Python笔记:详解使用Python列表创建ndarray

Python--ndarray 常用属性详解 1. 描述维度的属性--shape 1.1 改变原始数组的维度 1.2 视图变维 1.3 复制变维 2. 数组的索引操作--index 2.1 一维数组的索引切片 2.2 多维数组的切片 2.2.1 二维数组的切片 2.2.2 三维数组的切片 3. ndarray 掩码 3.1 布尔掩码 3.2 索引掩码 4. ndarray 的属性... 阅读详情

引入

import numpy as np

在此引入一次,下面直接使用 np

简单的创建

x = np.array([1, 2, 3, 4, 5])
print('x = ', x) # x = [1 2 3 4 5]

一些实用的术语

  • 一维数组称之为秩为 1 的数组, N 维数组的秩为 N
  • 数组的形状是指每个维度的大小。例如,秩为 2 的数组的形状对应于数组的行数和列数.

ndarray中的 .shape 属性

x = np.array([1, 2, 3, 4, 5])
print('x has dimensions:', x.shape) # x has dimensions: (5,)
print(type(x)) # class 'numpy.ndarray'
print('The elements in x are of type:', x.dtype) # The elements in x are of type: int64

说明:

  • shape 属性返回了元组 (5,),告诉我们 x 的秩为 1(即 x 只有一个维度),并且有 5 个元素。
  • type() 函数告诉我们 x 的确是 NumPy ndarray。
  • 最后,.dtype 属性告诉我们 x 的元素作为有符号 64 位整数存储在内存中。

关于ndarray的数据类型

  • 与 Python 列表不同的是,ndarray 的所有元素都必须类型相同。
  • 如果向 np.array() 函数提供同时具有整数和字符串的 Python 列表,NumPy 会将所有元素解析为字符串。
    x = np.array([1, 2, 'World'])
    print('The elements in x are of type:', x.dtype) # The elements in x are of type: U21
    

创建秩为 2 的 ndarray

Y = np.array([[1,2,3],[4,5,6],[7,8,9], [10,11,12]])
print('Y has dimensions:', Y.shape) # Y has dimensions: (4, 3)
print('Y has a total of', Y.size, 'elements') # Y has a total of 12 elements Y is an object of type: class 'numpy.ndarray'
print('The elements in Y are of type:', Y.dtype) # The elements in Y are of type: int64
  • .shape 属性返回元组 (4,3),告诉我们 Y 的秩为 2,有 4 行 3 列。
  • .size 属性告诉我们 Y 共有 12 个元素。

创建具有浮点数和整数的 ndarray

x = np.array([1,2,3])
y = np.array([1.0,2.0,3.0])
z = np.array([1, 2.5, 4])

print(x.dtype) # int64
print(y.dtype) # float64
print(z.dtype) # float64

说明:

  • 当我们创建同时包含浮点数和整数的 ndarray 时,NumPy 也会为其元素分配 float64 dtype。这叫做向上转型。
  • 因为 ndarray 的所有元素都必须类型相同,因此在这种情况下,NumPy 将 z 中的整数向上转型为浮点数,避免在进行数学计算时丢失精度。

创建指定 dtype 的 ndarray

x = np.array([1.5, 2.2, 3.7, 4.0, 5.9], dtype = np.int64)
print()
print('x = ', x) # x = [1 2 3 4 5]
print()
print('The elements in x are of type:', x.dtype) # The elements in x are of type: int64

  • NumPy 通过去除小数将浮点数转换成了整数。
  • 如果希望达到一定的计算精度来节省内存,则指定 ndarray 的数据类型很有用。

在NumPy中加载文件和读取文件

x = np.array([1, 2, 3, 4, 5])
# 将 x ndarray 保存到叫做 my_array.npy 的文件中
np.save('my_array', x) 
# 使用 load() 函数将保存的 ndarray 加载到变量中
y = np.load('my_array.npy')
print()
print('y = ', y) # y = [1 2 3 4 5]
print()
print('y is an object of type:', type(y)) # y is an object of type: class 'numpy.ndarray' 
print()
print('The elements in y are of type:', y.dtype) # The elements in y are of type: int64

注意:

  • 从文件中加载数组时,确保包含文件名和扩展名 .npy,否则将出错。
Python数据分析系列(四 ):python数据结构 — Numpy中的ndarray(数组)的使用 本文主要介绍 Numpy中的ndarray(数组)的使用,其中包括用于数组创建,常用的数组算法(如排序集合运算),数组描述统计,数据聚合或分组运算,数据集的合并/连接运算的数据对齐和关系型数据运算等等。 阅读详情

