手撕numpy(一)：简单说明和创建数组的不同方式

￡神魔★判官ぃ 2023-05-28 15:53 53阅读 0赞

↑ 关注 + 星标 ~ 有趣的不像个技术号

每晚九点，我们准时相约  ![format_png][]

![format_png 1][]

大家好，我是黄同学![format_png 2][]

最近给大家更新一波python的基础知识，这次带来的是手撕numpy系列。

## 1、numpy的简介 ##

numpy是"Numerical Python"的简称。

numpy提供了一个高性能的多维数组对象ndarray(N Dimension Array)，以及大量的库函数和操作，可以帮助程序员轻松地进行数值计算。

原生python语言执行速度很慢，C执行500次，python差不多只能执行一次，但是python语法比其它编程语言要简单的多得多。因此我们既想要某一个编程语言执行速快，同时还编程简单。最终python通过集成C和C++，最终解决这个问题，也就是说：底层运行的是C和C++的代码，但是上层使用的是python语言去写的。这就是我们为什么都喜欢使用"numpy库"的原因。

numpy作为很多的用来做数据挖掘，数据分析，人工智能相关的技术组件的底层实现。像SciPy、Matplotlib、Scikit-learn在一定程度上，都需要依赖numpy。

## 2、学习numpy的套路 ##

学习怎么使用numpy组织数据(怎么创建出，你想要的不同维度，不同形状的数组）：numpy提供了一个高性能的多维数组对象：ndarray。

学习numpy提供的函数处理这个组好的数据：numpy提供了很多很多的库函数，帮助我们处理这些数据。

## 3、关于numpy中ndarray数据对象的结构说明 ##

numpy中最重要的数据结构是称为ndarray的n维数组对象，这个对象由两部分构成：

*  元数据部分：存储的是当前这个ndarray对象的一些描述信息；
 *  真实数据部分：存储的是当前这个ndarray对象中的真实数据。

1）什么是ndarray数组对象的描述信息呢？

![format_png 3][]

注意：上述图中的shape、size、dtype、ndim等都是x这个ndarray对象的描述信息，这些信息都存储在元数据区域。而1，2，3，4，5，6就是这个对象中的真实数据。

## 4、ndarray数组和list列表的简单对比 ##

① ndarray数组和list中的数据类型

list列表中可以存储不同的数据类型，例如：x = \[1,2.3,True,“中国”\]。ndarray数组中存储的所有的元素的类型，都必须一致。

② 使用numpy创建数组和使用原生list的效率对比

![format_png 4][]

③ 使用ndarray创建数组的好处

既然ndarray中，每个元素的类型既然是一致的，那么整个ndaray就只需要一个元数据信息就可以了，而不是像list一样，每个对象都需要存储一个元数据信息。

ndarray好处在于：1、由于元数据只需要存储一份，所以可以更节省空间。2、由于每个元素的类型一致，就证明每个元素占用内存的大小是一致的，那么这样的数据的存储可以更紧凑，操作更高效。

## 5、什么是维度？ ##

① 用一个例子进行说明

![format_png 5][]

② 一张图形象说明一维数组、二维数组、三维数组的ndarray写法

![format_png 6][]

③ 针对上述知识点进行举例说明

![format_png 7][]

## 6、创建数组的几种不同方式 ##

1）利用array()函数去创建数组；

操作如下

import numpy as np
    
    array1 = [1,2,3]
    m = np.array(array1)
    display(m)
    
    array2 = [[1,2,3],[4,5,6]]
    n = np.array(array2)
    display(n)

结果如下：

![format_png 8][]

结论如下：

*  np.array(参数)函数，参数给了什么样式的数据，就构建什么样式的ndarray数组；你给我一个一维列表，我就构建一个一维数组；你给我一个二维列表，我就构建一个二维数组；
 *  什么是二维列表？每个元素都是一个一维列表的列表，就是一个二维列表；
 *  如果我构建了一个二维列表，那么这个二维列表中的每个元素就都是一个一维列表；
 *  在numpy中，一维数组又叫做"向量"；二维数组又叫做"矩阵"；

2）利用arange()函数去创建数组：对比列表的range()函数学习；

① 相同点：用法都是相同的

# 语法如下：
    range(start,end,step)
    arange(start,end,step)
    # 举例如下：
    list1 = list(range(1,10,2))
    display(list1)
    array1 = np.arange(1,10,2)
    display(array1)

结果如下：

![format_png 9][]

② 不同点：arange()函数的步长，可以是浮点数，但是range()函数的步长，不能是浮点数

list1 = list(range(1,10,2))
    display(list1)
    list2 = list(range(1,10,0.5))
    display(list2)
    list3 = list(range(10,1,-2))
    display(list3)
    
    array1 = np.arange(1,10,2)
    display(array1)
    array2 = np.arange(1,10,0.5)
    display(array2)
    array3 = np.arange(10,1,-2)
    display(array4)

结果如下：

![format_png 10][]

![format_png 11][]

