np.array函数详解--NumPy 零基础教学｜全程手写代码

哔哩哔哩numpy教程持续更新

numpy信息

import numpy as np

# # 查看版本号
print(np.__version__)
# 查看配置
np.show_config()

2.2.6
Build Dependencies:
  blas:
    detection method: pkgconfig
    found: true
    include directory: C:/Users/runneradmin/AppData/Local/Temp/cibw-run-7xf_vzet/cp310-win_amd64/build/venv/Lib/site-packages/scipy_openblas64/include
    lib directory: C:/Users/runneradmin/AppData/Local/Temp/cibw-run-7xf_vzet/cp310-win_amd64/build/venv/Lib/site-packages/scipy_openblas64/lib
    name: scipy-openblas
    openblas configuration: OpenBLAS 0.3.29  USE64BITINT DYNAMIC_ARCH NO_AFFINITY
      Haswell MAX_THREADS=24
    pc file directory: C:/a/numpy/numpy/.openblas
    version: 0.3.29
  lapack:
    detection method: pkgconfig
    found: true
    include directory: C:/Users/runneradmin/AppData/Local/Temp/cibw-run-7xf_vzet/cp310-win_amd64/build/venv/Lib/site-packages/scipy_openblas64/include
    lib directory: C:/Users/runneradmin/AppData/Local/Temp/cibw-run-7xf_vzet/cp310-win_amd64/build/venv/Lib/site-packages/scipy_openblas64/lib
    name: scipy-openblas
    openblas configuration: OpenBLAS 0.3.29  USE64BITINT DYNAMIC_ARCH NO_AFFINITY
      Haswell MAX_THREADS=24
    pc file directory: C:/a/numpy/numpy/.openblas
    version: 0.3.29
Compilers:
  c:
    commands: cl
    linker: link
    name: msvc
    version: 19.29.30159
  c++:
    commands: cl
    linker: link
    name: msvc
    version: 19.29.30159
  cython:
    commands: cython
    linker: cython
    name: cython
    version: 3.1.0
Machine Information:
  build:
    cpu: x86_64
    endian: little
    family: x86_64
    system: windows
  host:
    cpu: x86_64
    endian: little
    family: x86_64
    system: windows
Python Information:
  path: C:\Users\runneradmin\AppData\Local\Temp\build-env-r6iiznem\Scripts\python.exe
  version: '3.10'
SIMD Extensions:
  baseline:
  - SSE
  - SSE2
  - SSE3
  found:
  - SSSE3
  - SSE41
  - POPCNT
  - SSE42
  - AVX
  - F16C
  - FMA3
  - AVX2
  not found:
  - AVX512F
  - AVX512CD
  - AVX512_SKX
  - AVX512_CLX
  - AVX512_CNL
  - AVX512_ICL

​

numpy.array

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

object 数组或嵌套的数列
dtype 数组元素的数据类型，可选
copy 对象是否需要复制，可选
order 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
subok 默认返回一个与基类类型一致的数组
ndmin 指定生成数组的最小维度

# 1维数组
list01 = [1,2,3]
a = np.array([1,2,3])
b = np.array(list01)
a,b

(array([1, 2, 3]), array([1, 2, 3]))

# 元祖
tup01 =(1,2,3)
a = np.array((1,2,3))
b = np.array(tup01)
a,b

(array([1, 2, 3]), array([1, 2, 3]))

#嵌套

my_arr = np.array(  [[1,2,3],[4,5,6]]  )
print(type(my_arr))
print(my_arr)

<class 'numpy.ndarray'>
[[1 2 3]
 [4 5 6]]

# dtype = complex 创建虚数 数组
a = np.array([1,  2,  3], dtype = complex)
a

array([1.+0.j, 2.+0.j, 3.+0.j])

dtype设置数组中数字的类型

• bool_ 布尔型数据类型（True 或者 False）
• int_ 默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
• intc 与 C 的 int 类型一样，一般是 int32 或 int 64
• intp 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）
• int8 字节（-128 to 127）
• int16 整数（-32768 to 32767）
• int32 整数（-2147483648 to 2147483647）
• int64 整数（-9223372036854775808 to 9223372036854775807）
• uint8 无符号整数（0 to 255）
• uint16 无符号整数（0 to 65535）
• uint32 无符号整数（0 to 4294967295）
• uint64 无符号整数（0 to 18446744073709551615）
• float_ float64 类型的简写
• float16 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
• float32 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
• float64 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
• complex_ complex128 类型的简写，即 128 位复数
• complex64 复数，表示双 32 位浮点数（实数部分和虚数部分）
• complex128 复数，表示双 64 位浮点数（实数部分和虚数部分）
  *
• int8, int16, int32, int64 四种数据类型可以使用字符串 ‘i1’, ‘i2’,‘i4’,‘i8’ 代替

a = np.array([[1,  2],  [3,  4]],dtype=np.int8)
b = type(a)
a,b

(array([[1, 2],
        [3, 4]], dtype=int8),
 numpy.ndarray)

x = np.array([[1, 2], [3, 4]],dtype=np.float64)
x

array([[1., 2.],
       [3., 4.]])