相关推荐

【Python numpy】创建Ndarray数组对象

NumPy(Numerical Python)是Python科学计算中一个重要的库,它提供了高性能的多维数组对象(ndarray)和丰富的数学函数,使得科学计算和数据分析更加便捷和高效。NumPy的核心是ndarray,这是一个多维数组对象,用于存储和操作大量数据。本文将介绍如何创建ndarray数组对象,为你提供一个入门到NumPy的基础。参数说明:object:可以是Python列表、元组、其他序列对象,或者其他支持数组接口的对象。这是创建数组的输入数据。

m0_62599305的博客 2217

Python的numpy库ndarray简介

numpy库可以用来处理矩阵相关的数学运算,相比于Python自带的列表,其功能更强大,且运行速度更快。下面介绍一些常用的numpy库的用法。一、ndarray产生方法ndarray是numpy模块的基本数据模块,它是由一组数字组成一维或者多维的阵列。Numpy可以有多种方法产生ndarray,下面介绍其中的常用的方法。本文介绍了numpy的ndarray的属性和基本的产生方法,关于ndarray,numpy库还提供了很多其他处理方法,后续再进行介绍。

qq_21337539的博客 7960

NumPy数据分析基础:ndarray属性查看、创建及输出各类操作详解

作为数据分析三巨头Pandas、matplotlib、NumPy之一,必然要给足面子单独拿出来讲解一波。NumPy应用场景十分宽泛,Pandas很多函数转换后也都是NumPy数组类型的数据结构。在机器学习、深度学习以及一些数据处理操作中使用的频率甚至比Pandas都高。而且NumPy功能强大,使用起来也十分便捷,支持多种复杂操作。平时我的Pandas以及一些机器学习的文章都有用到NumPy,但是博客内容并没有详细解答NumPy的操作也没有记录有关NumPy操作的一些具体函数解答。

master_hunter的博客 4558

Python之numpy:数组定义&ndarray操作

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档。

YBK233 3006

FastAPI + Layui:打造企业级敏捷开发后台管理系统

本文详细介绍了如何使用FastAPI和Layui构建高效的企业级后台管理系统。FastAPI提供高性能的异步API支持,而Layui则简化了前端开发流程,两者结合可实现快速开发和部署。文章涵盖了从环境搭建、核心组件开发到性能优化的全流程,特别适合需要敏捷开发的企业项目。

weixin_29045585的博客 557

用野火FPGA开发板(EP4CE10)手把手教你实现一个高精度频率计(附完整Verilog代码)

本文详细介绍了基于野火FPGA开发板(EP4CE10)实现高精度频率计的全过程,涵盖等精度测量法的核心原理、Verilog代码实现及优化技巧。通过实际案例演示,帮助开发者掌握1Hz-50MHz范围、精度达0.1%的频率计设计方法,并提供完整的工程代码和实测数据。

weixin_29261711的博客 441

python-numpy库 学习笔记二 ndarray数组的创建、维度变换、类型变换、向列表转换

ndarray数组的创建方法 1、从python中的列表,元组等类型创建ndarray数组 X=np.array(list/tuple) X=np.array(list/tuple,dtype=np.float32) 当np.array()不指定dtype时,numpy将根据数据情况关联一个dtype的类型 从列表类型创建数组 import numpy as np x = [0, 1, 2,...

《稻草人》的博客 1598

PIV实验流场流速云图(MALAB contour函数用法)

clear;clc; for k=1:5 str1=['filename1']; str2=['filename2']; str3=['filename3']; str=eval(['str',num2str(k)]); load(str); [m n]=size(y); y=flipud(y); v=-v; x=x-x(1,...

Nick_Cui的博客 3229

Python学习笔记5

NumPy 的全称是“ Numeric Python”,它是 Python 的第三方扩展包,主要用来计算、处理一维或多维数组在数组算术计算方面, NumPy 提供了大量的数学函数NumPy 的底层主要用 C语言编写,因此它能够高速地执行数值计算NumPy 还提供了多种数据结构,这些数据结构能够非常契合的应用在数组和矩阵的运算上NumPy 可以很便捷高效地处理大量数据,使用 NumPy 做数据处理的优点如下:NumPy 是 Python 科学计算基础库NumPy 可以对数组进行高效的数学运算NumPy 的 n

id13467982的博客 749

告别GUI点点点:Formality形式化验证的TCL脚本自动化实战(附完整脚本)

