numpy之多维数组的创建全过程

二十一木

numpy多维数组的创建

多维数组（矩阵ndarray）
ndarray的基本属性

• 1. shape

  复制代码
  维度的大小
  
• 1. ndim

  复制代码
  维度的个数
  
• 1. dtype

  复制代码
  数据类型
  

1.1 随机抽样创建

1.1.1 rand
生成指定维度的随机多维度浮点型数组，区间范围是[0,1)

1. Random values in a given shape.
   
2.             Create an array of the given shape and populate it with
   
3.             random samples from a uniform distribution
   
4.             over ``[0, 1)``.
   
5. nd1 = np.random.rand(1,1)
   
6. print(nd1)
   
7. print('维度的个数',nd1.ndim)
   
8. print('维度的大小',nd1.shape)
   
9. print('数据类型',nd1.dtype)   # float 64

复制代码

1.1.2 uniform

1. def uniform(low=0.0, high=1.0, size=None): # real signature unknown; restored from __doc__
   
2.     """
   
3.     uniform(low=0.0, high=1.0, size=None)
   
4.             Draw samples from a uniform distribution.
   
5.             Samples are uniformly distributed over the half-open interval
   
6.             ``[low, high)`` (includes low, but excludes high).  In other words,
   
7.             any value within the given interval is equally likely to be drawn
   
8.             by `uniform`.
   
9.             Parameters
   
10.             ----------
    
11.             low : float or array_like of floats, optional
    
12.                 Lower boundary of the output interval.  All values generated will be
    
13.                 greater than or equal to low.  The default value is 0.
    
14.             high : float or array_like of floats
    
15.                 Upper boundary of the output interval.  All values generated will be
    
16.                 less than high.  The default value is 1.0.
    
17.             size : int or tuple of ints, optional
    
18.                 Output shape.  If the given shape is, e.g., ``(m, n, k)``, then
    
19.                 ``m * n * k`` samples are drawn.  If size is ``None`` (default),
    
20.                 a single value is returned if ``low`` and ``high`` are both scalars.
    
21.                 Otherwise, ``np.broadcast(low, high).size`` samples are drawn.
    
22.             Returns
    
23.             -------
    
24.             out : ndarray or scalar
    
25.                 Drawn samples from the parameterized uniform distribution.
    
26.             See Also
    
27.             --------
    
28.             randint : Discrete uniform distribution, yielding integers.
    
29.             random_integers : Discrete uniform distribution over the closed
    
30.                               interval ``[low, high]``.
    
31.             random_sample : Floats uniformly distributed over ``[0, 1)``.
    
32.             random : Alias for `random_sample`.
    
33.             rand : Convenience function that accepts dimensions as input, e.g.,
    
34.                    ``rand(2,2)`` would generate a 2-by-2 array of floats,
    
35.                    uniformly distributed over ``[0, 1)``.
    
36.             Notes
    
37.             -----
    
38.             The probability density function of the uniform distribution is
    
39.             .. math:: p(x) = \frac{1}{b - a}
    
40.             anywhere within the interval ``[a, b)``, and zero elsewhere.
    
41.             When ``high`` == ``low``, values of ``low`` will be returned.
    
42.             If ``high`` < ``low``, the results are officially undefined
    
43.             and may eventually raise an error, i.e. do not rely on this
    
44.             function to behave when passed arguments satisfying that
    
45.             inequality condition.
    
46.             Examples
    
47.             --------
    
48.             Draw samples from the distribution:
    
49.             >>> s = np.random.uniform(-1,0,1000)
    
50.             All values are within the given interval:
    
51.             >>> np.all(s >= -1)
    
52.             True
    
53.             >>> np.all(s < 0)
    
54.             True
    
55.             Display the histogram of the samples, along with the
    
56.             probability density function:
    
57.             >>> import matplotlib.pyplot as plt
    
58.             >>> count, bins, ignored = plt.hist(s, 15, density=True)
    
59.             >>> plt.plot(bins, np.ones_like(bins), linewidth=2, color='r')
    
60.             >>> plt.show()
    
61.     """
    
62.     pass

复制代码

1. nd2 = np.random.uniform(-1,5,size = (2,3))
   
2. print(nd2)
   
