ndarray是一個包含了相同元素類型和大小的多維數組。
創建數組：
1、使用系統方法
empty(shape[, dtype, order]) # 根據給定的參數創建一個ndarray數組，值用隨機數填充
例：
>>> np.empty([2, 2]) array([[ -9.74499359e+001, 6.69583040e-309], [ 2.13182611e-314, 3.06959433e-309]])
empty_like(a[, dtype, order, subok]) #和empty不同的是，需要給出一個array的模板，就是a參數，新生成的ndarray繼承了a的shape和dtype
例：
>>> a = ([1,2,3], [4,5,6]) >>> np.empty_like(a) array([[-1073741821, -1073741821, 3], #random [ 0, 0, -1073741821]])
eye(N[, M, k, dtype]) #生成一個N行M列的數組，K指定一條斜線，這條斜線上的值都是1,數組的其他元素維0
例：生成一個5行4列的數組，索引爲1的斜線上全部是1,其他元素爲0
>>> np.eye(5,4,1) array([[ 0., 1., 0., 0.], [ 0., 0., 1., 0.], [ 0., 0., 0., 1.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]])
identity(n[, dtype]) #生成一個正方形的數組即N×N類型的數組，且索引萬惡哦0的斜線上維1,其他元素維0
例：
>>> np.identity(3) array([[ 1., 0., 0.], [ 0., 1., 0.], [ 0., 0., 1.]])
ones(shape[, dtype, order]) #生成一個指定shape和dtype的數組，用1填充
例：
>>> np.ones(5) array([ 1., 1., 1., 1., 1.]) >>> np.ones((2, 1)) array([[ 1.], [ 1.]])
ones_like(a[, dtype, order, subok]) #和ones的區別就是需要給定一個dnarray模板，新生成的array繼承了a的shape和dtype
例：
>>> 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]])
zeros(shape[, dtype, order]) #根據給定的shape，和dtype生成一個由0填充的數組
例：
>>> np.zeros(5) array([ 0., 0., 0., 0., 0.])
zeros_like(a[, dtype, order, subok]) #根據a模板生成一個新的用0 填充的ndarray數組
例：
>>> x = np.arange(6) >>> x = x.reshape((2, 3)) >>> x array([[0, 1, 2], [3, 4, 5]]) >>> np.zeros_like(x) array([[0, 0, 0], [0, 0, 0]])
full(shape, fill_value[, dtype, order]) #用指定的值填充數組
例：
>>> np.full((2, 2), 10) array([[10, 10], [10, 10]])
full_like(a, fill_value[, dtype, order, subok]) #根據a模板的shape和dtype生成一個數組，如果指定的填充數不是a的dtype類型，會向下取整，這時候也可以指定新數組的dtype類型。
例：
>>> x = np.arange(6, dtype=np.int) >>> np.full_like(x, 1) array([1, 1, 1, 1, 1, 1]) >>> np.full_like(x, 0.1) #如果full_value設置爲1.2則就是用1填充 array([0, 0, 0, 0, 0, 0]) >>> np.full_like(x, 0.1, dtype=np.double) array([ 0.1, 0.1, 0.1, 0.1, 0.1, 0.1]) >>> np.full_like(x, np.nan, dtype=np.double) array([ nan, nan, nan, nan, nan, nan])
2、用指定的數據填充
array(object[, dtype, copy, order, subok, ndmin]) #用對象直接填充數組
例：
>>> np.array([1, 2, 3]) #一維數組
array([1, 2, 3])
>>> np.array([[1, 2], [3, 4]]) #二維數組
array([[1, 2],
[3, 4]])
>>> np.array([1, 2, 3], ndmin=2) #只有一個元素的二維數組
array([[1, 2, 3]])
>>> np.array(np.mat('1 2; 3 4')) #從子類創建
array([[1, 2],
[3, 4]])asarray(a[, dtype, order]) #把lists, lists of tuples, tuples, tuples of tuples, tuples of lists and ndarrays轉化爲array
例：
>>> a = [1, 2] >>> np.asarray(a) array([1, 2])
asanyarray(a[, dtype, order]) #通過ndarray的子類創建array
>>> a = [1, 2] >>> np.asanyarray(a) array([1, 2])
ascontiguousarray(a[, dtype]) #返回一個地址連續的數組（C order）
>>> x = np.arange(6).reshape(2,3) >>> np.ascontiguousarray(x, dtype=np.float32) array([[ 0., 1., 2.], [ 3., 4., 5.]], dtype=float32) >>> x.flags['C_CONTIGUOUS'] True
asmatrix(data[, dtype]) # 把數組轉化爲矩陣,新的變量沒有copy數據，只是指向原有的數據
>>> x = np.array([[1, 2], [3, 4]]) >>> m = np.asmatrix(x) >>> x[0,0] = 5 >>> m matrix([[5, 2], [3, 4]])
copy(a[, order]) #顧名思義就是複製的意思
>>> x = np.array([1, 2, 3]) >>> y = x >>> z = np.copy(x) >>> x[0] = 10 >>> x[0] == y[0] True >>> x[0] == z[0] False
frombuffer(buffer[, dtype, count, offset]) #把buffer數據轉化爲1維數組ps:如果數據不是機器字節順序,需要指定他的dtype類型
>>> s = 'hello world' >>> np.frombuffer(s, dtype='S1', count=5, offset=6) array(['w', 'o', 'r', 'l', 'd'], dtype='|S1')
frombuffer(buffer[, dtype, count, offset]) #從文件讀取數據 ps:該方法不長用用save替代
fromfunction(function, shape, **kwargs) #用方法計算出來的數據填充數組
>>> np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int) array([[0, 1, 2], [1, 2, 3], [2, 3, 4]])
fromiter(iterable, dtype[, count]) #通過迭代器生成一個一維數組
>>> iterable = (x*x for x in range(5)) >>> np.fromiter(iterable, np.float) array([ 0., 1., 4., 9., 16.])
