极客教程NumPy ndarray使用方法
NumPy 是 Python 编程语言的一个库，它支持大量的维度数组和矩阵运算，此外也针对数组运算提供大量的数学函数库。numpy.ndarray 是 NumPy 中的数组类型，它是一个多维数组对象，由两部分组成：实际的数据和描述这些数据的元数据。在本文中，我们将详细介绍 numpy.ndarray 的使用方法，包括数组的创建、操作和运算等。
创建 ndarray
创建数组是使用 NumPy 的基础，可以通过多种方式来创建数组，例如使用 np.array 函数从常规 Python 列表或元组创建数组。下面是一些创建数组的示例代码。
示例代码 1：从列表创建数组
import numpy as np
data_list = [1, 2, 3, 4, 5]
array_from_list = np.array(data_list)
print("创建的数组：", array_from_list)
Output:
示例代码 2：从元组创建数组
import numpy as np
data_tuple = (1, 2, 3, 4, 5)
array_from_tuple = np.array(data_tuple)
print("创建的数组：", array_from_tuple)
Output:
示例代码 3：创建特定大小的数组
import numpy as np
# 创建一个长度为5的数组，初始元素全为0
zero_array = np.zeros(5)
print("全零数组：", zero_array)
# 创建一个形状为(2, 3)的数组，初始元素全为1
ones_array = np.ones((2, 3))
print("全一数组：", ones_array)
Output:
示例代码 4：创建等间隔的数组
import numpy as np
# 创建一个从0到10，共11个数的等间隔数组
linspace_array = np.linspace(0, 10, 11)
print("等间隔数组：", linspace_array)
Output:
示例代码 5：创建单位矩阵
import numpy as np
# 创建一个3x3的单位矩阵
identity_matrix = np.eye(3)
print("单位矩阵：", identity_matrix)
Output:
数组的属性
了解数组的属性是非常重要的，这有助于我们在后续的操作中更好地处理数组。数组的属性包括形状、大小、数据类型等。
示例代码 6：数组的形状
import numpy as np
array_example = np.array([[1, 2, 3], [4, 5, 6]])
print("数组的形状：", array_example.shape)
Output:
示例代码 7：数组的大小
import numpy as np
array_example = np.array([[1, 2, 3], [4, 5, 6]])
print("数组中的元素总数：", array_example.size)
Output:
示例代码 8：数组的数据类型
import numpy as np
array_example = np.array([1, 2, 3], dtype=np.float32)
print("数组的数据类型：", array_example.dtype)
Output:
数组的索引和切片
数组的索引和切片是数据处理中非常常见的操作，通过索引和切片，我们可以获取或修改数组的部分数据。
示例代码 9：数组的索引
import numpy as np
array_example = np.array([1, 2, 3, 4, 5])
print("第三个元素：", array_example[2])
Output:
示例代码 10：数组的切片
import numpy as np
array_example = np.array([1, 2, 3, 4, 5])
print("第二到第四个元素：", array_example[1:4])
Output:
数组的形状变换
在数据处理过程中，经常需要对数组的形状进行变换，比如转置、重塑等。
示例代码 11：数组的转置
import numpy as np
array_example = np.array([[1, 2, 3], [4, 5, 6]])
transposed_array = array_example.T
print("转置后的数组：", transposed_array)
Output:
示例代码 12：数组的重塑
import numpy as np
array_example = np.array([1, 2, 3, 4, 5, 6])
reshaped_array = array_example.reshape((2, 3))
print("重塑后的数组：", reshaped_array)
Output:
数组的运算
NumPy 提供了一系列的数学函数，可以直接在数组上进行运算，包括加、减、乘、除等基本运算，以及更高级的统计、线性代数等运算。
示例代码 13：数组的加法
import numpy as np
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
sum_array = np.add(array1, array2)
print("数组相加的结果：", sum_array)
Output:
示例代码 14：数组的乘法
import numpy as np
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
product_array = np.multiply(array1, array2)
print("数组相乘的结果：", product_array)
Output:
示例代码 15：数组的点积
import numpy as np
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
dot_product = np.dot(array1, array2)
print("点积的结果：", dot_product)
Output:
结论
在本文中，我们详细介绍了 NumPy 的 numpy.ndarray 对象，包括数组的创建、属性、索引、切片、形状变换以及数组的运算等。通过这些基础知识的学习，可以帮助我们在科学计算和数据分析中更有效地使用 NumPy 进行数组操作。