Numpy是一个通用的数组处理包。它提供了一个高性能的多维数组对象，以及用于处理这些数组的工具。它是使用 Python 进行科学计算的基础包。
除了其明显的科学用途外，Numpy 还可以用作通用数据的高效多维容器。
Numpy 中的数组
Numpy 中的数组是一个元素表（通常是数字），所有元素类型相同，由正整数元组索引。在 Numpy 中，数组的维数称为数组的秩。给出数组沿每个维的大小的整数元组称为数组的形状。Numpy 中的数组类称为ndarray。Numpy 数组中的元素可以使用方括号访问，并且可以使用嵌套的 Python 列表进行初始化。
创建 Numpy 数组 Numpy
中的数组可以通过多种方式创建，具有不同数量的 Rank，定义数组的大小。数组也可以使用各种数据类型来创建，例如列表、元组等。结果数组的类型是从序列中元素的类型推导出来的。
注意： 数组的类型可以在创建数组时显式定义。
# 用于创建数组的 Python 程序 import numpy as np # 创建 rank 1 数组 arr = np.array([1, 2, 3]) print("Array with Rank 1: \n",arr) # 创建 rank 2 数组 arr = np.array([[1, 2, 3], [4, 5, 6]]) print("Array with Rank 2: \n", arr) # 从元组创建数组 arr = np.array((1, 3, 2)) print("\nArray created using " "passed tuple:\n", arr)
输出：
Array with Rank 1: [1 2 3] Array with Rank 2: [[1 2 3] [4 5 6]] Array created using passed tuple: [1 3 2]
访问数组索引
在 numpy 数组中，索引或访问数组索引可以通过多种方式完成。要打印数组的范围，需要进行切片。数组切片是在新数组中定义一个范围，该数组用于打印原始数组中的一系列元素。由于切片数组包含原始数组的一系列元素，因此在切片数组的帮助下修改内容会修改原始数组内容。
# 用于演示 numpy 数组中的索引的 Python 程序 import numpy as np # 初始数组 arr = np.array([[-1, 2, 0, 4], [4, -0.5, 6, 0], [2.6, 0, 7, 8], [3, -7, 4, 2.0]]) print("Initial Array: ") print(arr) # 使用切片方法打印一系列数组 sliced_arr = arr[:2, ::2] print ("Array with first 2 rows and" " alternate columns(0 and 2):\n", sliced_arr) # 以特定索引打印元素 Index_arr = arr[[1, 1, 0, 3], [3, 2, 1, 0]] print ("\nElements at indices (1, 3), " "(1, 2), (0, 1), (3, 0):\n", Index_arr)
输出：
Initial Array: [[-1. 2. 0. 4. ] [ 4. -0.5 6. 0. ] [ 2.6 0. 7. 8. ] [ 3. -7. 4. 2. ]] Array with first 2 rows and alternate columns(0 and 2): [[-1. 0.] [ 4. 6.]] Elements at indices (1, 3), (1, 2), (0, 1), (3, 0): [ 0. 54. 2. 3.]
基本数组操作
在 numpy 中，数组允许对特定数组或数组组合执行广泛的操作。这些运算包括一些基本的数学运算以及一元和二元运算。
# 演示单个数组的基本操作的 Python 程序 import numpy as np # 定义数组 1 a = np.array([[1, 2], [3, 4]]) # 定义数组 2 b = np.array([[4, 3], [2, 1]]) # 每个元素加 1 print ("Adding 1 to every element:", a + 1) # 从每个元素中减去 2 print ("\nSubtracting 2 from each element:", b - 2) # 数组元素的总和执行一元运算 print ("\nSum of all array " "elements: ", a.sum()) # 添加两个数组执行二元运算 print ("\nArray sum:\n", a + b)
输出：
Adding 1 to every element: [[2 3] [4 5]] Subtracting 2 from each element: [[ 2 1] [ 0 -1]] Sum of all array elements: 10 Array sum: [[5 5] [5 5]]
Numpy 中的数据类型
每个 Numpy 数组都是一个元素表（通常是数字），所有元素类型相同，由正整数元组索引。每个 ndarray 都有一个关联的数据类型 (dtype) 对象。此数据类型对象 (dtype) 提供有关数组布局的信息。。ndarray 的值存储在缓冲区中，可以将其视为可以由 dtype 对象解释的连续内存字节块。Numpy 提供了大量可用于构造数组的数值数据类型。在创建数组时，Numpy 会尝试猜测数据类型，但构造数组的函数通常还包含一个可选参数来显式指定数据类型。
构造数据类型对象
在 Numpy 中，除非需要特定的数据类型，否则不需要定义数组的数据类型。Numpy 尝试猜测未在构造函数中预定义的数组的数据类型。
# Python 程序创建数据类型对象 import numpy as np # Numpy 猜测的整数数据类型 x = np.array([1, 2]) print("Integer Datatype: ") print(x.dtype) # Numpy 猜测的浮点数据类型 x = np.array([1.0, 2.0]) print("\nFloat Datatype: ") print(x.dtype) # 强制数据类型 x = np.array([1, 2], dtype = np.int64) print("\nForcing a Datatype: ") print(x.dtype)
输出：
Integer Datatype: int64 Float Datatype: float64 Forcing a Datatype: int64
DataType 数组上的数学运算
在 Numpy 数组中，基本的数学运算是在数组上按元素执行的。这些操作既作为运算符重载应用，也作为函数应用。Numpy 中提供了许多有用的函数来对数组执行计算，例如sum：用于添加数组元素，T：用于元素的转置等。
# Python 程序创建数据类型对象 import numpy as np # 第一个数组 arr1 = np.array([[4, 7], [2, 6]], dtype = np.float64) # 第二个数组 arr2 = np.array([[3, 6], [2, 8]], dtype = np.float64) # 两个数组的加法 Sum = np.add(arr1, arr2) print("Addition of Two Arrays: ") print(Sum) # 使用预定义的 sum 方法添加所有 Array 元素 Sum1 = np.sum(arr1) print("\nAddition of Array elements: ") print(Sum1) # 数组的平方根 Sqrt = np.sqrt(arr1) print("\nSquare root of Array1 elements: ") print(Sqrt) # 使用内置函数“T”对数组进行转置 Trans_arr = arr1.T print("\nTranspose of Array: ") print(Trans_arr)
输出：
Addition of Two Arrays: [[ 7. 13.] [ 4. 14.]] Addition of Array elements: 19.0 Square root of Array1 elements: [[2. 2.64575131] [1.41421356 2.44948974]] Transpose of Array: [[4. 2.] [7. 6.]]