3. print('维度的个数',nd2.ndim)
   
4. print('维度的大小',nd2.shape)
   
5. print('数据类型',nd2.dtype)

复制代码

运行结果：

1.1.3 randint

1. def randint(low, high=None, size=None, dtype='l'): # real signature unknown; restored from __doc__
   
2.     """
   
3.     randint(low, high=None, size=None, dtype='l')
   
4.             Return random integers from `low` (inclusive) to `high` (exclusive).
   
5.             Return random integers from the "discrete uniform" distribution of
   
6.             the specified dtype in the "half-open" interval [`low`, `high`). If
   
7.             `high` is None (the default), then results are from [0, `low`).
   
8.             Parameters
   
9.             ----------
   
10.             low : int
    
11.                 Lowest (signed) integer to be drawn from the distribution (unless
    
12.                 ``high=None``, in which case this parameter is one above the
    
13.                 *highest* such integer).
    
14.             high : int, optional
    
15.                 If provided, one above the largest (signed) integer to be drawn
    
16.                 from the distribution (see above for behavior if ``high=None``).
    
17.             size : int or tuple of ints, optional
    
18.                 Output shape.  If the given shape is, e.g., ``(m, n, k)``, then
    
19.                 ``m * n * k`` samples are drawn.  Default is None, in which case a
    
20.                 single value is returned.
    
21.             dtype : dtype, optional
    
22.                 Desired dtype of the result. All dtypes are determined by their
    
23.                 name, i.e., 'int64', 'int', etc, so byteorder is not available
    
24.                 and a specific precision may have different C types depending
    
25.                 on the platform. The default value is 'np.int'.
    
26.                 .. versionadded:: 1.11.0
    
27.             Returns
    
28.             -------
    
29.             out : int or ndarray of ints
    
30.                 `size`-shaped array of random integers from the appropriate
    
31.                 distribution, or a single such random int if `size` not provided.
    
32.             See Also
    
33.             --------
    
34.             random.random_integers : similar to `randint`, only for the closed
    
35.                 interval [`low`, `high`], and 1 is the lowest value if `high` is
    
36.                 omitted. In particular, this other one is the one to use to generate
    
37.                 uniformly distributed discrete non-integers.
    
38.             Examples
    
39.             --------
    
40.             >>> np.random.randint(2, size=10)
    
41.             array([1, 0, 0, 0, 1, 1, 0, 0, 1, 0])
    
42.             >>> np.random.randint(1, size=10)
    
43.             array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
    
44.             Generate a 2 x 4 array of ints between 0 and 4, inclusive:
    
45.             >>> np.random.randint(5, size=(2, 4))
    
46.             array([[4, 0, 2, 1],
    
47.                    [3, 2, 2, 0]])
    
48.     """
    
49.     pass

复制代码

1. nd3 = np.random.randint(1,20,size=(3,4))
   
2. print(nd3)
   
3. print('维度的个数',nd3.ndim)
   
4. print('维度的大小',nd3.shape)
   
5. print('数据类型',nd3.dtype)
   
6. 展示：
   
7. [[11 17  5  6]
   
8. [17  1 12  2]
   
9. [13  9 10 16]]
   
10. 维度的个数 2
    
11. 维度的大小 (3, 4)
    
12. 数据类型 int32

复制代码

注意点：
1、如果没有指定最大值，只是指定了最小值，范围是[0,最小值）
2、如果有最小值，也有最大值，范围为[最小值,最大值)

1.2 序列创建

1.2.1 array

1. 通过列表进行创建
   
2. nd4 = np.array([1,2,3])
   
3. 展示：
   
4. [1 2 3]
   
5. 通过列表嵌套列表创建
   
6. nd5 = np.array([[1,2,3],[4,5]])
   
7. 展示：
   
8. [list([1, 2, 3]) list([4, 5])]
   
9. 综合
   
10. nd4 = np.array([1,2,3])
    
11. print(nd4)
    
12. print(nd4.ndim)
    
13. print(nd4.shape)
    
14. print(nd4.dtype)
    
15. nd5 = np.array([[1,2,3],[4,5,6]])
    
16. print(nd5)
    
17. print(nd5.ndim)
    
18. print(nd5.shape)
    
19. print(nd5.dtype)
    
20. 展示：
    
21. [1 2 3]
    
22. 1
    
23. (3,)
    
24. int32
    
25. [[1 2 3]
    
26. [4 5 6]]
    
27. 2
    
28. (2, 3)
    
29. int32

复制代码

1.2.2 zeros

1. nd6 = np.zeros((4,4))
   
2. print(nd6)
   
3. 展示：
   
4. [[0. 0. 0. 0.]
   
