社区首页 >专栏 >Python数据分析(3)-numpy中nd数组的创建

Python数据分析(3)-numpy中nd数组的创建

锦小年

发布于 2018-01-02 06:08:56

2.1K00

代码可运行

文章被收录于专栏：锦小年的博客锦小年的博客

运行总次数：0

代码可运行

1、ndarray的内存结构

和其他的库一样，每个库都可能有自己独特的数据结构，例如OpenCV，numpy库的多维数组叫做ndarray（ N dimensionality array ），它的内存结构如下图：

ndarray的内存结构在这个结构体中有两个对象，一个是用来描述元素类型的头部区域，一个是用来储存数据的数据区域。（事实上大多数数据类型的数据都是这么储存的）。

2、ndarray对象的创建

2.1 ndarray多维数组的创建常规方法创建一个3*3的数组并在屏幕打印它以及它的类型和维数：

import numpy as np

x = np.array([[0,1,2],[3,4,5],[6,7,8]],dtype = np.int32)
print('这个数组是:',x)
print('这个数组的数据类型是:',x.dtype)
print('这个数组的大小：',x.shape)

屏幕输出结果：

我们也可以采用更加直接的办法：

import numpy as np
x = np.arange(0,9).reshape(3,3)
print('这个数组是:',x)
print('这个数组的数据类型是:',x.dtype)
print('这个数组的大小：',x.shape)

屏幕上打印输出的结果和前一种的结果是一样的。

2.2 ndarray多维数组的创建其他方法除了常规方法，numpy还提供了一些其他的创建方法： 2.2.1 创建全0或者全1的数组

例如：

import numpy as np

x = np.ones([3,3])
print('这个数组是:',x)
print('这个数组的数据类型是:',x.dtype)
print('这个数组的大小：',x.shape)

>>> x = np.arange(6) 
>>> x = x.reshape(2,3)
>>> x     
array([[0, 1, 2], [3, 4, 5]]) 
>>> np.ones_like(x) 
array([[1, 1, 1], [1, 1, 1]])
>>> y = np.arange(3, dtype=np.float) 
>>> y 
array([ 0., 1., 2.]) 
>>> np.ones_like(y) 
array([ 1., 1., 1.])

当然也可以填充其他的数：

import numpy as np
x = np.full([3,3],np.inf)
print('这个数组是:',x)
print('这个数组的数据类型是:',x.dtype)
print('这个数组的大小：',x.shape)

打印输出：

2.2.2 从已存在的数据中创建数组

>>> np.array([1, 2, 3]) 
array([1, 2, 3])

>>> np.array([1, 2, 3.0]) 
array([ 1., 2., 3.])

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

>>> np.array([1, 2, 3], ndmin=2) 
array([[1, 2, 3]])

>>> np.array([1, 2, 3], dtype=complex) 
array([ 1.+0.j, 2.+0.j, 3.+0.j])

>>> x = np.array([(1,2),(3,4)],dtype=[('a','<i4'),('b','<i4')]) 
>>> x['a'] 
array([1, 3])

2.2.3 创建记录阵列（record array，可能翻译不准）：创建一个阵列，将其他数组集中在一起管理，并可以命名：

例如：

import numpy as np

x1 = np.arange(0,3)
x2 = np.array(['ff','hh','yy'])
x3 = ([1,2,3])
r = np.core.records.fromarrays([x1,x2,x3],names='a,b,c')
print(r[2])
print(r.a)

2.2.4 创建字符数组 numpy提供了专门的函数创建字符数组：np.chararray（）首先看看它的参数： Parameters | ———- | shape : tuple | Shape of the array. | itemsize : int, optional | Length of each array element, in number of characters. Default is 1. | unicode : bool, optional | Are the array elements of type unicode (True) or string (False). | Default is False. | buffer : int, optional | Memory address of the start of the array data. Default is None, | in which case a new array is created. | offset : int, optional | Fixed stride displacement from the beginning of an axis? | Default is 0. Needs to be >=0. | strides : array_like of ints, optional | Strides for the array (see ndarray.strides for full description). | Default is None. | order : {‘C’, ‘F’}, optional | The order in which the array data is stored in memory: ‘C’ -> | “row major” order (the default), ‘F’ -> “column major” | (Fortran) order.

 Examples
 |  --------
 |  >>> charar = np.chararray((3, 3))
 |  >>> charar[:] = 'a'
 |  >>> charar
 |  chararray([['a', 'a', 'a'],
 |         ['a', 'a', 'a'],
 |         ['a', 'a', 'a']],
 |        dtype='|S1')
 |  
 |  >>> charar = np.chararray(charar.shape, itemsize=5)
 |  >>> charar[:] = 'abc'
 |  >>> charar
 |  chararray([['abc', 'abc', 'abc'],
 |         ['abc', 'abc', 'abc'],
 |         ['abc', 'abc', 'abc']],
 |        dtype='|S5')

2.2.5 创建数值数组

import numpy as np

x1 = np.arange(0,3,1)
x2 = np.linspace(0,3,4)
x3 = np.logspace(1,8,3)
x4 = np.mgrid[0:3,0:3]
x5 = np.ogrid[0:3,0:3]
print(x1,x2,x3,x4,x5)