Python?NumPy數組的基本操作方法有哪些

這篇文章主要介紹了Python NumPy數組的基本操作方法有哪些的相關知識，內容詳細易懂，操作簡單快捷，具有一定借鑒價值，相信大家閱讀完這篇Python NumPy數組的基本操作方法有哪些文章都會有所收獲，下面我們一起來看看吧。

Numpy中的N維數組（ndarray）

Numpy 中的數組是一個元素表（通常是數字），所有元素類型相同，由正整數元組索引。在 Numpy 中，數組的維數稱為數組的秩。給出數組沿每個維的大小的整數元組稱為數組的形狀。Numpy 中的數組類稱為ndarray。Numpy 數組中的元素可以使用方括號訪問，并且可以使用嵌套的 Python 列表進行初始化。

例子 ：

[[ 1, 2, 3],
      [ 4, 2, 5]]

Here, rank = 2 (as it is 2-dimensional or it has 2 axes)
First dimension(axis) length = 2, second dimension has length = 3
overall shape can be expressed as: (2, 3)

# 演示基本數組特征的 Python 程序
import numpy as np
 
# 創建數組對象
arr = np.array( [[ 1, 2, 3],
                 [ 4, 2, 5]] )
 
# arr 對象的打印類型
print("Array is of type: ", type(arr))
 
# 打印數組維度（軸）
print("No. of dimensions: ", arr.ndim)
 
# 陣列的打印形狀
print("Shape of array: ", arr.shape)
 
# 數組的打印大小（元素總數）
print("Size of array: ", arr.size)
 
# 打印數組中元素的類型
print("Array stores elements of type: ", arr.dtype)

輸出 ：

Array is of type:  <class 'numpy.ndarray'>
No. of dimensions:  2
Shape of array:  (2, 3)
Size of array:  6
Array stores elements of type:  int64

數組創建

在 NumPy 中有多種創建數組的方法。

• 例如，您可以使用array函數從常規 Python列表或元組創建一個數組。 結果數組的類型是從序列中元素的類型推導出來的。****

• 通常，數組的元素最初是未知的，但它的大小是已知的。因此，NumPy 提供了幾個函數來創建具有初始占位符內容的數組。這些最大限度地減少了增長陣列的必要性，這是一項昂貴的操作。
  例如：  np.zeros、np.ones、np.full、np.empty 等。

• 為了創建數字序列，NumPy 提供了一個類似于 range 的函數，它返回數組而不是列表。

• arange： 返回給定間隔內均勻分布的值。步長是指定的。

• linspace： 返回給定間隔內均勻分布的值。編號_ 的元素被返回。

• 重塑數組： 我們可以使用reshape方法來重塑數組。考慮一個形狀為 (a1, a2, a3, ..., aN) 的數組。我們可以重新整形并將其轉換為另一個形狀為 (b1, b2, b3, ..., bM) 的數組。唯一需要的條件是：
  a1 x a2 x a3 &hellip; x aN = b1 x b2 x b3 &hellip; x bM 。（即數組的原始大小保持不變。）

• 扁平化數組： 我們可以使用扁平化方法將數組的副本折疊成一維。它接受order參數。默認值為“C”（用于行優先順序）。使用“F”表示列主要順序。

注意： 數組的類型可以在創建數組時顯式定義。

# 演示數組創建技術的 Python 程序
import numpy as np
 
# 從浮點類型的列表創建數組
a = np.array([[1, 2, 4], [5, 8, 7]], dtype = 'float')
print ("Array created using passed list:\n", a)
 
# 從元組創建數組
b = np.array((1 , 3, 2))
print ("\nArray created using passed tuple:\n", b)
 
# 創建一個全為零的 3X4 數組
c = np.zeros((3, 4))
print ("\nAn array initialized with all zeros:\n", c)
 
# 創建一個復雜類型的常量值數組
d = np.full((3, 3), 6, dtype = 'complex')
print ("\nAn array initialized with all 6s."
            "Array type is complex:\n", d)

輸出 ：

Array created using passed list:
 [[ 1.  2.  4.]
 [ 5.  8.  7.]]

Array created using passed tuple:
 [1 3 2]

An array initialized with all zeros:
 [[ 0.  0.  0.  0.]
 [ 0.  0.  0.  0.]
 [ 0.  0.  0.  0.]]

