Python学习笔记--Numpy-数组属性方法总结

最新推荐文章于 2023-06-20 23:51:30 发布

转载最新推荐文章于 2023-06-20 23:51:30 发布 · 870 阅读

Python--Numpy 专栏收录该内容

10 篇文章

订阅专栏

本文总结了NumPy数组的各种属性及方法，包括基本属性、形状相关操作、填充复制、转化、复数处理等，并提供了详细的示例说明。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数组属性方法总结

	作用
1	基本属性
`a.dtype`	数组元素类型 `float32,uint8,...`
`a.shape`	数组形状 `(m,n,o,...)`
`a.size`	数组元素数
`a.itemsize`	每个元素占字节数
`a.nbytes`	所有元素占的字节
`a.ndim`	数组维度
2	形状相关
`a.flat`	所有元素的迭代器
`a.flatten()`	返回一个1维数组的复制
`a.ravel()`	返回一个1维数组，高效
`a.resize(new_size)`	改变形状
`a.swapaxes(axis1, axis2)`	交换两个维度的位置
`a.transpose(*axex)`	交换所有维度的位置
`a.T`	转置，`a.transpose()`
`a.squeeze()`	去除所有长度为1的维度
3	填充复制
`a.copy()`	返回数组的一个复制
`a.fill(value)`	将数组的元组设置为特定值
4	转化
`a.tolist()`	将数组转化为列表
`a.tostring()`	转换为字符串
`a.astype(dtype)`	转化为指定类型
`a.byteswap(False)`	转换大小字节序
`a.view(type_or_dtype)`	生成一个使用相同内存，但使用不同的表示方法的数组
5	复数
`a.imag`	虚部
`a.real`	实部
`a.conjugate()`	复共轭
`a.conj()`	复共轭（缩写）
6	保存
`a.dump(file)`	将二进制数据存在file中
`a.dump()`	将二进制数据表示成字符串
`a.tofile(fid, sep="",format="%s")`	格式化ASCⅡ码写入文件
7	查找排序
`a.nonzero()`	返回所有非零元素的索引
`a.sort(axis=-1)`	沿某个轴排序
`a.argsort(axis=-1)`	沿某个轴，返回按排序的索引
`a.searchsorted(b)`	返回将b中元素插入a后能保持有序的索引值
8	元素数学操作
`a.clip(low, high)`	将数值限制在一定范围内
`a.round(decimals=0)`	近似到指定精度
`a.cumsum(axis=None)`	累加和
`a.cumprod(axis=None)`	累乘积
9	约简操作
`a.sum(axis=None)`	求和
`a.prod(axis=None)`	求积
`a.min(axis=None)`	最小值
`a.max(axis=None)`	最大值
`a.argmin(axis=None)`	最小值索引
`a.argmax(axis=None)`	最大值索引
`a.ptp(axis=None)`	最大值减最小值
`a.mean(axis=None)`	平均值
`a.std(axis=None)`	标准差
`a.var(axis=None)`	方差
`a.any(axis=None)`	只要有一个不为0，返回真，逻辑或
`a.all(axis=None)`	所有都不为0，返回真，逻辑与

   In [1]:
  

from numpy import *

基本属性

   In [2]:
  

a = array ([[ 0 , 1 , 2 , 3 ], [ 4 , 5 , 6 , 7 ]])

     Out[2]:
    

array([[0, 1, 2, 3],

[4, 5, 6, 7]])

数组元素属性：

   In [3]:
  

a.dtype

     Out[3]:
    

dtype('int32')

形状：

   In [4]:
  

a.shape

     Out[4]:
    

(2L, 4L)

元素数目：

   In [5]:
  

a.size

     Out[5]:
    

元素占字节大小：

   In [6]:
  

a.itemsize

     Out[6]:
    

所有元素所占字节：

   In [7]:
  

a.nbytes

     Out[7]:
    

数据维度：

   In [8]:
  

a.ndim

     Out[8]:
    

形状相关

   In [9]:
  

for row in a :

print row

[0 1 2 3]

[4 5 6 7]

所有元素的迭代器：

   In [10]:
  

for elt in a . flat :

print elt

所有元素组成的一维数组，按照行排列：

   In [11]:
  

a.flatten()

     Out[11]:
    

array([0, 1, 2, 3, 4, 5, 6, 7])

   In [12]:
  

a.ravel()

     Out[12]:
    

array([0, 1, 2, 3, 4, 5, 6, 7])

重新改变形状：

   In [13]:
  

a . resize (( 4 , 2 ))

     Out[13]:
    

array([[0, 1],

[2, 3],

[6, 7]])

