介紹

目前它是Python數(shù)值計(jì)算中最為重要的基礎(chǔ)包，將numpy的數(shù)組的對(duì)象作為數(shù)據(jù)交互的通用語(yǔ)，一般我們要充分理解好矩陣計(jì)算的原理，這需要你要有一些線性代數(shù)的基礎(chǔ)知識(shí)。在對(duì)數(shù)據(jù)處理、清洗、構(gòu)造子集、過(guò)濾、變換以及其他計(jì)算的過(guò)程快速的進(jìn)行向量化計(jì)算，后續(xù)也會(huì)介紹R語(yǔ)言，因?yàn)镽語(yǔ)言就是一個(gè)原生態(tài)基于向量化計(jì)算的編程語(yǔ)言。

Numpy的核心特征之一就是一個(gè)N維數(shù)組對(duì)象——ndarray,這是一個(gè)快速靈活的大型數(shù)據(jù)集容器，可以進(jìn)行科學(xué)數(shù)值計(jì)算。

代碼操作

import numpy as np

導(dǎo)入好包之后，我們隨機(jī)生成一個(gè)2*3的數(shù)組，2行3列的隨機(jī)數(shù)組

data=np.random.randn(2,3)

對(duì)數(shù)組的簡(jiǎn)單操作

data*10
 
>>array([[ 9.00839244, -17.67421607, -0.03125454],
  [ 19.79906711, -2.62145167, -12.55106031]])
 
data+data
 
>>array([[ 1.80167849, -3.53484321, -0.00625091],
  [ 3.95981342, -0.52429033, -2.51021206]])
 
data.shape
 
>>(2, 3)
 
data.dtype
 
>>dtype('float64')

生成ndarray

生成數(shù)組的最簡(jiǎn)單的方法就是使用array函數(shù)，對(duì)于傳入的類(lèi)型可以是其他任意的序列，如你傳入一個(gè)列表，那么它就會(huì)接收這個(gè)列表并轉(zhuǎn)換為數(shù)組類(lèi)型，如果傳入的是多個(gè)列表那么它就會(huì)接收多個(gè)，在線性代數(shù)里面我們叫這個(gè)是維度，比如下面的就是一個(gè)2行3列的矩陣。

data1=[[1,2,3],[4,5,6]]
 
arry1=np.array(data1)
 
arry1
 
>>array([[1, 2, 3],
  [4, 5, 6]])
 
arry1.ndim
 
>>2
 
arry1.shape
 
>>2, 3)

除了這個(gè)我們還可以使用其他的函數(shù)來(lái)創(chuàng)建數(shù)組，比如給定了長(zhǎng)度和形狀類(lèi)型就會(huì)一次性創(chuàng)建完畢,這里是創(chuàng)建了一個(gè)2*3的元素是1的數(shù)組

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

numpy里面也有像Python range（）函數(shù)一樣的效果——np.arange(),操作效果和Python的range函數(shù)有異曲同工之妙，start，stop，step都是可設(shè)置的。

對(duì)角矩陣生成

ndarray的數(shù)據(jù)類(lèi)型

如何查看數(shù)組的數(shù)據(jù)類(lèi)型以及如何進(jìn)行轉(zhuǎn)換，在numpy里面整型：int32，浮點(diǎn)型：float64.

Numpy 數(shù)組計(jì)算

基于numpy的數(shù)組計(jì)算在之前我也演示了一些，四則運(yùn)算，加減乘除，以及一些數(shù)組運(yùn)算，每一個(gè)數(shù)組與數(shù)組之間的計(jì)算都是元素相互對(duì)于的，并不是獨(dú)立的，這個(gè)是我們需要理解清楚的地方，有趣的是，我們需要比較兩個(gè)相同維數(shù)的數(shù)組，我們可以利用> = 來(lái)查看，它返回的是布爾值。