An array initialized with all 6s. Array type is complex:
 [[ 6.+0.j  6.+0.j  6.+0.j]
 [ 6.+0.j  6.+0.j  6.+0.j]
 [ 6.+0.j  6.+0.j  6.+0.j]]

數組索引

了解數組索引的基礎知識對于分析和操作數組對象很重要。NumPy 提供了許多方法來進行數組索引。

• 切片： 就像 python 中的列表一樣，NumPy 數組可以切片。由于數組可以是多維的，因此您需要為數組的每個維度指定一個切片。

• 整數數組索引： 在此方法中，傳遞列表以對每個維度進行索引。完成對應元素的一對一映射以構造一個新的任意數組。

• 布爾數組索引： 當我們想從數組中選擇滿足某些條件的元素時使用此方法。

# 在 numpy 中演示索引的 Python 程序
import numpy as np
 
# 一個示例數組
arr = np.array([[-1, 2, 0, 4],
                [4, -0.5, 6, 0],
                [2.6, 0, 7, 8],
                [3, -7, 4, 2.0]])
 
# 切片數組
temp = arr[:2, ::2]
print ("Array with first 2 rows and alternate"
                    "columns(0 and 2):\n", temp)
 
# 整數數組索引示例
temp = arr[[0, 1, 2, 3], [3, 2, 1, 0]]
print ("\nElements at indices (0, 3), (1, 2), (2, 1),"
                                    "(3, 0):\n", temp)
 
# 布爾數組索引示例
cond = arr > 0 # cond is a boolean array
temp = arr[cond]
print ("\nElements greater than 0:\n", temp)

輸出 ：

Array with first 2 rows and alternatecolumns(0 and 2):
 [[-1.  0.]
 [ 4.  6.]]

Elements at indices (0, 3), (1, 2), (2, 1),(3, 0):
 [ 4.  6.  0.  3.]

Elements greater than 0:
 [ 2.   4.   4.   6.   2.6  7.   8.   3.   4.   2. ]

基本操作

NumPy 提供了大量的內置算術函數。

對單個數組的操作： 我們可以使用重載的算術運算符對數組進行元素操作以創建一個新數組。在 +=、-=、*= 運算符的情況下，將修改現有數組。

# 演示單個數組的基本操作的 Python 程序
import numpy as np
 
a = np.array([1, 2, 5, 3])
 
# 每個元素加 1
print ("Adding 1 to every element:", a+1)
 
# 從每個元素中減去 3
print ("Subtracting 3 from each element:", a-3)
 
# 將每個元素乘以 10
print ("Multiplying each element by 10:", a*10)
 
# 平方每個元素
print ("Squaring each element:", a**2)
 
# 修改現有數組
a *= 2
print ("Doubled each element of original array:", a)
 
# 數組轉置
a = np.array([[1, 2, 3], [3, 4, 5], [9, 6, 0]])
 
print ("\nOriginal array:\n", a)
print ("Transpose of array:\n", a.T)

輸出 ：

Adding 1 to every element: [2 3 6 4]
Subtracting 3 from each element: [-2 -1  2  0]
Multiplying each element by 10: [10 20 50 30]
Squaring each element: [ 1  4 25  9]
Doubled each element of original array: [ 2  4 10  6]

Original array:
 [[1 2 3]
 [3 4 5]
 [9 6 0]]
Transpose of array:
 [[1 3 9]
 [2 4 6]
 [3 5 0]]

一元運算符：許多一元運算作為 ndarray類的方法提供。這包括 sum、min、max 等。這些函數也可以通過設置軸參數來逐行或逐列應用。

# 在 numpy 中演示一元運算符的 Python 程序
import numpy as np
 
arr = np.array([[1, 5, 6],
                [4, 7, 2],
                [3, 1, 9]])
 
# 數組的最大元素
print ("Largest element is:", arr.max())
print ("Row-wise maximum elements:",
                    arr.max(axis = 1))
 
