多维数组
1. 一维数组只有行，二维数组相比一维数组多了列这个维度，而三维数组则类似多个二维数组堆叠在一起，形如一个立方体。
二维数组的创建
1. 二维数组相当于单层的嵌套列表。并且我们可以将单层嵌套列表传入 np.array() 方法创建一个二维数组。
2. ones() 和 zeros() 方法同样也能快速创建元素全为 1 和 0 的二维数组。与之前的区别在于，创建二维数组要传入一个包含行和列信息的元组。
3. 更多维的数组的创建，只要传入嵌套层数更多的列表即可。
import numpy as np list_1=[[1, 2], [3, 4]] print(list_1) # [[1, 2], [3, 4]] list_2=np.array([[1, 2], [3, 4]]) print(list_2) # [[1 2] # [3 4]]
import numpy as np list_1=np.ones((3,4)) # 3行4列 print(list_1) #[[1. 1. 1. 1.] # [1. 1. 1. 1.] # [1. 1. 1. 1.]]
多维数组的性质
1. ndim：多维数组的维度个数。例如：二维数组的 ndim 为 2；
2. shape：多维数组的形状。对于 m 行和 n 列的数组，它的 shape 将是 (m,n)。因此，shape 元组的长度（元素个数）就是 ndim 的值；
3. size：多维数组中所有元素的个数。shape 元组中每个元素的乘积就是 size 的值；
4. dtype：多维数组中元素的类型。
data = np.array([[1, 2, 3], [4, 5, 6]]) print('ndim:', data.ndim) print('shape:', data.shape) print('size:', data.size) print('dtype:', data.dtype) # ndim: 2 # shape: (2, 3) # size: 6 # dtype: int64
二维数组的加减乘除
1. 二维数组间的加减乘除和一维数组间的并无大致，也是对应位置的元素进行计算。
2. 维度一样的数组间可以进行计算的条件是形状（shape）一样，形状不一样的数组元素无法一一对应，因此无法计算，导致报错。
3. 广播原则：先补齐行轴，再往列轴方向进行复制。
二维数组的通用方法
1. 二维数组的通用方法和一维数组的通用方法的基本用法类似，只是多了一个维度的数据。
2. 二维数组不仅可以对所有数据进行计算，还可以针对某个维度上的数据进行计算。
3. 这里就要引入一个概念——轴（axis）。轴和维度的概念是类似的，一维数组有 1 个轴，二维数组有 2 个轴，三维数组有 3 个轴等等。
import numpy as np data = np.array([[1, 2], [5, 3], [4, 6]]) # 不指定 axis print(data.max()) # 输出：6 # axis=0 print(data.max(axis=0)) # 输出：[5 6] # axis=1 print(data.max(axis=1)) # 输出：[2 5 6]
二维数组的索引和分片
1. 二维数组的索引和分片同样和一维数组类似，只是在行索引的基础上再加上列索引。
2. 形如 data[m,n]，其中 data 是二维数组，m 是行索引或分片，n 是列索引或分片。
3. 如果省略第二个参数 n 的话表示获取所有列，data[0] 就表示获取整个第一行，相当于 data[0, :]。
data = np.array([[1, 2], [3, 4], [5, 6]]) print(data[0, 1]) # 2 print(data[:, 0]) # [1 3 5] print(data[1:3]) # [[3 4] # [5 6]]
布尔索引
1. 布尔索引，顾名思义就是用布尔值作为索引去获取需要的元素。
2. and 改用 &，or 改用 |，not 改用 ~，并且每个条件要用括号括起来。
data = np.array([[1, 2], [3, 4], [5, 6]]) print(data[data > 3]) # 输出：[4 5 6] # 大于 3 或者不小于 2（即大于等于 2） print(data[(data > 3) | ~(data < 2)]) # 输出：[2 3 4 5 6]
实用方法
arange() 方法
1. numpy 中的 arange() 方法和 Python 中的 rang() 用法类似，不同之处在于 arange() 方法生成的是数组，而 rang() 方法生成的是 rang 类型的序列。
# 生成 1-9 的数组 print(np.arange(1, 10)) # 输出：[1 2 3 4 5 6 7 8 9] # 生成 0-9 的数组 print(np.arange(10)) # 输出：[0 1 2 3 4 5 6 7 8 9] # 生成 1-9 的数组，步长为 2 print(np.arange(1, 10, 2)) # 输出：[1 3 5 7 9]
随机方法
1. Python 中有 random 模块来生成随机数，numpy 针对多维数组也集成了 random 模块，并且更加方便好用。
2. 这里只介绍其中的 rand() 方法和 randint() 方法，更多方法大家可以在需要时查询使用。
3. numpy 中的 np.random.rand() 方法和 Python 中 random.rand() 方法类似，都是生成 [0,1) 之间的随机小数。
4. 不同的是，numpy 中的 np.random.rand() 方法可以生成多个 [0,1) 之间的随机小数，只需我们传入要生成的随机数组的形状（shape）即可。
5. 同理，numpy 中的 np.random.randint() 方法和 Python 中的 random.randint() 类似.
6. 不同之处在于，random.randint() 生成的是 [m,n] 之间的整数，而 np.random.randint() 生成的是 [m,n) 之间的整数。
# 不传参数时 print(np.random.rand()) # 输出：0.1392571183916036 # 传入一个参数时 print(np.random.rand(3)) # 输出：[0.7987698 0.52115291 0.70452156] # 传入多个参数时 print(np.random.rand(2, 3)) # 输出： # [[0.08539006 0.97878203 0.23976172] # [0.34301963 0.48388704 0.63304024]]
# 不传入形状时 print(np.random.randint(0, 5)) # 输出：3 # 形状为一维数组时 print(np.random.randint(0, 5, 3)) # 输出：[4 0 1] # 形状为二维数组时 print(np.random.randint(0, 5, (2, 3))) # 输出： # [[0 2 1] # [4 2 0]]
genfromtxt() 方法
1. genfromtxt() 方法用于文件的读取。
2. genfromtxt() 方法常用的参数有两个，分别是数据源和分隔符。
3. 第一个参数是数据源，可以是本地文件的路径，也可以是网络文件的地址。
4. 第二个delimiter 参数用于指定分隔符，CSV 文件一般是用逗号作为分隔符，当遇到其他符号分隔的文件时，用 delimiter 参数进行指定即可。
5. genfromtxt() 方法的返回值是一个多维数组。
import numpy as np data=np.genfromtxt('data.csv',delimiter=',') print(data)
致谢
感谢您花时间阅读这篇文章！如果您对本文有任何疑问、建议或是想要分享您的看法，请不要犹豫，在评论区留下您的宝贵意见。每一次互动都是我前进的动力，您的支持是我最大的鼓励。期待与您的交流，让我们共同成长，探索技术世界的无限可能！
