标准二进制格式

各种字段具有数组数据的标准格式。下面列出了具有已知 Python 库的那些来读取它们并返回 NumPy 数组

HDF5: h5py
FITS: Astropy

② 常见的ASCII格式

逗号分隔值 （csv） 和制表符分隔值 （tsv） 文件等分隔文件用于 Excel 和 LabView 等程序。

一个简单的例子给出了simple.csv:【见文件】

导入simple.csv是使用 loadtxt 完成的:

print(np.loadtxt("simple.csv", delimiter=',', skiprows=1))

[[0. 0.]
 [1. 1.]
 [2. 4.]
 [3. 9.]]

可以使用 scipy.io 和Pandas读取更通用的ASCII文件.

【5】使用字符串或缓冲区从原始字节创建数组

可以使用多种方法。如果文件具有相对简单的格式，则可以编写一个简单的I / O库，并使用NumPy fromfile()（）函数和.tofile()方法直接读取和写入NumPy数组（请注意您的字节顺序！如果存在一个读取数据的好的 C 或 C++ 库，则可以使用各种技术包装该库，尽管这肯定需要更多的工作，并且需要更高级的知识才能与 C 或 C++ 接口【官方文档没有给栗子… 用的应该比较少】

【6】使用特殊的库函数

NumPy是Python Scientific Computing堆栈中数组容器的基本库。许多Python库，包括SciPy，Pandas和OpenCV，使用NumPyndarrays作为数据交换的通用格式，这些库可以创建，操作和使用NumPy数组。