3）利用指定值生成指定形状的数组；

① 常用函数如下

*  np.zeros((x,y)):生成一个x行y列的，元素都是0的二维数组；
 *  np.ones((x,y))：生成一个x行y列的，元素都是1的二维数组；
 *  np.full((x,y),value)：生成一个x行y列的，元素都是value的二维数组，其中这个value值可以是整数(正整数,0,负整数)或者小数；

② 代码如下

array1 = np.zeros((3,4))
    display(array1)
    
    array2 = np.ones((3,4))
    display(array2)
    
    array1 = np.full((3,4),1.2)
    display(array3)

结果如下：

![format_png 12][]

注意：我这里以创建二维数组为例，你传入一个数字，就可以创建一维数组；你传入三个数字，就可以创建三维数组，可以自己下去试一试。

4）按照已有的ndarray数组的形状，创建形状相同但指定元素的ndarray数组；

① 常用函数如下

*  np.zeros\_like()
 *  np.ones\_like()
 *  np.full\_like()

② 操作如下

## 1）先创建一个一维数组和一个二维数组；
    n1 = np.array([1,2,3]);
    n2 = np.array([[1,2,3],[4,5,6]])
    
    ## 2）使用np.zeros_like()
    array1 = np.zeros_like(n1)
    array2 = np.zeros_like(n2)
    display(array1)
    display(array2)
    
    ## 3）np.ones_like()
    array3 = np.ones_like(n1)
    array4 = np.ones_like(n2)
    display(array3)
    display(array4)
    
    ## 4）np.full_like()
    array5 = np.full_like(n1)
    array6 = np.full_like(n2)
    display(array5)
    display(array6)

结果如下：

![format_png 13][]

![format_png 14][]

![format_png 15][]

5）创建单位矩阵和对角矩阵；

① 创建单位矩阵

## 1）np.eye(x)和np.identity(x)
    array1 = np.eye(3)
    display(array1)
    
    array2 = np.identity(4)
    display(array2)

结果如下：

![format_png 16][]

② 创建对角矩阵

## 1）np.diag()
    array1 = np.diag([10,20,30])
    display(array1)

结果如下：

![format_png 17][]

6）创建等差数列数组：对比arange()函数和linspace()函数学习；

① np.arange()和np.linspace()创建等差数列的区别

*  np.arange(start,stop,step)第三个参数指的是元素步长；
 *  np.linspace(start,stop,num)第三个参数指的是元素个数；
 *  np.arange()取不到最大的那个值stop，np.linspace()默认可以取到最大值stop；

② 用法如下

array1 = np.arange(1,15,3)
    display(array1)
    display(array1.dtype)
    
    array2 = np.linspace(1,15,3)
    display(array2)
    display(array2.dtype)

结果如下：

![format_png 18][]

③ np.linspace()中两个常用的参数：endpoint和dtype

*  endpoint=True表示是包含终止值(默认)，endpoint=False表示不包含终止值；
 *  dtype=np.float64指定创建的数组的数据类型默认是float64，你也可以设置为dtype=np.np.int32；

array3 = np.linspace(1,20,num=5,endpoint=False,dtype=np.float64)
    display(array3)
    
    array4 = np.linspace(1,20,num=5,endpoint=False,dtype=np.int32)
    display(array4)
    
    array5 = np.linspace(1,20,num=5,endpoint=True,dtype=np.float64)
    display(array5)
    
    array6 = np.linspace(1,20,num=5,endpoint=True,dtype=np.int32)
    display(array6)

结果如下：

![format_png 19][]

7）创建等比数列数组；

① 用一个例子进行说明

log_array = np.logspace(1, 7, num=4, endpoint=True, base=2)
    display(log_array)

结果如下：

![format_png 20][]

注意：上述代码表示在2的一次方到2的七次方之间，生成4个数，这四个数字还构成了一个等比数列。

② 再看另外一个案例

log_array1 = np.logspace(1, 5, 3)
    display(log_array1)

结果如下：

![format_png 21][]

注意：上述代码表示会默认base=10，也就是说，在10的一次方到10的五次方之间，生成3个数，这3个数还构成一个等比数列。

8）通过自定义函数创建数组；

## 1）np.fromfunction()
    ## 定义一个函数
    def f(x, y):
        return x * 2 + 1 + y
    
    ## 从一个函数生成一个二维数组；
    b = np.fromfunction(f, (3,3), dtype=np.int32)
    display(b)
    
    ## 在这个函数，f函数要接收的参数，就是当前元素的坐标；
    ## 0行0列，传入的就是x=0,y=0;
    ## 0行1列，传入的就是x=0,y=1;
    ## 3行2列，传入的就是x=3,y=2;

结果如下：

![format_png 22][]

numpy系列持续更新中~

如果觉得文章对你有帮助，欢迎扫描二维码关注黄同学的CSDN博客

![format_png 23][]

![format_png 24][]

**近期文章，点击图片即可查看**

[![format_png 25][]][format_png 25 1]