[4, 5],

交换这两个轴的顺序：

   In [14]:
  

a.swapaxes(0,1)

     Out[14]:
    

array([[0, 2, 4, 6],

[1, 3, 5, 7]])

转置：

   In [15]:
  

a.transpose()

     Out[15]:
    

array([[0, 2, 4, 6],

[1, 3, 5, 7]])

转置：

   In [16]:
  

a.T

     Out[16]:
    

array([[0, 2, 4, 6],

[1, 3, 5, 7]])

   In [17]:
  

a2 = array ([ 1 , 2 , 3 ])

a2 . shape

     Out[17]:
    

(3L,)

   In [18]:
  

a2 . resize (( 1 , 3 , 1 ))

a2 . shape

     Out[18]:
    

(1L, 3L, 1L)

去除长度为1的维度：

   In [19]:
  

a2 = a2 . squeeze ()

a2 . shape

     Out[19]:
    

(3L,)

填充复制

复制：

   In [20]:
  

b = a . copy ()

     Out[20]:
    

array([[0, 1],

[2, 3],

[6, 7]])

[4, 5],

复制不影响原来的数组：

   In [21]:
  

b [ 0 ][ 0 ] = - 1

b # First value changed

     Out[21]:
    

array([[-1, 1],

[ 2, 3],

[ 6, 7]])

[ 4, 5],

   In [22]:
  

a # original not changed because b is a copy

     Out[22]:
    

array([[0, 1],

[2, 3],

[6, 7]])

[4, 5],

填充：

   In [23]:
  

b . fill ( 4 )

     Out[23]:
    

array([[4, 4],

[4, 4],

[4, 4]])

[4, 4],

转化

转化为列表：

   In [24]:
  

a.tolist()

     Out[24]:
    

[[0, 1], [2, 3], [4, 5], [6, 7]]

转化为字符串：

   In [25]:
  

a.tostring()

     Out[25]:
    

'\x00\x00\x00\x00\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00\x05\x00\x00\x00\x06\x00\x00\x00\x07\x00\x00\x00'

改变数组元素类型：

   In [26]:
  

a.astype(float)

     Out[26]:
    

array([[ 0., 1.],

[ 2., 3.],

[ 6., 7.]])

[ 4., 5.],

   In [27]:
  

b = a . copy ()

b . byteswap ( False )

     Out[27]:
    

array([[ 0, 16777216],

[ 33554432, 50331648],

[100663296, 117440512]])

[ 67108864, 83886080],

将它看成16位整数：

   In [28]:
  

a.view(dtype=int16)

     Out[28]:
    

array([[0, 0, 1, 0],

[2, 0, 3, 0],

[6, 0, 7, 0]], dtype=int16)

[4, 0, 5, 0],

复数

实部：

   In [29]:
  

b = array ([ 1 + 2j , 3 + 4j , 5 + 6j ])

b . real

     Out[29]:
    

array([ 1.,  3.,  5.])

虚部：

   In [30]:
  

b.imag

     Out[30]:
    

array([ 2.,  4.,  6.])

共轭：

   In [31]:
  

b.conj()

     Out[31]:
    

array([ 1.-2.j,  3.-4.j,  5.-6.j])

   In [32]:
  

b.conjugate()

     Out[32]:
    

array([ 1.-2.j,  3.-4.j,  5.-6.j])

保存

保存成文本：

   In [33]:
  

a.dump("file.txt")

字符串：

   In [34]:
  

a.dumps()

     Out[34]:
    

'\x80\x02cnumpy.core.multiarray\n_reconstruct\nq\x01cnumpy\nndarray\nq\x02K\x00\x85U\x01b\x87Rq\x03(K\x01\x8a\x01\x04\x8a\x01\x02\x86cnumpy\ndtype\nq\x04U\x02i4K\x00K\x01\x87Rq\x05(K\x03U\x01<NNNJ\xff\xff\xff\xffJ\xff\xff\xff\xffK\x00tb\x89U \x00\x00\x00\x00\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00\x05\x00\x00\x00\x06\x00\x00\x00\x07\x00\x00\x00tb.'