# 數組的最小元素
print ("Column-wise minimum elements:",
                        arr.min(axis = 0))
 
# 數組元素之和
print ("Sum of all array elements:",
                            arr.sum())
 
# 每行的累積總和
print ("Cumulative sum along each row:\n",
                        arr.cumsum(axis = 1))

輸出 ：

Largest element is: 9
Row-wise maximum elements: [6 7 9]
Column-wise minimum elements: [1 1 2]
Sum of all array elements: 38
Cumulative sum along each row:
[[ 1  6 12]
 [ 4 11 13]
 [ 3  4 13]]

二元運算符： 這些操作適用于數組元素并創建一個新數組。您可以使用所有基本的算術運算符，如 +、-、/、等。如果是 +=、-=、  = 運算符，則會修改現有數組。

# 在 Numpy 中演示二元運算符的 Python 程序
import numpy as np
 
a = np.array([[1, 2],
            [3, 4]])
b = np.array([[4, 3],
            [2, 1]])
 
# 添加數組
print ("Array sum:\n", a + b)
 
# 乘法數組（元素乘法）
print ("Array multiplication:\n", a*b)
 
# 矩陣乘法
print ("Matrix multiplication:\n", a.dot(b))

輸出：

Array sum:
[[5 5]
 [5 5]]
Array multiplication:
[[4 6]
 [6 4]]
Matrix multiplication:
[[ 8  5]
 [20 13]]

通用函數 (ufunc)：  NumPy 提供熟悉的數學函數，例如 sin、cos、exp 等。這些函數還對數組進行元素操作，生成數組作為輸出。

注意： 我們上面使用重載運算符所做的所有操作都可以使用 ufunc 完成，例如 np.add、np.subtract、np.multiply、np.divide、np.sum 等。

# 在 numpy 中演示通用函數的 Python 程序
import numpy as np
 
# 創建一個正弦值數組
a = np.array([0, np.pi/2, np.pi])
print ("Sine values of array elements:", np.sin(a))
 
# exponential values
a = np.array([0, 1, 2, 3])
print ("Exponent of array elements:", np.exp(a))
 
# square root of array values
print ("Square root of array elements:", np.sqrt(a))

輸出：

Sine values of array elements: [  0.00000000e+00   1.00000000e+00   1.22464680e-16]
Exponent of array elements: [  1.           2.71828183   7.3890561   20.08553692]
Square root of array elements: [ 0.          1.          1.41421356  1.73205081]

數據類型

每個 ndarray 都有一個關聯的數據類型 (dtype) 對象。這個數據類型對象（dtype）告訴我們數組的布局。這意味著它為我們提供了以下信息：

• 數據類型（整數、浮點數、Python 對象等）

• 數據大小（字節數）

• 數據的字節順序（小端或大端）

• 如果數據類型是子數組，它的形狀和數據類型是什么。

ndarray的值存儲在緩沖區中，可以將其視為連續的內存字節塊。所以這些字節將如何被解釋由 dtype 對象給出。

每個 Numpy 數組都是一個元素表（通常是數字），所有元素類型相同，由正整數元組索引。每個 ndarray 都有一個關聯的數據類型 (dtype) 對象。

此數據類型對象 (dtype) 提供有關數組布局的信息。ndarray 的值存儲在緩沖區中，可以將其視為可以由 dtype 對象解釋的連續內存字節塊。Numpy 提供了大量可用于構造數組的數值數據類型。

在創建數組時，Numpy 會嘗試猜測數據類型，但構造數組的函數通常還包含一個可選參數來顯式指定數據類型。

# Python Program to create a data type object
import numpy as np
 
# np.int16 is converted into a data type object.
print(np.dtype(np.int16))

輸出：

int16

# Python Program to create a data type object 
# containing a 32 bit big-endian integer
import numpy as np
 
# i4 represents integer of size 4 byte
# > represents big-endian byte ordering and
# < represents little-endian encoding.
# dt is a dtype object
dt = np.dtype('>i4')
 
print("Byte order is:",dt.byteorder)
 
print("Size is:",dt.itemsize)
 
print("Data type is:",dt.name)

輸出：

Byte order is: >
Size is: 4
Name of data type is: int32

關于“Python NumPy數組的基本操作方法有哪些”這篇文章的內容就介紹到這里，感謝各位的閱讀！相信大家對“Python NumPy數組的基本操作方法有哪些”知識都有一定的了解，大家如果還想學習更多知識，歡迎關注億速云行業資訊頻道。