Python的Numpy库的ndarray对象常用构造方法及初始化方法

Python的Numpy库的ndarray对象常用构造方法及初始化方法

本文收集Python的Numpy库的ndarray对象常用的构造方法及初始化方法，会不断更新。

1 直接赋值初始化一个ndarray对象

示例代码如下：

A = np.array([[1, 2, 3, 4, 5],
              [6, 7, 8, 9, 10],
              [11, 12, 13, 14, 15],
              [16, 17, 18, 19, 20],
              [21, 22, 23, 24, 25]], dtype='int8')
1
2
3
4
5

上面代码中的第二个参数dtype是可选的，如果不填，则系统根据矩阵元素的数据大小来确定。

上面的代码创建的是二维矩阵，我们再看一个创建三维矩阵的例子。

# !/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np

B = np.array([[[11, 12, 13, 14],
               [15, 16, 17, 18]],
              [[19, 20, 21, 22],
               [23, 24, 25, 26]],
              [[27, 28, 29, 30],
               [31, 32, 33, 34]]])
1
2
3
4
5
6
7
8
9
10

运行结果如下图所示：

从其shape属性可以看出，B矩阵的尺寸为三通道，两行，四列。其内容如下：

2 浅拷贝与深拷贝

2-1 通过"="赋值初始化一个新的ndarray对象(浅拷贝)

示例代码如下：

import numpy as np

B = np.array([[[11, 12, 13, 14],
               [15, 16, 17, 18]],
              [[19, 20, 21, 22],
               [23, 24, 25, 26]],
              [[27, 28, 29, 30],
               [31, 32, 33, 34]]])

C = B

C[0, 0, 0] = 100

1
2
3
4
5
6
7
8
9
10
11
12
13

运行结果如下所示：


从上图的结构中我们可以看到，对于ndarray对象，通过“=”赋值得到的新对象和原对象共用数据存储区，即实现的是浅拷贝，修改其中一个对象的数据值会影响到另一个对象的数据值。

2-2 通过copy()方法实现深拷贝

示例代码如下：

import numpy as np

A1 = np.zeros((4, 4), dtype='uint8')

# 通过函数copy()实现深拷贝
B1 = A1.copy()

B1[1, 1] = 1
1
2
3
4
5
6
7
8

运行结果如下：

从运行结果中可以看出，对B1[1, 1]的修改没有影响到A中对应元素的值，所以通过方法cpoy()实现的是深拷贝。

3 创建和原矩阵大小一样、通道一样，但是数据类型和原矩阵不一样的全0矩阵

示例代码如下：

import numpy as np

B = np.array([[[11, 12, 13, 14],
               [15, 16, 17, 18]],
              [[19, 20, 21, 22],
               [23, 24, 25, 26]],
              [[27, 28, 29, 30],
               [31, 32, 33, 34]]])

C = B
C = 0*C
C = C.astype('float32')

1
2
3
4
5
6
7
8
9
10
11
12
13

运行结果如下：

注意：在2中提到通过“=”赋值得到的新ndarray对象和原对象共享存储空间(浅拷贝)，但由于这里使用了乘法运算符，所以会为结果构建一个新的ndarray对象，并为其分配新的存储空间，所以通过上面代码的一系列操作得到的是深拷贝。

4 通过函数ones()、zeros()创建指定大小和数据类型且元素值全为1或0的二维或多维矩阵

我们可以通过函数ones()、zeros()创建二维或多维矩阵，比如我们可以通过下面这条语句创建二通道、三行、四列的三维矩阵。
示例代码如下：

4-1 创建元素值全为1的二维矩阵

import numpy as np

D = np.ones((3, 5), dtype='uint8')
1
2
3

运行结果如下：

4-2 创建元素值全为0的二通道、三行、四列的三维矩阵

import numpy as np

D = np.zeros((2, 3, 4), dtype='uint8')
1
2
3

运行结果如下：

从这个结果我们可以看出，第一个索引代表通道数(也称为页数)，第二个索引代表行数，第三个索引代表列数。要特别注意，OpenCV的函数imread()读到的图像数据的三个索引值并不是这个顺序，详情见 https://www.hhai.cc/thread-89-1-1.html

4-3 创建元素值全为1的四维矩阵

D = np.ones((2, 3, 4, 5), dtype='uint8')
1

5 创建指定大小、指定数据类型、数据值按均匀分布生成的整数矩阵

示例代码如下：

F = np.random.randint(0, 100, (3, 5), dtype='uint8')
1

运行结果略。

6 创建指定大小、数据值按正态分布(均值为0,标准差为1)生成的矩阵

K = np.random.randn(2, 3)
1

注意：函数randn()不能设置数据类型，也不能设置正态分布的均值和标准差，其原型如下：

random.randn(d0, d1, ..., dn)
1

运行结果如下：

从上图我们可以看出，得到的ndarray对象的数据类型为float64。