写入文件：

   In [35]:
  

a.tofile('foo.csv', sep=',', format="%s")

查找排序

非零元素的索引：

   In [36]:
  

a.nonzero()

     Out[36]:
    

(array([0, 1, 1, 2, 2, 3, 3], dtype=int64),

array([1, 0, 1, 0, 1, 0, 1], dtype=int64))

排序：

   In [37]:
  

b = array ([ 3 , 2 , 7 , 4 , 1 ])

b . sort ()

     Out[37]:
    

array([1, 2, 3, 4, 7])

排序的索引位置：

   In [38]:
  

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

b . argsort ( axis =- 1 )

     Out[38]:
    

array([2, 0, 1], dtype=int64)

将 b 插入 a 中的索引，使得 a 保持有序：

   In [39]:
  

a = array ([ 1 , 3 , 4 , 6 ])

b = array ([ 0 , 2 , 5 ])

a . searchsorted ( b )

     Out[39]:
    

array([0, 1, 3], dtype=int64)

元素数学操作

限制在一定范围：

   In [40]:
  

a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])

a . clip ( 0 , 2 )

     Out[40]:
    

array([[2, 1, 2],

[2, 1, 2]])

近似：

   In [41]:
  

a = array ([ 1.344 , 2.449 , 2.558 ])

a . round ( decimals = 2 )

     Out[41]:
    

array([ 1.34,  2.45,  2.56])

累加和：

   In [42]:
  

a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])

a . cumsum ( axis = None )

     Out[42]:
    

array([ 4,  5,  8, 10, 11, 16])

累乘积：

   In [43]:
  

a.cumprod(axis=None)

     Out[43]:
    

array([  4,   4,  12,  24,  24, 120])

约简操作

求和：

   In [44]:
  

a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])

a . sum ( axis = None )

     Out[44]:
    

求积：

   In [45]:
  

a.prod(axis=None)

     Out[45]:
    

最小值：

   In [46]:
  

a.min(axis=None)

     Out[46]:
    

最大值：

   In [47]:
  

a.max(axis=None)

     Out[47]:
    

最小值索引：

   In [48]:
  

a.argmin(axis=None)

     Out[48]:
    

最大值索引：

   In [49]:
  

a.argmax(axis=None)

     Out[49]:
    

最大间隔：

   In [50]:
  

a.ptp(axis=None)

     Out[50]:
    

均值：

   In [51]:
  

a.mean(axis=None)

     Out[51]:
    

2.6666666666666665

标准差：

   In [52]:
  

a.std(axis=None)

     Out[52]:
    

1.49071198499986

方差：

   In [53]:
  

a.var(axis=None)

     Out[53]:
    

2.2222222222222228

是否有非零元素：

   In [54]:
  

a.any(axis=None)

     Out[54]:
    

True

是否全部非零：

   In [55]:
  

a.all()

     Out[55]:
    

True

删除生成的文件：

   In [56]:
  

import os

os . remove ( 'foo.csv' )

os . remove ( 'file.txt' )

数组属性方法总结

	作用
1	基本属性
`a.dtype`	数组元素类型 `float32,uint8,...`
`a.shape`	数组形状 `(m,n,o,...)`
`a.size`	数组元素数
`a.itemsize`	每个元素占字节数
`a.nbytes`	所有元素占的字节
`a.ndim`	数组维度
2	形状相关
`a.flat`	所有元素的迭代器
`a.flatten()`	返回一个1维数组的复制
`a.ravel()`	返回一个1维数组，高效
`a.resize(new_size)`	改变形状
`a.swapaxes(axis1, axis2)`	交换两个维度的位置
`a.transpose(*axex)`	交换所有维度的位置
`a.T`	转置，`a.transpose()`
`a.squeeze()`	去除所有长度为1的维度
3	填充复制
`a.copy()`	返回数组的一个复制
`a.fill(value)`	将数组的元组设置为特定值
4	转化
`a.tolist()`	将数组转化为列表
`a.tostring()`	转换为字符串
`a.astype(dtype)`	转化为指定类型
`a.byteswap(False)`	转换大小字节序
`a.view(type_or_dtype)`	生成一个使用相同内存，但使用不同的表示方法的数组
5	复数
`a.imag`	虚部
`a.real`	实部
`a.conjugate()`	复共轭
`a.conj()`	复共轭（缩写）
6	保存
`a.dump(file)`	将二进制数据存在file中
`a.dump()`	将二进制数据表示成字符串
`a.tofile(fid, sep="",format="%s")`	格式化ASCⅡ码写入文件
7	查找排序
`a.nonzero()`	返回所有非零元素的索引
`a.sort(axis=-1)`	沿某个轴排序
`a.argsort(axis=-1)`	沿某个轴，返回按排序的索引
`a.searchsorted(b)`	返回将b中元素插入a后能保持有序的索引值
8	元素数学操作
`a.clip(low, high)`	将数值限制在一定范围内
`a.round(decimals=0)`	近似到指定精度
`a.cumsum(axis=None)`	累加和
`a.cumprod(axis=None)`	累乘积
9	约简操作
`a.sum(axis=None)`	求和
`a.prod(axis=None)`	求积
`a.min(axis=None)`	最小值
`a.max(axis=None)`	最大值
`a.argmin(axis=None)`	最小值索引
`a.argmax(axis=None)`	最大值索引
`a.ptp(axis=None)`	最大值减最小值
`a.mean(axis=None)`	平均值
`a.std(axis=None)`	标准差
`a.var(axis=None)`	方差
`a.any(axis=None)`	只要有一个不为0，返回真，逻辑或
`a.all(axis=None)`	所有都不为0，返回真，逻辑与