本文详细介绍了如何通过TCL脚本实现Formality形式化验证的全流程自动化,显著提升验证效率并降低错误率。内容涵盖脚本框架解析、参数化设计、验证报告生成及团队协作策略,特别适合芯片设计工程师摆脱传统GUI操作,实现300%以上的效率提升。

weixin_33737134的博客 285

Proteus-51单片机-LCD1602显示DS1302时钟

本文详细介绍了如何使用Proteus仿真51单片机配合LCD1602显示DS1302时钟的步骤,包括DS1302时钟芯片的主要特性、引脚定义、外围电路以及LCD1602的原理和技术参数。此外,还讲解了LCD1602的指令集和显示字符的方法,并给出了初始化及显示操作的步骤。

让你爱上电路设计 6984

Python学习笔记(一):Numpy库(上)

前言 Numpy 是 Python 专门处理高维数组计算的包。直接pip install numpy进行安装,或者安装Anaconda,其中含有大量的机器学习和数据相关的Python模块。如果在安装或者学习过程中出现什么问题的话可以进入Numpy官网查看相关信息。在使用Numpy库之前首先我们要引用它: import numpy as np 因为每次使用Numpy中的方法或函数都要写numpy字数有点多,所以我们可以用np作为别名。 之所以要额外引入数组这一种数据结构在于它的计算效率非常高。下面是对数组

csdnwrj的博客 761

条件DDPM:Diffusion model的第三个巅峰之作

前言:DDPM从2020年诞生,短短一年的时间,模型上有两个巨大的改进,其中一个就是condition的引入,最近大部分DDPM相关的论文都会讨论这一点,有些文章称之为latent variable。和当年GAN的发展类似,CGAN和DCGAN的出现极大程度上促进了GAN的发扬光大,意义重大。本文基于前面几篇文章继续聊一聊: 从VAE到Diffusion Model_沉迷单车的追风少年-优快云博客 为什么diffusion model扩散模型可以称为score-based models?_沉迷单车的.

沉迷单车的追风少年 1万+

NumPy库入门 北理工嵩天老师python数据分析与展示随堂笔记 (1)

NumPy库入门 北理工嵩天老师python数据分析与展示随堂笔记 列表和数组的区别 列表:列表中每一个元素的数据类型是可以不同的 数组:要求每一个元素的数据类型是相同的 多维数据 二维数据:由多个一维数据构成,是一维数据组合形式 高维数据:高维数据仅利用最基本的二元关系展示数据间的复杂结构 数据维度的python表示 一维数据:列表和集合类型 [3.1398,3.1349,3.1376] 有序 {3.1398,3.1349,3.1376} 无序 二维数据:列表类型 [[3.1398,3.1349,3.13

supreme_1的博客 2656

[Dify实战] 做企业内部助手时,最容易被低估的不是提示词,而是权限、状态同步和反馈回写

这篇文章围绕“做企业内部助手时”这个具体问题展开,很多团队做企业内部助手时,最先优化的是提示词,但真正决定系统能不能上线长期跑下去的,往往是权限边界、状态同步和反馈回写闭环。正文会结合Dify拆解节点设计、配置建议和测试样例,补充关键步骤、检查点和常见坑,帮助读者判断第一版该怎么落地,并把经验复用到自己的真实业务场景中。

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 71

【Spring Cloud Alibaba】Linux安装RocketMQ以及RocketMQ Dashboard可视化工具

在当今分布式架构的开发中,消息队列成为了一种常见的解决方案。RocketMQ是阿里巴巴开源的分布式消息中间件,具有高吞吐量、高可用性和强大的扩展性,因此在构建大规模、高可靠性的应用系统时备受推崇。而在使用RocketMQ时,为了更好地了解消息的流动和监控,RocketMQ Dashboard成为了一个不可或缺的可视化工具。本篇博客将带大家一步步在Linux系统中安装RocketMQ,并介绍如何配置和使用RocketMQ Dashboard。

编码人生 3386

NumPy库入门 北理工嵩天老师python数据分析与展示随堂笔记 (1)NumPy库入门 北理工嵩天老师python数据分析与展示随堂笔记

NumPy库入门 北理工嵩天老师python数据分析与展示随堂笔记 列表和数组的区别 列表:列表中每一个元素的数据类型是可以不同的 数组:要求每一个元素的数据类型是相同的 多维数据 二维数据:由多个一维数据构成,是一维数据组合形式 高维数据:高维数据仅利用最基本的二元关系展示数据间的复杂结构 数据维度的python表示 一维数据:列表和集合类型 [3.1398,3.1349,3.1376] 有序 {3.1398,3.1349,3.1376} 无序 二维数据:列表类型 [[3.1398,3.134

marraybug的博客 287

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

AI学习笔记3.24

概念:NumPy 的全称是“ Numeric Python”,它是 Python 的第三方扩展包,主要用来计算、处理一维或 多维数组 在数组算术计算方面, NumPy 提供了大量的数学函数 NumPy 的底层主要用 C语言编写,因此它能够高速地执行数值计算 NumPy 还提供了多种数据结构,这些数据结构能够非常契合的应用在数组和矩阵的运算上。