fromstring(string[, dtype, count, sep]) #把二進制流或者字符串轉化維數組
>>> np.fromstring('\x01\x02', dtype=np.uint8)
array([1, 2], dtype=uint8)
>>> np.fromstring('1 2', dtype=int, sep=' ')
array([1, 2])
>>> np.fromstring('1, 2', dtype=int, sep=',')
array([1, 2])
>>> np.fromstring('\x01\x02\x03\x04\x05', dtype=np.uint8, count=3)
array([1, 2, 3], dtype=uint8)| arange([start,] stop[, step,][, dtype]) |
#根據給定的區間創建連續的值
>>> np.arange(3) array([0, 1, 2]) >>> np.arange(3.0) array([ 0., 1., 2.]) >>> np.arange(3,7) array([3, 4, 5, 6]) >>> np.arange(3,7,2) array([3, 5])
numpu.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None) #arrange一樣,主要是生成浮點型
>>> np.linspace(2.0, 3.0, num=5) array([ 2. , 2.25, 2.5 , 2.75, 3. ]) >>> np.linspace(2.0, 3.0, num=5, endpoint=False) array([ 2. , 2.2, 2.4, 2.6, 2.8]) >>> np.linspace(2.0, 3.0, num=5, retstep=True) (array([ 2. , 2.25, 2.5 , 2.75, 3. ]), 0.25)
numpy.logspace(start,stop,num=50,endpoint=True,base=10.0,dtype=None) #log函數.base默認值爲10
>>> np.logspace(2.0, 3.0, num=4) array([ 100. , 215.443469 , 464.15888336, 1000. ]) >>> np.logspace(2.0, 3.0, num=4, endpoint=False) array([ 100. , 177.827941 , 316.22776602, 562.34132519]) >>> np.logspace(2.0, 3.0, num=4, base=2.0) array([ 4. , 5.0396842 , 6.34960421, 8. ])
numpy.geomspace(start,stop,num=50,endpoint=True,dtype=None) #幾何級增長
>>> np.geomspace(1, 1000, num=4) array([ 1., 10., 100., 1000.]) >>> np.geomspace(1, 1000, num=3, endpoint=False) array([ 1., 10., 100.]) >>> np.geomspace(1, 1000, num=4, endpoint=False) array([ 1. , 5.62341325, 31.6227766 , 177.827941 ]) >>> np.geomspace(1, 256, num=9) array([ 1., 2., 4., 8., 16., 32., 64., 128., 256.])
numpy.emshgrid(*xi,**kwargs) #把向量座標轉化爲矩陣座標;在二維度數組中長度爲M,N的的倆個數組作爲輸入:如果indexing='ij',則shape(M,N)如果indexing='xy'則shape(N.M)
>>> nx, ny = (3, 2) >>> x = np.linspace(0, 1, nx) >>> y = np.linspace(0, 1, ny) >>> xv, yv = np.meshgrid(x, y) >>> xv array([[ 0. , 0.5, 1. ], [ 0. , 0.5, 1. ]]) >>> yv array([[ 0., 0., 0.], [ 1., 1., 1.]])
numpy.diag(v,k=0) #提取對角或構建一個對角陣
>>> x = np.arange(9).reshape((3,3)) >>> xarray([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) >>> np.diag(x) array([0, 4, 8]) >>> np.diag(x, k=1) array([1, 5]) >>> np.diag(x, k=-1 array([3, 7])
numpy.diagflat(v,k=0) #一個扁平輸入作爲一個二維數組的對角
>>> np.diagflat([[1,2], [3,4]]) array([[1, 0, 0, 0], [0, 2, 0, 0], [0, 0, 3, 0], [0, 0, 0, 4]])
numpy.tri(N,M=None,k=0,dtype=<type 'float'>) #這個不會翻譯,但是看數據有點映像
>>> np.tri(3, 5, 2, dtype=int) array([[1, 1, 1, 0, 0], [1, 1, 1, 1, 0], [1, 1, 1, 1, 1]])
numpy.vander(x,N=None,incresing=False) # 範德蒙式,程序不重要,重要的是科學計算
>>> x = np.array([1, 2, 3, 5]) >>> N = 3 >>> np.vander(x, N) array([[ 1, 1, 1], [ 4, 2, 1], [ 9, 3, 1], [25, 5, 1]])
numpy.mat(data,dtype=None) #輸入轉化爲矩陣,創建一個新變量,指向舊的數據
>>> x = np.array([[1, 2], [3, 4]]) >>> m = np.asmatrix(x) >>> x[0,0] = 5 >>> m matrix([[5, 2], [3, 4]])
numpy.bmat(obj,ldict=None,gdict=None) #用字符串,嵌套序列,或者數組創建矩陣
>>> A = np.mat('1 1; 1 1')
>>> B = np.mat('2 2; 2 2')
>>> C = np.mat('3 4; 5 6')
>>> D = np.mat('7 8; 9 0')
>>> np.bmat([[A, B], [C, D]])
matrix([[1, 1, 2, 2],
[1, 1, 2, 2],
[3, 4, 7, 8],
[5, 6, 9, 0]])
>>> np.bmat(np.r_[np.c_[A, B], np.c_[C, D]])
matrix([[1, 1, 2, 2],
[1, 1, 2, 2],
[3, 4, 7, 8],
[5, 6, 9, 0]])
>>> np.bmat('A,B; C,D')
matrix([[1, 1, 2, 2],
[1, 1, 2, 2],
[3, 4, 7, 8],
[5, 6, 9, 0]])