# np.astype(): 转换数组的数据类型
vec_1 = np.array(['1','2','3'])
vec_2 = vec_1.astype('float')
print("转换前的类型：",vec_1.dtype)
print(vec_1)
print("转换后的类型：",vec_2.dtype)
print(vec_2)

转换前的类型： <U1
['1' '2' '3']
转换后的类型： float64
[1. 2. 3.]

ndmin

作用

• 指定输出数组最少有多少维。

• 如果输入数据维度 < ndmin：在 shape 最前面补若干个长度为 1 的维度，把维度抬高到ndmin；

• 如果输入数据维度 ≥ ndmin：数组保持原样，不做修改。

• 默认值：ndmin=0

# 输入标量 10
a0 = np.array(10, ndmin=0)
a1 = np.array(10, ndmin=1)
a2 = np.array(10, ndmin=2)
a3 = np.array(10, ndmin=3)

print("ndmin=0：", a0.shape)   # ()  0维（标量）
print("ndmin=1：", a1.shape)   # (1,) 1维
print("ndmin=2：", a2.shape)   # (1,1) 2维
print("ndmin=3：", a3.shape)   # (1,1,1) 3维

ndmin=0： ()
ndmin=1： (1,)
ndmin=2： (1, 1)
ndmin=3： (1, 1, 1)

# 示例 2：一维列表

arr1 = np.array([1,2,3], ndmin=2)
print(arr1)
print("shape:", arr1.shape)  # (1, 3) 前面补1

[[1 2 3]]
shape: (1, 3)

# 示例 3：输入维度已经大于 ndmin，不会变化
# 输入本身是2维数组，ndmin=1 < 2，不变化
arr2 = np.array([[1,2],[3,4]], ndmin=1)
print(arr2.shape) # (2, 2)

(2, 2)

order：内存存储顺序

• ‘C’ C 顺序（行优先）：内存按行存放，一行行往内存写。numpy 默认。
• ‘F’ Fortran 顺序（列优先）：内存按列存放，一列列往内存写。
• 只是改变元素在内存里面怎么排，肉眼打印看不出区别，体现在 .flags、ravel()、reshape()、性能上。
  *

data = [[1,2],
        [3,4]]

ac = np.array(data, order='C')
af = np.array(data, order='F')
# C_CONTIGUOUS=True：内存行优先连续存储（C 顺序）
# F_CONTIGUOUS=True：内存列优先连续存储（Fortran 顺序）

print("=== order='C'数组 ===")
print(ac)
print("C连续?", ac.flags)
print("F连续?", ac.flags)
print("\n=== order='F'数组 ===")
print(af)
print("C连续?", ac.flags)
print("F连续?", ac.flags)

print("C顺序展平：", ac.flatten(order='C'))      # [1 2 3 4] 按行展平
print("F顺序展平：", af.flatten(order='F'))       # [1 3 2 4] 按列展平

=== order='C'数组 ===
[[1 2]
 [3 4]]
C连续?   C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False

F连续?   C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False

​

=== order='F'数组 ===
[[1 2]
 [3 4]]
C连续?   C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False

F连续?   C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False

C顺序展平： [1 2 3 4]
F顺序展平： [1 3 2 4]

subok 参数详解

• subok=False（默认）：永远返回原生 numpy.ndarray，子类实例会被强制转为普通 ndarray
• subok=True：如果输入是 ndarray 的子类，则保留子类类型，返回子类对象，而不是强制变回基础 ndarray
• 日常写普通数据分析几乎用不到 subok；只有你自己继承 ndarray 自定义数组类的时候才会用到。

import numpy as np

# 自定义数组类，继承 np.ndarray
class MyArray(np.ndarray):
    pass

# 创建 MyArray 子类实例
my_arr = np.array([1,2,3]).view(MyArray)
print(type(my_arr))
# <class '__main__.MyArray'>

<class '__main__.MyArray'>

# subok=False 默认情况（丢弃子类，返回普通 ndarray）

a1 = np.array(my_arr, subok=False)
print(type(a1))
# <class 'numpy.ndarray'>
# ✨子类 MyArray 丢失，强制变回基础 ndarray

<class 'numpy.ndarray'>

# subok=True：保留子类类型
a2 = np.array(my_arr, subok=True)
print(type(a2))
# <class '__main__.MyArray'>
# ✨保留原来的 MyArray 子类

<class '__main__.MyArray'>