# 创建数组

# 一维数组

一维数组

1
2
3

import numpy as np  
data = np.array([1, 2, 3, 4])  
print(data)

输出 [1 2 3 4]

# 二维数组（矩阵）

二维数组

1
2
3

import numpy as np  
data = np.array([[1, 2, 3, 4], [4, 5, 6, 7]])  
print(data)

输出：

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

# 全 0 数组

$shape$ 属性代表形状， shape(2, 5) 就代表创建 $2$ 行 $5$ 列的全零数组

全0数组

1
2
3

import numpy as np  
  
data = np.zeros(shape=(5, 3))

# 全 1 数组

全1数组

1
2
3

import numpy as np  
  
data = np.ones(shape=(5, 3))

# 全空数组

创建出来的全空数组中的数据都是无限小的、无限接近于 $0$ 但不是 $0$

全空数组

1
2
3

import numpy as np

data=np.empty(shape=(5,3))

# 有连续序列的数组

连续序列数组

1
2
3

import numpy as np
data = np.arange(10, 16, 2) # 10-16的数据，步长为2
print(data) # 输出 [10 12 14]

# 有连续间隔的数组

也可以称为线性等分向量，在一个指定区间内按照指定的步长，将区间均等分，生成的是一个线段类型的数组。生成的线性间隔数据中，是有把区间的两端加进去的

连续间隔数组

1
2
3

import numpy as np

data= np.linspace(1, 10, 20) # 开始端1，结束端10，且分割成20个数据，生成线段

# 随机数组

数据数值是 $(0, 1)$ 之间的实数

随机数组

1 2	import numpy as np data = np.random.rand(3, 4)

自定义数据范围

随机数组

1 2	import numpy as np data=np.random.randint(2, 5,size=(4,5)); # 每个元素的值都在 2 ~ 5 之间

# 改变数组形状

例如：你本来有一个 $a$ 行 $b$ 列的数组，你可以把它改成为 $c$ 行 $d$ 列的数组（前提是： ab = cd ）
注意：因为数组中元素是没有改变的，所以重塑数组指定的尺寸大小是否和原本的尺寸大小一样，大一点和小一点都会报错。 $reshape$ 本质就是原本数组中的元素按顺序展开来，然后依次填入新定义的尺寸中去。注意 $reshape$ 后面填的是元组数据类型

改变数组形状

import numpy as np
data1=[1, 2, 3, 4, 5]
data2=[1, 2, 3, 4, 5]
data=np.array([data1, data2])
print("改之前的数组形状为:")
print(data.shape) # 输出 (2, 5)

data=data.reshape((5, 2))
print("改之后的数组形状为:")
print(data.shape) # 输出 (5, 2)

# 数组转置

转置

import numpy as np
data = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
data_array = np.array(data)
print("没有转置数组之前数组为：")
print(data)

print("转置数组之后数组为：")
print(data_array.T)

# 数组显示操作

# 数组维度 ndim

data.ndim ：这个数组是几乘几 $...$ 乘几的

# 数组形状

data.shape ：可以理解成各个方向的维度

# 元素个数

data.size ：字面意思

# 数据类型

data.dtype

# 数组运算

# 加法

加法

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

# 乘法

乘法

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

# 数组数据统计

数据统计

import numpy as np
data = np.random.rand(5, 6)  

# 平均数
ave = np.mean(data,     # 算那个数组  
              axis=1,   # 沿哪个轴  
              dtype=int # 返回类型，默认为 float64
			  # out=      将结果存储在指定的数组中 
			 )

# 中位数
# np.median(data, axis=None, out=None)

# 标准差
# np.std(data, axis=None, dtype=None, out=None)

# 方差
# np.var(data, axis=None, dtype=None, out=None)

# 最小值
# np.min(data, axis=None, out=None)

# 最大值
# np.max(data, axis=None, out=None)

# 元素和
# np.sum(data, axis=None, out=None)

# 元素积
# np.prod(data, axis=None, out=None)

# 累积和
# np.cumsum(data, axis=None, dtype=None, out=None)

# 数组切片

# 一维数组切片

下标从 $0$ 开始，左闭右开

一维数组切片

1
2
3

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr[1 : 4])  # 输出 [2 3 4]

# 多维数组切片

一维一维地来就行

# 行切片

# 列切片

# 数组堆叠

# 垂直堆叠

垂直堆叠

1	stacked = np.vstack((array1, array2))

# 水平堆叠

水平堆叠

1	stacked = np.hstack((array1, array2))

# 保存和加载数组

# 保存数组到文件

保存数组到文件

1	np.save('my_array.npy', data)

# 加载数组

加载数组

1	loaded_data = np.load('my_array.npy')

Python