5. [0. 0. 0. 0.]
   
6. [0. 0. 0. 0.]
   
7. [0. 0. 0. 0.]]
   
8. 注意点：
   
9. 1、创建的数里面的数据为0
   
10. 2、默认的数据类型是float
    
11. 3、可以指定其他的数据类型

复制代码

1.2.3 ones

1. nd7 = np.ones((4,4))
   
2. print(nd7)
   
3. 展示：
   
4. [[1. 1. 1. 1.]
   
5. [1. 1. 1. 1.]
   
6. [1. 1. 1. 1.]
   
7. [1. 1. 1. 1.]]

复制代码

1.2.4 arange

1. nd8 = np.arange(10)
   
2. print(nd8)
   
3. nd9 = np.arange(1,10)
   
4. print(nd9)
   
5. nd10 = np.arange(1,10,2)
   
6. print(nd10)

复制代码

结果：

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

复制代码

注意点：

• 1、只填写一位数，范围：[0,填写的数字)
  
• 2、填写两位，范围：[最低位，最高位)
  
• 3、填写三位，填写的是（最低位，最高位，步长）
  
• 4、创建的是一位数组
  
• 5、等同于np.array(range())
  

1.3 数组重新排列

1. nd11 = np.arange(10)
   
2. print(nd11)
   
3. nd12 = nd11.reshape(2,5)
   
4. print(nd12)
   
5. print(nd11)
   
6. 展示：
   
7. [0 1 2 3 4 5 6 7 8 9]
   
8. [[0 1 2 3 4]
   
9. [5 6 7 8 9]]
   
10. [0 1 2 3 4 5 6 7 8 9]
    
11. 注意点：
    
12. 1、有返回值，返回新的数组，原始数组不受影响
    
13. 2、进行维度大小的设置过程中，要注意数据的个数，注意元素的个数
    
14. nd13 = np.arange(10)
    
15. print(nd13)
    
16. nd14 = np.random.shuffle(nd13)
    
17. print(nd14)
    
18. print(nd13)
    
19. 展示：
    
20. [0 1 2 3 4 5 6 7 8 9]
    
21. None
    
22. [8 2 6 7 9 3 5 1 0 4]
    
23. 注意点：
    
24. 1、在原始数据集上做的操作
    
25. 2、将原始数组的元素进行重新排列，打乱顺序
    
26. 3、shuffle这个是没有返回值的

复制代码

两个可以配合使用，先打乱，在重新排列

1.4 数据类型的转换

1. nd15 = np.arange(10,dtype=np.int64)
   
2. print(nd15)
   
3. nd16 = nd15.astype(np.float64)
   
4. print(nd16)
   
5. print(nd15)
   
6. 展示：
   
7. [0 1 2 3 4 5 6 7 8 9]
   
8. [0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
   
9. [0 1 2 3 4 5 6 7 8 9]
   
10. 注意点：
    
11. 1、astype()不在原始数组做操作，有返回值，返回的是更改数据类型的新数组
    
12. 2、在创建新数组的过程中，有dtype参数进行指定

复制代码

1.5 数组转列表

1. arr1 = np.arange(10)
   
2. # 数组转列表
   
3. print(list(arr1))
   
4. print(arr1.tolist())
   
5. 展示：
   
6. [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
   
7. [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

复制代码

numpy 多维数组相关问题


创建（多维）数组

1. x = np.zeros(shape=[10, 1000, 1000], dtype='int')

复制代码

得到全零的多维数组。

数组赋值

1. x[*,*,*] = ***

复制代码

np数组保存

1. np.save("./**.npy",x)

复制代码

读取np数组

1. x = np.load("path")

复制代码

总结

以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。

来源:https://www.jb51.net/article/283847.htm
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！