    In [1]:
   

from numpy import *

基本属性

    In [2]:
   

a = array ([[ 0 , 1 , 2 , 3 ], [ 4 , 5 , 6 , 7 ]])

      Out[2]:
     

array([[0, 1, 2, 3],

[4, 5, 6, 7]])

数组元素属性：

    In [3]:
   

a.dtype

      Out[3]:
     

dtype('int32')

形状：

    In [4]:
   

a.shape

      Out[4]:
     

(2L, 4L)

元素数目：

    In [5]:
   

a.size

      Out[5]:
     

元素占字节大小：

    In [6]:
   

a.itemsize

      Out[6]:
     

所有元素所占字节：

    In [7]:
   

a.nbytes

      Out[7]:
     

数据维度：

    In [8]:
   

a.ndim

      Out[8]:
     

形状相关

    In [9]:
   

for row in a :

print row

[0 1 2 3]

[4 5 6 7]

所有元素的迭代器：

    In [10]:
   

for elt in a . flat :

print elt

所有元素组成的一维数组，按照行排列：

    In [11]:
   

a.flatten()

      Out[11]:
     

array([0, 1, 2, 3, 4, 5, 6, 7])

    In [12]:
   

a.ravel()

      Out[12]:
     

array([0, 1, 2, 3, 4, 5, 6, 7])

重新改变形状：

    In [13]:
   

a . resize (( 4 , 2 ))

      Out[13]:
     

array([[0, 1],

[2, 3],

[6, 7]])

[4, 5],

交换这两个轴的顺序：

    In [14]:
   

a.swapaxes(0,1)

      Out[14]:
     

array([[0, 2, 4, 6],

[1, 3, 5, 7]])

转置：

    In [15]:
   

a.transpose()

      Out[15]:
     

array([[0, 2, 4, 6],

[1, 3, 5, 7]])

转置：

    In [16]:
   

a.T

      Out[16]:
     

array([[0, 2, 4, 6],

[1, 3, 5, 7]])

    In [17]:
   

a2 = array ([ 1 , 2 , 3 ])

a2 . shape

      Out[17]:
     

(3L,)

    In [18]:
   

a2 . resize (( 1 , 3 , 1 ))

a2 . shape

      Out[18]:
     

(1L, 3L, 1L)

去除长度为1的维度：

    In [19]:
   

a2 = a2 . squeeze ()

a2 . shape

      Out[19]:
     

(3L,)

填充复制

复制：

    In [20]:
   

b = a . copy ()

      Out[20]:
     

array([[0, 1],

[2, 3],

[6, 7]])

[4, 5],

复制不影响原来的数组：

    In [21]:
   

b [ 0 ][ 0 ] = - 1

b # First value changed

      Out[21]:
     

array([[-1, 1],

[ 2, 3],

[ 6, 7]])

[ 4, 5],

    In [22]:
   

a # original not changed because b is a copy

      Out[22]:
     

array([[0, 1],

[2, 3],

[6, 7]])

[4, 5],

填充：

    In [23]:
   

b . fill ( 4 )

      Out[23]:
     

array([[4, 4],

[4, 4],

[4, 4]])

[4, 4],

转化

转化为列表：

    In [24]:
   

a.tolist()

      Out[24]:
     

[[0, 1], [2, 3], [4, 5], [6, 7]]

转化为字符串：

    In [25]:
   

a.tostring()

      Out[25]:
     

'\x00\x00\x00\x00\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00\x05\x00\x00\x00\x06\x00\x00\x00\x07\x00\x00\x00'

改变数组元素类型：

    In [26]:
   

a.astype(float)

      Out[26]:
     

array([[ 0., 1.],

[ 2., 3.],

[ 6., 7.]])

[ 4., 5.],

    In [27]:
   

b = a . copy ()

b . byteswap ( False )

      Out[27]:
     

array([[ 0, 16777216],

[ 33554432, 50331648],

[100663296, 117440512]])

[ 67108864, 83886080],

将它看成16位整数：

    In [28]:
   

a.view(dtype=int16)

      Out[28]:
     

array([[0, 0, 1, 0],

[2, 0, 3, 0],

[6, 0, 7, 0]], dtype=int16)

[4, 0, 5, 0],

复数

实部：

    In [29]:
   

b = array ([ 1 + 2j , 3 + 4j , 5 + 6j ])

b . real

      Out[29]:
     

array([ 1.,  3.,  5.])

