共计 5763 个字符，预计需要花费 15 分钟才能阅读完成。
简介
NumPy 一个十分重要的作用就是能够进行多维数组的操作，多维数组对象也叫做 ndarray。咱们能够在 ndarray 的根底上进行一系列简单的数学运算。
本文将会介绍一些根本常见的 ndarray 操作，大家能够在数据分析中应用。
创立 ndarray
创立 ndarray 有很多种办法，咱们能够应用 np.random 来随机生成数据：
import numpy as np
# Generate some random data
data = np.random.randn(2, 3)
dataarray([[0.0929, 0.2817, 0.769],
[1.2464, 1.0072, -1.2962]])除了随机创立之外，还能够从 list 中创立：
data1 = [6, 7.5, 8, 0, 1]
arr1 = np.array(data1)array([6. , 7.5, 8. , 0. , 1.])从 list 中创立多维数组：
data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]
arr2 = np.array(data2)array([[1, 2, 3, 4],
[5, 6, 7, 8]])应用 np.zeros 创立初始值为 0 的数组：
np.zeros(10)
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])创立 2 维数组：
np.zeros((3, 6))array([[0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0.]])应用 empty 创立 3 维数组：
np.empty((2, 3, 2))array([[[0., 0.],
[0., 0.],
[0., 0.]],
[[0., 0.],
[0., 0.],
[0., 0.]]])留神，这里咱们看到 empty 创立的数组值为 0，其实并不是肯定的，empty 会从内存中随机筛选空间来返回，并不能保障这些空间中没有值。所以咱们在应用 empty 创立数组之后，在应用之前，还要记得初始化他们。
应用 arange 创立范畴类的数组：
np.arange(15)array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])指定数组中元素的 dtype：
arr1 = np.array([1, 2, 3], dtype=np.float64)
arr2 = np.array([1, 2, 3], dtype=np.int32)ndarray 的属性
能够通过 data.shape 取得数组的形态。
data.shape
(2, 3)通过 ndim 获取维数信息：
arr2.ndim
2能够通过 data.dtype 取得具体的数据类型。
data.dtype
dtype('float64')ndarray 中元素的类型转换
在创立好一个类型的 ndarray 之后，还能够对其进行转换：
arr = np.array([1, 2, 3, 4, 5])
arr.dtype
dtype('int64')
float_arr = arr.astype(np.float64)
float_arr.dtype
dtype('float64')下面咱们应用 astype 将 int64 类型的 ndarray 转换成了 float64 类型的。
如果转换类型的范畴不匹配，则会主动进行截断操作：
arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])
arr.astype(np.int32)
array([3, -1, -2, 0, 12, 10], dtype=int32)留神，这里是把小数截断，并没有向上或者向下取整。
ndarray 的数学运算
数组能够和常量进行运算，也能够和数组进行运算：
arr = np.array([[1., 2., 3.], [4., 5., 6.]])
arr * arr
array([[1., 4., 9.],
[16., 25., 36.]])
arr + 10
array([[11., 12., 13.],
[14., 15., 16.]])
arr - arr
array([[0., 0., 0.],
[0., 0., 0.]])
1 / arr
array([[1. , 0.5 , 0.3333],
[0.25 , 0.2 , 0.1667]])
arr ** 0.5
array([[1. , 1.4142, 1.7321],
[2. , 2.2361, 2.4495]])数组之间还能够进行比拟，比拟的是数组中每个元素的大小：
arr2 = np.array([[0., 4., 1.], [7., 2., 12.]])