Q164335495的博客 344

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Numpy库自学笔记(一、数组的属性与创建)

numpy常用函数创建数组

beiketaoerge的博客 298

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

Python高阶——Numpy创建ndarray

Python高阶——Numpy创建ndarrayPython高阶——Numpy创建ndarray如何导入NumpyPython 列表和 NumPy 阵列有什么区别用np.array() 创建一个 ndarray对象创建数组1、np.empty()创建指定形状、数据类型,且没有初始化的数组2、np.zeros()创建一个全0数组3、np.ones()创建一个全1数组4、numpy.asarray ()从已有数组创建数组1、列表转ndarray:元组转ndarray元组列表转ndarray元组的元组转ndarr

sinat_42247418的博客 9258

详解 Numpy.ndarray

NumPy支持比Python更多种类的数字类型,有5种基本数字类型:布尔值(bool)、整数(int)、无符号整数(uint)、浮点(float)、复数(complex) 1、np.array 数组 2、np.ndarray N维数组 一个 ndarray是具有相同类型和大小的项目的多维容器。 尺寸和数组中的项目的数量是由它的shape定义, 它是由N个非负整数组成的tuple(元组),用于指定每个维度的大小。 不同的是,ndarrays可以共享相同的数据, 因此在一个ndarray中进行的更改可能在另一个

绿色羽毛 5万+

Python中list(列表)和ndarray对象的相互转换

Python的列表的功能挺多的,但是ndarray对象更强大。两个咱们都会用到,它们都可以看成是矩阵的一种形式,所以有必要了解下它们之间的互相转换操作。关于ndarray对象的基础介绍,大家可以参考博文: https://blog.youkuaiyun.com/wenhao_ir/article/details/124416798关于list(列表)的详细介绍,大家可以参考博文: https://blog.youkuaiyun.com/wenhao_ir/article/details/125400072接下来,先看ndarray

昊虹AI笔记 1万+

23_Python列表和数组以及numpy.ndarray的区别和正确使用

23_Python列表和数组以及numpy.ndarray的区别和正确使用 Python在标准库中有一个内置类型的列表列表和一个数组数组。您也可以通过安装数值计算库NumPy使用多维数组numpy.ndarray。 将解释它们各自的区别和正确使用。 列表 - list 数组 - array 多维数组 - numpy.ndarray 列表与数组和numpy.ndarray之间的区别 列表 - list 内置式:无需导入即可使用 可以存储不同类型:也可以通过列表表示多维数组 尽管从狭义上讲它可能不同于数组

qq_18351157的博客 2173

ndarray数组创建方法和转换

ndarray数组创建方法1、根据python中列表、元组中创建2、使用NumPy中函数创建ndarray数组3、使用NumPy中其他函数创建ndarray数组4、ndarray数组变换 1、根据python中列表、元组中创建 x = np.array(list\tuple) 例如:x = np.array([1,2,4,6]) y = np.array([5,4],[2,3],[2,8]) z = np.array((1,2,5,4)) 可以使用dtype指定数据元素类型

m0_46672151的博客 2137

ndarray数组的创建方法

ndarray数组的创建方法 (1)从Python中的列表、元组等类型创建ndarray数组 x = np.array(list/tuple) x = np.array(list/tuple,dtype=np.float32) 当np.array()不指定dtype时,NumPy将根据数据情况关联一个dtype类型 (2)使用NumPy中函数创建ndarray数组,如:arange, ones,...

高雅的博客 4491

Python ndarray数组 与 list列表区别

数组(ndarray)与列表(list) 数组(ndarray)与列表 ( list ) 类似,是具有相同类型的多个元素构成的整体。 数组局限: 数组元素要求是相同类型,而列表的元素可以是不同类型。 数组优势: 数组可以与标量进行运算,数组之间也可以进行矢量化运算。 数组在运算时,具有广播能力。 数组底层使用C程序编写,运算速度快。 数组底层使用C中数组的存储方式(紧凑存储),节省...

CPLwin的博客 7475
上一篇: Python笔记:NumPy的使用笔记
下一篇: Python笔记:详解使用内置函数创建ndarray
Wang's Blog
博客等级 码龄12年 7440粉丝 2427原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值