虚部：

    In [30]:
   

b.imag

      Out[30]:
     

array([ 2.,  4.,  6.])

共轭：

    In [31]:
   

b.conj()

      Out[31]:
     

array([ 1.-2.j,  3.-4.j,  5.-6.j])

    In [32]:
   

b.conjugate()

      Out[32]:
     

array([ 1.-2.j,  3.-4.j,  5.-6.j])

保存

保存成文本：

    In [33]:
   

a.dump("file.txt")

字符串：

    In [34]:
   

a.dumps()

      Out[34]:
     

'\x80\x02cnumpy.core.multiarray\n_reconstruct\nq\x01cnumpy\nndarray\nq\x02K\x00\x85U\x01b\x87Rq\x03(K\x01\x8a\x01\x04\x8a\x01\x02\x86cnumpy\ndtype\nq\x04U\x02i4K\x00K\x01\x87Rq\x05(K\x03U\x01<NNNJ\xff\xff\xff\xffJ\xff\xff\xff\xffK\x00tb\x89U \x00\x00\x00\x00\x01\x00\x00\x00\x02\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00\x05\x00\x00\x00\x06\x00\x00\x00\x07\x00\x00\x00tb.'

写入文件：

    In [35]:
   

a.tofile('foo.csv', sep=',', format="%s")

查找排序

非零元素的索引：

    In [36]:
   

a.nonzero()

      Out[36]:
     

(array([0, 1, 1, 2, 2, 3, 3], dtype=int64),

array([1, 0, 1, 0, 1, 0, 1], dtype=int64))

排序：

    In [37]:
   

b = array ([ 3 , 2 , 7 , 4 , 1 ])

b . sort ()

      Out[37]:
     

array([1, 2, 3, 4, 7])

排序的索引位置：

    In [38]:
   

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

b . argsort ( axis =- 1 )

      Out[38]:
     

array([2, 0, 1], dtype=int64)

将 b 插入 a 中的索引，使得 a 保持有序：

    In [39]:
   

a = array ([ 1 , 3 , 4 , 6 ])

b = array ([ 0 , 2 , 5 ])

a . searchsorted ( b )

      Out[39]:
     

array([0, 1, 3], dtype=int64)

元素数学操作

限制在一定范围：

    In [40]:
   

a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])

a . clip ( 0 , 2 )

      Out[40]:
     

array([[2, 1, 2],

[2, 1, 2]])

近似：

    In [41]:
   

a = array ([ 1.344 , 2.449 , 2.558 ])

a . round ( decimals = 2 )

      Out[41]:
     

array([ 1.34,  2.45,  2.56])

累加和：

    In [42]:
   

a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])

a . cumsum ( axis = None )

      Out[42]:
     

array([ 4,  5,  8, 10, 11, 16])

累乘积：

    In [43]:
   

a.cumprod(axis=None)

      Out[43]:
     

array([  4,   4,  12,  24,  24, 120])

约简操作

求和：

    In [44]:
   

a = array ([[ 4 , 1 , 3 ],[ 2 , 1 , 5 ]])

a . sum ( axis = None )

      Out[44]:
     

求积：

    In [45]:
   

a.prod(axis=None)

      Out[45]:
     

最小值：

    In [46]:
   

a.min(axis=None)

      Out[46]:
     

最大值：

    In [47]:
   

a.max(axis=None)

      Out[47]:
     

最小值索引：

    In [48]:
   

a.argmin(axis=None)

      Out[48]:
     

最大值索引：

    In [49]:
   

a.argmax(axis=None)

      Out[49]:
     

最大间隔：

    In [50]:
   

a.ptp(axis=None)

      Out[50]:
     

均值：

    In [51]:
   

a.mean(axis=None)

      Out[51]:
     

2.6666666666666665

标准差：

    In [52]:
   

a.std(axis=None)

      Out[52]:
     

1.49071198499986

方差：

    In [53]:
   

a.var(axis=None)

      Out[53]:
     

2.2222222222222228

是否有非零元素：

    In [54]:
   

a.any(axis=None)

      Out[54]:
     

True

是否全部非零：

    In [55]:
   

a.all()

      Out[55]:
     

True

删除生成的文件：

    In [56]:
   

import os

os . remove ( 'foo.csv' )

os . remove ( 'file.txt' )