arr2 > arr
array([[False, True, False],
[True, False, True]])index 和切片
根本应用
先看下 index 和切片的根本应用，index 基本上和一般数组的应用形式是一样的，用来拜访数组中某一个元素。
切片要留神的是切片后返回的数组中的元素是原数组中元素的援用，批改切片的数组会影响到原数组。
# 构建一维数组
arr = np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# index 拜访
arr[5]
5
# 切片拜访
arr[5:8]
array([5, 6, 7])
# 切片批改
arr[5:8] = 12
array([0, 1, 2, 3, 4, 12, 12, 12, 8, 9])
# 切片能够批改原数组的值
arr_slice = arr[5:8]
arr_slice[1] = 12345
arr
array([ 0, 1, 2, 3, 4, 12, 12345, 12, 8,
9])
# 构建二维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
arr2d[2]
array([7, 8, 9])
# index 二维数组
arr2d[0][2]
3
# index 二维数组
arr2d[0, 2]
3
# 构建三维数组
arr3d = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
arr3d
array([[[1, 2, 3],
[4, 5, 6]],
[[7, 8, 9],
[10, 11, 12]]])
# index 三维数组
arr3d[0]
array([[1, 2, 3],
[4, 5, 6]])
# copy 是硬拷贝，和原数组的值互相不影响
old_values = arr3d[0].copy()
arr3d[0] = 42
arr3d
array([[[42, 42, 42],
[42, 42, 42]],
[[7, 8, 9],
[10, 11, 12]]])
arr3d[0] = old_values
arr3d
array([[[1, 2, 3],
[4, 5, 6]],
[[7, 8, 9],
[10, 11, 12]]])
# index 三维数组
arr3d[1, 0]
array([7, 8, 9])
x = arr3d[1]
x
array([[7, 8, 9],
[10, 11, 12]])
x[0]
array([7, 8, 9])index with slice
slice 还能够作为 index 应用，作为 index 应用示意的就是一个 index 范畴值。
作为 index 示意的 slice 能够有多种形式。
有头有尾的，示意 index 从 1 开始到 6 - 1 完结：
arr[1:6]array([1, 2, 3, 4, 64])无头有尾的，示意 index 从 0 开始，到尾 - 1 完结：
arr2d[:2]array([[1, 2, 3],
[4, 5, 6]])有头无尾的，示意从头开始，到所有的数据完结：
arr2d[:2, 1:]array([[2, 3],
[5, 6]])arr2d[1, :2]array([4, 5])boolean index
index 还能够应用 boolean 值，示意是否抉择这一个 index 的数据。
咱们先看下怎么构建一个 boolean 类型的数组：
names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])
names == 'Bob'
array([True, False, False, True, False, False, False])下面咱们通过比拟的形式返回了一个只蕴含 True 和 False 的数组。
这个数组能够作为 index 值来拜访数组：
# 构建一个 7 * 4 的数组
data = np.random.randn(7, 4)
array([[0.275 , 0.2289, 1.3529, 0.8864],
[-2.0016, -0.3718, 1.669 , -0.4386],
[-0.5397, 0.477 , 3.2489, -1.0212],
[-0.5771, 0.1241, 0.3026, 0.5238],
[0.0009, 1.3438, -0.7135, -0.8312],
[-2.3702, -1.8608, -0.8608, 0.5601],
[-1.2659, 0.1198, -1.0635, 0.3329]])
# 通过 boolean 数组来拜访：data[names == 'Bob']
array([[0.275 , 0.2289, 1.3529, 0.8864],
[-0.5771, 0.1241, 0.3026, 0.5238]])在索引行的时候，还能够索引列：
data[names == 'Bob', 3]
array([0.8864, 0.5238]) 能够用 ~ 符号来取反：
data[~(names == 'Bob')]
array([[-2.0016, -0.3718, 1.669 , -0.4386],
[-0.5397, 0.477 , 3.2489, -1.0212],
[0.0009, 1.3438, -0.7135, -0.8312],
