跳转至

数组构建

信息

默认省略导入import numpy as np.

NumPy中最重要的概念就是nd数组. nd数组的构建有6种方式:

  1. 从Python数据类型转换而来, 如列表和元祖, 详情见这里
  2. 内建的nd数组创建函数, 如arange(), ones(), zeros()等, 详情见这里
  3. 复制, 扩展或者改变现有的nd数组, 详情见这里
  4. 从磁盘中读取nd数组, 无论是标准格式还是自定义格式, 详情见这里
  5. 从字符串或者缓冲区中读取原始字节创建nd数组
  6. 使用特殊函数, 如random()

创建方法

转换Python数据类型

可以通过np.array()方法转换Python列表或者元祖为nd数组, 嵌套结构决定了nd数组的维度.

例子 
>>> a1D = np.array([1, 2, 3, 4])
>>> a2D = np.array([[1, 2], [3, 4]])
>>> a3D = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

内建创建函数

NumPy由大约40个内建函数用于创建nd数组, 这些函数大概可以被分为3类:

  • 一维数组创建函数
  • 二维数组创建函数
  • nd数组创建函数

一维数组创建函数

一维数组创建函数如np.arange()和np.linspace()需要大致上两个输入, [start]和[stop].

  • np.arange(): 创造值逐渐递增的nd数组, 可以自定义步长.
  • np.linspace(): 创建含有特定个数元素的数组, 元素在[start]和[stop]之间均匀分布.
注意
  • np.arange()产生的数组不会包含[stop].
  • np.linspace()产生的数组会包含[stop].
例子 
>>> np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.arange(2, 10, dtype=float)
array([2., 3., 4., 5., 6., 7., 8., 9.])
>>> np.arange(2, 3, 0.1)
array([2. , 2.1, 2.2, 2.3, 2.4, 2.5, 2.6, 2.7, 2.8, 2.9])

>>> np.linspace(1., 4., 6)
array([1. ,  1.6,  2.2,  2.8,  3.4,  4. ])

二维数组创建函数

二维数组创建函数如np.eye(), np.diag()和np.vander()可以用于创建一些特殊结构的矩阵.

  • np.eye(): 创建一个单位矩阵
  • np.diag(): 创建一个对角线为给定值的矩阵, 或者返回给定矩阵的对角线
  • np.vander(): 创建一个范特蒙德矩阵
例子 
>>> np.eye(3)
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])
>>> np.eye(3, 5)
array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.]])

>>> np.diag([1, 2, 3])
array([[1, 0, 0],
       [0, 2, 0],
       [0, 0, 3]])
>>> np.diag([1, 2, 3], 1)
array([[0, 1, 0, 0],
       [0, 0, 2, 0],
       [0, 0, 0, 3],
       [0, 0, 0, 0]])
>>> a = np.array([[1, 2], [3, 4]])
>>> np.diag(a)
array([1, 4])

>>> np.vander(np.linspace(0, 2, 5), 2)
array([[0. , 1. ],
       [0.5, 1. ],
       [1. , 1. ],
       [1.5, 1. ],
       [2. , 1. ]])
>>> np.vander([1, 2, 3, 4], 2)
array([[1, 1],
       [2, 1],
       [3, 1],
       [4, 1]])
>>> np.vander((1, 2, 3, 4), 4)
array([[ 1,  1,  1,  1],
       [ 8,  4,  2,  1],
       [27,  9,  3,  1],
       [64, 16,  4,  1]])

nd数组创建函数

nd数组创建函数如np.ones(), np.zeros()和random可以用于创建一下特殊结构的矩阵.

  • np.zeros(): 创建一个零矩阵
  • np.ones(): 创建一个一矩阵
  • random(): 创建一个随机矩阵, 需要配合default_rng使用
  • np.indices(): 创建一个索引矩阵
例子 
>>> np.indices((3,3))
array([[[0, 0, 0],
        [1, 1, 1],
        [2, 2, 2]],
       [[0, 1, 2],
        [0, 1, 2],
        [0, 1, 2]]])

操作现有的nd数组

当你已经有一个数组的时候, 你可以复制, 扩展或者改变现有的数组.

注意

当需要将数组或者元素分配给新变量的时候, 必须显式地np.copy()数组, 否则该变量只是原始数组的视图.

例子 
>>> a = np.array([1, 2, 3, 4, 5, 6])
>>> b = a[:2]
>>> b += 1
>>> a
array([2, 3, 3, 4, 5, 6])
>>> b
array([2, 3])

可以看到b只是一个a中一部分的视图, 改变b也会改变a. 下面是解决方法: 

>>> a = np.array([1, 2, 3, 4, 5, 6])
>>> b = a[:2].copy()
>>> b += 1
>>> a
array([1, 2, 3, 4, 5, 6])
>>> b
array([2, 3])

可以使用np.vstack(), np.hstack()和np.block().

例子 
>>> A = np.ones((2, 2))
>>> B = np.eye(2, 2)
>>> C = np.zeros((2, 2))
>>> D = np.diag((-3, -4))
np.block([[A, B], [C, D]])
array([[ 1.,  1.,  1.,  0.],
       [ 1.,  1.,  0.,  1.],
       [ 0.,  0., -3.,  0.],
       [ 0.,  0.,  0., -4.]])

从磁盘中读取

这是最常见的创建大型数组的情况, 主要分为读取二进制文件和读取文本文件. 文本文件和二进制文件的区别在这里.

更多内容, 请参考这里.

读取二进制文件

一般常用于数据科学的编码方式有HDF5和FITS, 分别可以用h5py和Astropy模块将数据编码为二进制文件.

例子

定义:

import h5py
import numpy as np

# 创建并写入HDF5文件
data_to_write = np.array([1.1, 2.2, 3.3, 4.4])
with h5py.File('data.h5', 'w') as f:
    f.create_dataset('dataset_name', data=data_to_write)

# 读取HDF5文件
with h5py.File('data.h5', 'r') as f:
    data_read = f['dataset_name'][:]

print(data_read)

执行:

$ python main.py
[1.1 2.2 3.3 4.4]
Tip

在使用h5py读取HDF5编码之后文件的时候, 读取的数据会被直接转换为NumPy数组, 这是因为h5py设计的时候就与NumPy深度集成, 自动处理了数据类型转换.

读取文本文件

一般用的比较多的文本文件是CSV文件, 用的一般是UTF-8编码.

例子

simple.csv文件:

x, y
0, 0
1, 1
2, 4
3, 9

定义:

>>> np.loadtxt('simple.csv', delimiter = ',', skiprows = 1)
array([[0., 0.],
       [1., 1.],
       [2., 4.],
       [3., 9.]])

  1. Array creation—NumPy v2.0 Manual. (n.d.). Retrieved June 20, 2024, from https://numpy.org/doc/stable/user/basics.creation.html ↩