[![format_png 26][]][format_png 26 1]

[![format_png 27][]][format_png 27 1]

[![format_png 28][]][format_png 28 1]

**后台回复关键词「****进群****」，即刻加入读者交流群~**

![format_png 29][]

**五**

numpy系列持续更新中~

![format_png 30][]

朱小五

[format_png]: /images/20230528/ff7486a14c2c4abb89343107b1cd25b2.png
[format_png 1]: /images/20230528/44ec201dd4bb4bb5bf1415b4ca2fef4c.png
[format_png 2]: /images/20230528/033e4132271c40a3b0774da7f59d47a7.png
[format_png 3]: /images/20230528/47cec5d04a8743b3a94c3724ff5fdb65.png
[format_png 4]: /images/20230528/7a36c2fec4a34513a0c6ca10d009fa48.png
[format_png 5]: /images/20230528/7b8ded3d8e6d4080b75dde922c66fe91.png
[format_png 6]: /images/20230528/8b7ccf9698574164a3f0333b0c21f1f1.png
[format_png 7]: /images/20230528/a1886b5c5765431381a386eba220374e.png
[format_png 8]: /images/20230528/6c3c9f7640874336928b96591259c288.png
[format_png 9]: /images/20230528/0d2ee5ea5eef4601abed1f81d724ae11.png
[format_png 10]: /images/20230528/72120a8b0c7048748b4765ac2e9cc8b1.png
[format_png 11]: /images/20230528/21bb8b79239b45968818477571a47ec8.png
[format_png 12]: /images/20230528/9ce160eb6f8c4e75a84f6b3b35163eea.png
[format_png 13]: /images/20230528/7cbb29e682174cbe982fcf60984135f2.png
[format_png 14]: /images/20230528/e0156a1256eb4f19b97843382e30cbce.png
[format_png 15]: /images/20230528/fd3c15df59b644f582ce268824d25153.png
[format_png 16]: /images/20230528/417f566def704335b5ad6542931c1a06.png
[format_png 17]: /images/20230528/f4a2ece1823543e4a12e79cb85560486.png
[format_png 18]: /images/20230528/cf8d68ff4e2a46b5abd9f5c167e11053.png
[format_png 19]: /images/20230528/eea0ec8e0494448994f7439018c816b9.png
[format_png 20]: /images/20230528/e072229023a04bfdbeb1e1f9fa2330aa.png
[format_png 21]: /images/20230528/6dd6148c054541ebade33f9dbcab9d6a.png
[format_png 22]: /images/20230528/40f3ce1a3fd940b9b0e158c9b5f23e7e.png
[format_png 23]: /images/20230528/7c71555e31014592a611a0323449596f.png
[format_png 24]: /images/20230528/fbcab134d03242f08477a7f1923cf007.png
[format_png 25]: /images/20230528/f2429a3bc4e44afd91206fba0ebbfd86.png
[format_png 25 1]: http://mp.weixin.qq.com/s?__biz=MzU5Nzg5ODQ3NQ%3D%3D&chksm=fe4d23f9c93aaaef51a2b6c86bdcb53f33a10a5d937dfd4af4596cd4b2b9297eb613560d1092&idx=1&mid=2247485053&scene=21&sn=c17c10b19b7abcb81bbfd0a4a593b1be#wechat_redirect
[format_png 26]: /images/20230528/5787f682ad1a4f59bb6b8220f5b54c26.png
[format_png 26 1]: http://mp.weixin.qq.com/s?__biz=MzU5Nzg5ODQ3NQ%3D%3D&chksm=fe4d26ebc93aaffde9084c8e28e37bd4b7614319cad199d2d373d6421d48f9f2d29bedba7eef&idx=1&mid=2247484271&scene=21&sn=a6d3aa17f684eebdf6c5695e3d184ff4#wechat_redirect
[format_png 27]: /images/20230528/6b18421979f049c5914a08cb8669ba0d.png
[format_png 27 1]: http://mp.weixin.qq.com/s?__biz=MzU5Nzg5ODQ3NQ%3D%3D&chksm=fe4d23f9c93aaaef2f3f0e3624c7527a02be00893dec37ed5c912508c0f0c6838638d9f3a34d&idx=3&mid=2247485053&scene=21&sn=04cc2cd5cde93c687f9382bb70281bd4#wechat_redirect
[format_png 28]: /images/20230528/dcba781bcbac418fafaa456e71766b1d.png
[format_png 28 1]: http://mp.weixin.qq.com/s?__biz=MzU5Nzg5ODQ3NQ%3D%3D&chksm=fe4d23f9c93aaaef466d40eb647ff6c02fb1d8c6f8f66bba707999425110f5b83d68034847c3&idx=2&mid=2247485053&scene=21&sn=cb2f4dddb2dc533073f325d6502077ae#wechat_redirect
[format_png 29]: /images/20230528/3b10d456f2fa406783b665b0cfe43781.png
[format_png 30]: /images/20230528/1fe8c895969a484583258050d4955994.png