[-2.3702, -1.8608, -0.8608, 0.5601],
[-1.2659, 0.1198, -1.0635, 0.3329]])
咱们能够通过布尔型数组设置值，在理论的我的项目中十分有用：
data[data < 0] = 0
array([[0.275 , 0.2289, 1.3529, 0.8864],
[0. , 0. , 1.669 , 0.],
[0. , 0.477 , 3.2489, 0.],
[0. , 0.1241, 0.3026, 0.5238],
[0.0009, 1.3438, 0. , 0.],
[0. , 0. , 0. , 0.5601],
[0. , 0.1198, 0. , 0.3329]])
data[names != 'Joe'] = 7
array([[7. , 7. , 7. , 7.],
[0. , 0. , 1.669 , 0.],
[7. , 7. , 7. , 7.],
[7. , 7. , 7. , 7.],
[7. , 7. , 7. , 7.],
[0. , 0. , 0. , 0.5601],
[0. , 0.1198, 0. , 0.3329]])
Fancy indexing
Fancy indexing 也叫做花式索引，它是指应用一个整数数组来进行索引。
举个例子，咱们先创立一个 8 * 4 的数组：
arr = np.empty((8, 4))
for i in range(8):
arr[i] = i
arrarray([[0., 0., 0., 0.],
[1., 1., 1., 1.],
[2., 2., 2., 2.],
[3., 3., 3., 3.],
[4., 4., 4., 4.],
[5., 5., 5., 5.],
[6., 6., 6., 6.],
[7., 7., 7., 7.]])而后应用一个整数数组来索引，那么将会以指定的程序来抉择行：
arr[[4, 3, 0, 6]]
array([[4., 4., 4., 4.],
[3., 3., 3., 3.],
[0., 0., 0., 0.],
[6., 6., 6., 6.]])还能够应用负值来索引：
arr[[-3, -5, -7]]array([[5., 5., 5., 5.],
[3., 3., 3., 3.],
[1., 1., 1., 1.]])花式索引还能够组合来应用：
arr = np.arange(32).reshape((8, 4))
arrarray([[0, 1, 2, 3],
[4, 5, 6, 7],
[8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23],
[24, 25, 26, 27],
[28, 29, 30, 31]])下面咱们构建了一个 8 * 4 的数组。
arr[[1, 5, 7, 2], [0, 3, 1, 2]]array([4, 23, 29, 10])而后取他们的第 2 列的第一个值，第 6 列的第三个值等等。最初失去一个 1 维的数组。
数组变换
咱们能够在不同维度的数组之间进行变换，还能够转换数组的轴。
reshape 办法能够将数组转换成为任意的形态：
arr = np.arange(15).reshape((3, 5))
arrarray([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])数组还提供了一个 T 命令，能够将数组的轴进行对调：
arr.Tarray([[0, 5, 10],
[1, 6, 11],
[2, 7, 12],
[3, 8, 13],
[4, 9, 14]])对于高维数组，能够应用 transpose 来进行轴的转置：
arr = np.arange(16).reshape((2, 2, 4))
arr
array([[[0, 1, 2, 3],
[4, 5, 6, 7]],
[[8, 9, 10, 11],
[12, 13, 14, 15]]])
arr.transpose((1, 0, 2))array([[[0, 1, 2, 3],
[8, 9, 10, 11]],
[[4, 5, 6, 7],
[12, 13, 14, 15]]])下面的 transpose((1, 0, 2)) 怎么了解呢？
其含意是将 x，y 轴对调，z 轴放弃不变。
下面咱们通过应用 reshape((2, 2, 4)) 办法创立了一个 3 维，也就是 3 个轴的数组。其 shape 是 2 2 4。
先看下对应关系：
（0，0）-》[0, 1, 2, 3]
（0，1）-》[4, 5, 6, 7]
（1，0）-》[8, 9, 10, 11]
（1，1）-》[12, 13, 14, 15]
转换之后：
（0，0）-》[0, 1, 2, 3]
（0，1）-》[8, 9, 10, 11]
（1，0）-》[4, 5, 6, 7]
（1，1）-》[12, 13, 14, 15]
于是失去了咱们下面的的后果。
多维数组的轴转换可能比较复杂，大家多多了解。
还能够应用 swapaxes 来替换两个轴，下面的例子能够重写为：
arr.swapaxes(0,1)本文已收录于 http://www.flydean.com/09-python-numpy-ndarray/
最艰深的解读，最粗浅的干货，最简洁的教程，泛滥你不晓得的小技巧等你来发现！
欢送关注我的公众号:「程序那些事」, 懂技术，更懂你！