基礎(chǔ)索引和切片

在一維的數(shù)組里面，和Python列表里面的所有一樣，如果是高維的就有所不同了，就需要利用多重索引了,這里的變量和上面的一樣

如果產(chǎn)生了一個(gè)三位的數(shù)組，比如一個(gè)2*2*3的數(shù)組，我們按照索引，可以自動(dòng)索引出來(lái)第一個(gè)的的數(shù)組

對(duì)于高維的數(shù)組的切片，我們需要注意的是，它的切片原理是按照數(shù)組里面的數(shù)組進(jìn)行切片的，比如一個(gè)二維數(shù)組（2*3*2）的，我們需要取出每個(gè)單位數(shù)組里面的第一個(gè)元素，我們應(yīng)該如何做

很明顯的我們可以看出多維數(shù)組的切片特點(diǎn)：我這里抽象化為列表的特點(diǎn)來(lái)解釋?zhuān)热缥覀兛梢园讯嗑S數(shù)組看做是一個(gè)列表里面的多個(gè)列表，也就是嵌套列表，然后我們按照索引來(lái)取，上述例子就是首先取出兩個(gè)大的數(shù)組，然后從這個(gè)兩個(gè)大的數(shù)組里面再去前兩個(gè)數(shù)組，最后取出索引為0的元素，這樣層層遞減，一步一步的索引是numpy索引的特點(diǎn)，之所以大數(shù)據(jù)技術(shù)之分析與計(jì)算，要用到矩陣計(jì)算的優(yōu)化，就是來(lái)源于它的分而治之的原理和特點(diǎn)。

布爾索引

其實(shí)就是對(duì)數(shù)組里面的值或元素進(jìn)行比較，之中返回布爾值即可

上述例子就是產(chǎn)生了一個(gè)一維的字符串的數(shù)組，然后我們通過(guò)比較得出布爾值來(lái)獲取data的值，自然就獲取到data[0]的數(shù)組啦

注意在Python里面我們可以用and or來(lái)判斷，在numpy里面我們需要（and）|（or）來(lái)解決你的需求，記住喲

特殊索引

我們需要索引出不同位置的數(shù)組，這個(gè)時(shí)候我們還在一個(gè)一個(gè)的取出來(lái)嗎，當(dāng)然不是我們可以利用特殊的索引來(lái)解決這個(gè)問(wèn)題，比如下面的例子

下面我們來(lái)看看這個(gè)特殊索引的其他的用法

第一步我們我們按照索引取出對(duì)角線的元素，第二的一個(gè)我們想要得到一個(gè)二維的數(shù)組，我們?nèi)〕鲆粋€(gè)大數(shù)組里面索引位置分別為：1 5 7 2的一維數(shù)組然后我們利用索引位置的調(diào)換，把元素重新的進(jìn)行了排序。

數(shù)組的轉(zhuǎn)換和換軸

我們隨機(jī)生成一個(gè)0-15的元素組成3*5的一個(gè)數(shù)組，然后利用.T屬性,如果學(xué)過(guò)線性代數(shù)的小伙伴一定對(duì)這個(gè)不陌生，矩陣的轉(zhuǎn)置：把行變成列，把列變成行。

總結(jié)

在numpy的數(shù)組操作我們現(xiàn)在其實(shí)并沒(méi)有發(fā)現(xiàn)這個(gè)對(duì)我們的數(shù)據(jù)分析有什么用處，這個(gè)很正常。就像我們之前學(xué)習(xí)線性代數(shù)，我們發(fā)現(xiàn)這個(gè)矩陣對(duì)我們并沒(méi)什么用，但是當(dāng)你使用MATLAB的時(shí)候才發(fā)現(xiàn)“書(shū)到用時(shí)方恨少”的道理。

到此這篇關(guān)于Numpy ndarray 多維數(shù)組對(duì)象的使用的文章就介紹到這了,更多相關(guān)Numpy ndarray 多維數(shù)組對(duì)象內(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！