---

前言

NumPy是python语言的一个扩展程序库，支持大量的维度数组和矩阵运算，此外也针对数组运算提供了大量的的数学函数库。NumPy是一个运行速度非常快的数学库，主要用于数组计算，包含：

• 一个强大的N维数组对象ndarray；
• 广播功能函数；
• 整合C/C++/Fortran代码的工具；
• 线性代数、傅里叶变换、随机数生成等功能；

import numpy as np #使用时要先导入库
1

一、ndarray对象

ndarray内部由以下内容组成：

• 一个指向数据（内存或内存映射文件中的一块数据）的指针；
• 数据类型或的（type），描述在数组中的固定大小值的格子；
• 一个表示数组形状（shape）的元组，表示各维度大小的元组；
• 一个跨度单元（stride），其中的整数值得是为了前进到当前维度的下一个需要‘跨过’的字节数；

numpy.array(object,
dtype=None,
copy=True,
order=None,
subok=False,
ndmin=0)
1
2
3
4
5
6

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

返回：array([1, 2, 3, 4, 5])
1

data = [[1,2,3,4,5],[1,2,3,4,5]]
b = np.array(data)
b.ndim
1
2
3

返回值：
array([[1, 2, 3, 4, 5],
       [1, 2, 3, 4, 5]])
2
1
2
3
4

NumPy支持的数据类型比Python内置的类型要多很多，其中部分类型对应为Python内置的类型。

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

返回：dtype('int32')
1

ndarray对象属性：

a = np.arange(25, dtype=np.float_).reshape(5,5)
b = np.array([1,2,3,4,5])
1
2

二、创建数组

1. 0元素数组

np.zeros(shape, dtype=float, order='C')
1

e = np.zeros(5)
1

返回值：array([0., 0., 0., 0., 0.])
1

2. 1元素数组

s1 = np.ones(5)
s2 = np.ones([5,5], dtype=float)
1
2

返回值：
array([1., 1., 1., 1., 1.])
array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])
1
2
3
4
5
6
7

3. arange函数

numpy.arange(start, stop, step, dtype)
1

arr1 = np.arange(10)
arr2 = np.arange(-10, 10, 2)
arr3 = np.arange(-10, 10, 2, dtype=float)
1
2
3

返回值：
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
array([-10,  -8,  -6,  -4,  -2,   0,   2,   4,   6,   8])
array([-10.,  -8.,  -6.,  -4.,  -2.,   0.,   2.,   4.,   6.,   8.])
1
2
3
4

4. 等差数列数组

numpy.linspace(start, 
stop, 
num=, 
endpoint=True, 
retstep=False, 
dtype=None)
1
2
3
4
5
6

a1 = np.linspace(1, 5, 6)
a2 = np.linspace(0, 5, 6, endpoint=False)
1
2

返回值：
array([1. , 1.8, 2.6, 3.4, 4.2, 5. ])
array([0., 0.83333333, 1.66666667, 2.5, 3.33333333, 4.16666667])
1
2
3

5. 等比数列数组

numpy.logspace(start, 
stop, 
num=, 
endpoint=True, 
base=, 
dtype=None)
1
2
3
4
5
6

a = np.logspace(1,10,10,base=2)
1

返回值：
array([2.,    4.,    8.,   16.,   32.,   64.,  128.,  256.,  512.,  1024.])
1
2

三、数据索引与切片

1. 索引

在一维数组中，我们可以通过中括号指定索引获取第i个值（从0开始计数）。
如果想要同时选择多个项，可以在方括号中传递索引数组，比如u我们获取数组a的第2个和第5个元素，则为a[[1, 4]]。

a = np.random.randn(6)
a[2]
a[-1]
a[[1, 4]]
1
2
3
4

返回值：
array([-0.14606223, -0.17107517,  0.69222811,  0.86525335, -0.45140777, 1.02867372])
0.6922281089515185
1.0286737226055331
array([-0.17107517, -0.45140777])
1
2
3
4
5

对于二维数组，则被表示为行和列组成的矩形数组，由两个轴定义，其中轴0由行表示，轴1由列表示。[行索引， 列索引]

b = np.random.randint(5, size=(2, 4))
b[0,0]
b[1,2]
1
2
3

返回值：
array([[1, 3, 4, 0],
       [3, 3, 2, 4]])
 1
 2
1
2
3
4
5

2. 切片

a[start:stop:step]
1

c = np.arange(10)
c[1:6]
d = np.random.randn(16).reshape(4,4)
d[0,:] #获取第一行
d[:,0] #获取第一列
d[1:3,1:3] #获取第2行至第3行，以及第2列至第3列的矩阵元素
d[[1,3],1:3] #可以指定索引数组（行或列的索引不是连续的）
1
2
3
4
5
6
7

返回值：
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
array([1, 2, 3, 4, 5])
array([[ 0.28468914,  0.12029439, -1.36153591, -0.70530678],
       [ 1.11107553,  0.66395088,  0.07381654,  0.13541892],
       [-0.34753157, -0.45256391,  0.16406101,  0.53094758],
       [ 0.56547094, -0.82115474,  1.59996863,  0.38750278]])
array([ 0.28468914,  0.12029439, -1.36153591, -0.70530678])
array([ 0.28468914,  1.11107553, -0.34753157,  0.56547094])
array([[ 0.66395088,  0.07381654],
       [-0.45256391,  0.16406101]])
array([[ 0.66395088,  0.07381654],
       [-0.82115474,  1.59996863]])
1
2
3
4
5
6
7
8
9
10
11
12
13