Numpy 入门教程（1）

翻译自官方文档Tentative NumPy Tutorial，有删节。

Numpy 入门教程

NumPy 提供了对多维数组的支持，与Python原生支持的List类型不同，数组的所有元素必须同样的类型。数组的维度被称为axes，维数称为 rank。 

Numpy的数组类型为 ndarray， ndarray 的重要属性包括: 

• ndarray.ndim：数组的维数，也称为rank
• ndarray.shape：数组各维的大小tuple 类型，对一个n 行m 列的矩阵来说， shape 为 (n,m)。
• ndarray.size：元素的总数。 
• Ndarray.dtype：每个元素的类型，可以是 numpy.int32, numpy.int16, and numpy.float64 等。 
• Ndarray.itemsize：每个元素占用的字节数。
• Ndarray.data：指向数据内存。

 

一个简单的例子：

[python] view plain copy

1. >>> from numpy  import *  
2. >>> a = arange(15).reshape(3, 5)  
3. >>> a  
4. array([[ 0,  1,  2,  3,  4],  
5.        [ 5,  6,  7,  8,  9],  
6.        [10, 11, 12, 13, 14]])  
7. >>> a.shape  
8. (3, 5)  
9. >>> a.ndim  
10. 2  
11. >>> a.dtype.name  
12. 'int32'  
13. >>> a.itemsize  
14. 4  
15. >>> a.size  
16. 15  
17. >>> type(a)  
18. numpy.ndarray  
19. >>> b = array([6, 7, 8])  
20. >>> b  
21. array([6, 7, 8])  
22. >>> type(b)  
23. numpy.ndarray  

生成数组

有许多种方法生成数组。比如，可以将Python list 或 tuple 转化为数组，转化后的数组元素的类型由原来的对象的类型来决定。

[python] view plain copy

1. >>> from numpy  import *  
2. >>> a = array( [2,3,4] )  
3. >>> a  
4. array([2, 3, 4])  
5. >>> a.dtype  
6. dtype('int32')  
7. >>> b = array([1.2, 3.5, 5.1])  
8. >>> b.dtype  
9. dtype('float64')  
10. >>> b = array( [ (1.5,2,3), (4,5,6) ] )  
11. >>> b  
12. array([[ 1.5,  2. ,  3. ],  
13.        [ 4. ,  5. ,  6. ]])  

生成数组时也可以指定元素的数据类型: 

[python] view plain copy

1. >>> c = array( [ [1,2], [3,4] ], dtype=complex )  
2. >>> c  
3. array([[ 1.+0.j,  2.+0.j],  
4.        [ 3.+0.j,  4.+0.j]])  

通常，我们无法事先知道数组元素的具体值，但是数组大小是已知的。 这时可以用下面几种方法生成数组。 

zeros 函数生成元素全部为0的数组，ones函数生成元素全部为1的数组empty函数生成元素没有赋值的数组，这时元素值由内存中原来的内容决定。 默认的，生成的数组的元素类型为float64.

[python] view plain copy

1. >>> zeros( (3,4) )  
2. array([[0.,  0.,  0.,  0.],  
3.        [0.,  0.,  0.,  0.],  
4.        [0.,  0.,  0.,  0.]])  
5. >>> ones( (2,3,4), dtype=int16 )                # dtype can also be specified  
6. array([[[ 1, 1, 1, 1],  
7.         [ 1, 1, 1, 1],  
8.         [ 1, 1, 1, 1]],  
9.        [[ 1, 1, 1, 1],  
10.         [ 1, 1, 1, 1],  
11.         [ 1, 1, 1, 1]]], dtype=int16)  
12. >>> empty( (2,3) )  
13. array([[  3.73603959e-262,   6.02658058e-154,   6.55490914e-260],  
14.        [  5.30498948e-313,   3.14673309e-307,   1.00000000e+000]])  

arange 函数生成的数组的元素按照等比数列排布，类似于 range函数。

[python] view plain copy

1. >>> arange( 10, 30, 5 )  
2. array([10, 15, 20, 25])  
3. >>> arange( 0, 2, 0.3 )                 # it accepts float arguments  
4. array([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])  

linspace 函数有些类似matlab中的同名函数，下面是个例子: 

[python] view plain copy

1. >>> linspace( 0, 2, 9 )                 # 9 numbers from 0 to 2  
2. array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])  
3. >>> x = linspace( 0, 2*pi, 100 )        # useful to evaluate function at lots of points  
4. >>> f = sin(x)  

屏幕输出 Arrays

当用print 打印一个 array时, 输出结果类似于 lists: 

[python] view plain copy

1. >>> a = arange(6)                         # 1d array  
2. >>> print a  
3. [0 1 2 3 4 5]  
4. >>>  
5. >>> b = arange(12).reshape(4,3)           # 2d array  
6. >>> print b  
7. [[ 0  1  2]  
8.  [ 3  4  5]  
9.  [ 6  7  8]  
10.  [ 9 10 11]]  
11. >>>  
12. >>> c = arange(24).reshape(2,3,4)         # 3d array  
13. >>> print c  
14. [[[ 0  1  2  3]  
15.   [ 4  5  6  7]  
16.   [ 8  9 10 11]]  
17.   
18.  [[12 13 14 15]  
19.   [16 17 18 19]  
20.   [20 21 22 23]]]  

如果数组过大，显示时会有一些省略号: 

[python] view plain copy

1. >>> print arange(10000)  
2. [   0    1    2 ..., 9997 9998 9999]  
3. >>>  
4. >>> print arange(10000).reshape(100,100)  
5. [[   0    1    2 ...,   97   98   99]  
6.  [ 100  101  102 ...,  197  198  199]  
7.  [ 200  201  202 ...,  297  298  299]  
8.  ...,  
9.  [9700 9701 9702 ..., 9797 9798 9799]  
10.  [9800 9801 9802 ..., 9897 9898 9899]  
11.  [9900 9901 9902 ..., 9997 9998 9999]]  

如果我们需要显示完整的数组，可以如下设置 

[python] view plain copy

1. >>> set_printoptions(threshold='nan')