这是机器未来的第39篇文章

原文首发地址：https://blog.csdn.net/RobotFutures/article/details/126092621

1. np.array方法创建

将列表或元组转换为ndarray数组

• 创建一维数组

import numpy as np
arr = np.array([1,2,3,4,5])  # 创建一维数组
arr
1
2
3

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

• 创建二维数组，并且指定数据类型

arr2 = np.array([[1,2,3,4],[5,6,7,8]], dtype=float)  # 创建二维数组
arr2
1
2

array([[1., 2., 3., 4.],
       [5., 6., 7., 8.]])
1
2

• 创建高维数组

arr3 = np.array([[[1]]])            # 创建三维数组
arr3
1
2

array([[[1]]])
1

print(f"arr_ndim:{arr.ndim}, arr2_ndim:{arr2.ndim}, arr3_ndim:{arr3.ndim}")
print(f"arr_shape:{arr.shape}, arr2_shape:{arr2.shape}, arr3_shape:{arr3.shape}")
1
2

arr_ndim:1, arr2_ndim:2, arr3_ndim:3
arr_shape:(5,), arr2_shape:(2, 4), arr3_shape:(1, 1, 1)
1
2

2 根据规则创建ndarray对象的方法

2.1 等差数列linespace

linespace函数常用来生成matplot图标展示的X轴。

x1 = np.linspace(start=1,stop=10,num=10)
start:起始值，stop：结束值（包含），num：元素个数

x1 = np.linspace(start=1,stop=10,num=10)
x1
1
2

array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])
1

2.2 生成等差数列

x2 = np.arange(start=1,stop=100,step=3)
可以指定步长step

x2 = np.arange(start=1,stop=100,step=3)
x2
1
2

array([ 1,  4,  7, 10, 13, 16, 19, 22, 25, 28, 31, 34, 37, 40, 43, 46, 49,
       52, 55, 58, 61, 64, 67, 70, 73, 76, 79, 82, 85, 88, 91, 94, 97])
1
2

2.3 生成值全为1的数组

x = np.ones(shape=(3,3))
x
1
2

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])
1
2
3

2.4 生成值全为0的数组

np.zeros(shape=(3,3))
1

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

2.5 按照x2的形状，生成值全为1的数组

x2 = np.arange(start=1,stop=100,step=3)
print(x2)
x2_1 = np.ones_like(x2)
print(x2_1)
1
2
3
4
5

[ 1  4  7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70
 73 76 79 82 85 88 91 94 97]
[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 1 1 1 1 1 1 1]
1
2
3

2.6 按照x2生成值全为0的数组

np.zeros_like(x2)
1
2

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

2.7 对角矩阵

生成指定ndarray对象的对角矩阵

x2 = np.linspace(start=1, stop=64,num=64)
x2 = x2.reshape(8, 8)
print(x2)
np.diag(x2)
1
2
3
4

[[ 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. 26. 27. 28. 29. 30. 31. 32.]
 [33. 34. 35. 36. 37. 38. 39. 40.]
 [41. 42. 43. 44. 45. 46. 47. 48.]
 [49. 50. 51. 52. 53. 54. 55. 56.]
 [57. 58. 59. 60. 61. 62. 63. 64.]]

array([ 1., 10., 19., 28., 37., 46., 55., 64.])
1
2
3
4
5
6
7
8
9
10

可以看到diag仅提取了8*8矩阵的左上右下对角线的值。

2.8 单位矩阵

生成指定形状的单位矩阵。

np.eye(8)
1

array([[1., 0., 0., 0., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0., 0., 0., 0.],
       [0., 0., 1., 0., 0., 0., 0., 0.],
       [0., 0., 0., 1., 0., 0., 0., 0.],
       [0., 0., 0., 0., 1., 0., 0., 0.],
       [0., 0., 0., 0., 0., 1., 0., 0.],
       [0., 0., 0., 0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 0., 0., 0., 1.]])
1
2
3
4
5
6
7
8

3. 随机数生成

3.1 生成正态分布的随机数组

np.random.normal(loc=0.0, scale=1.0, size=None)

输入：
loc - 均值,可以为单个整数，也可以为数组，当为数组时指定每列的均值
scale - 标准差,可以为单个整数，也可以为数组，当为数组时指定每列的标准差
size - 数据的shape

返回：
ndarray对象
1
2
3
4
5
6
7

np.random.normal(3, 2.5, size=(2, 4))
1

array([[ 4.99637559,  4.41112766, -4.46850171,  2.34375326],
       [ 7.80167697,  4.88896638,  4.50739853,  1.91669014]])
1
2

import numpy as np
from matplotlib import pyplot as plt

# loc-均值，scale-标准差，size-随机数组的数据形状shape
y = np.random.normal(loc=0.0, scale=1.0, size=1000)
x = np.linspace(0, 100, num=1000)

plt.hist(x=y, bins=50)
plt.show()
1
2
3
4
5
6
7
8
9

​

​

3.2 生成均匀分布的随机数组

np.random.uniform(low=0.0, high=1.0, size=None)

输入：
low - 最小值，可以为单个整数，也可以为数组，当为数组时指定每列的最小值
high - 最大值，范围是开区间[low,high)，可以为单个整数，也可以为数组，当为数组时指定每列的最大值
size - 数据的shape

数据类型为float

返回：
ndarray对象

1
2
3
4
5
6
7
8
9
10

import numpy as np

x = np.random.uniform(size=(3,3))
x
1
2
3
4

array([[0.55604474, 0.23922789, 0.49744522],
       [0.72736682, 0.50886455, 0.89055923],
       [0.86007017, 0.45767947, 0.64721748]])
1
2
3

import numpy as np
from matplotlib import pyplot as plt

y = np.random.uniform(size=(10000))
x = np.linspace(0, 100, num=10000)

plt.hist(x=y, bins=36)
plt.show()
1
2
3
4
5
6
7
8

​

​

3.3 生成随机分布的数组

np.random.random(size=None)
等同于np.random.uniform(size=None),即取默认low和high的uniform, 它是random_sample的别名/简称

输入：
size - 数据的shape
数据区间为: [0.0, 1.0)
数据类型为float

返回：
ndarray对象
1
2
3
4
5
6
7

x = np.random.random(size=(3,3))
x
1
2

array([[0.81853323, 0.68854024, 0.93096203],
       [0.73975546, 0.48552889, 0.62078013],
       [0.08407448, 0.16430265, 0.08354929]])
1
2
3

import numpy as np
from matplotlib import pyplot as plt

y = np.random.random(size=100000)
x = np.linspace(0, 100, num=100000)

plt.hist(x=y, bins=36)
plt.show()
1
2
3
4
5
6
7
8

​

​

随机分布达到一定的数据量之后，可以看到也是均匀分布的。

另外，np.random.rand也可以实现和np.random.random一样的功能，连size=()都不用写，直接填入数据形状即可。

x = np.random.rand(3,3)
x
1
2

array([[0.48217616, 0.45697736, 0.51243651],
       [0.42060063, 0.12191877, 0.11430536],
       [0.43719726, 0.88747028, 0.63576976]])
1
2
3

3.4 生成均匀分布的整数数组

np.random.randint(low, high=None, size=None, dtype=int)

输入：
low - 最小值，必须填写,可以为单个整数，也可以为数组，当为数组时指定每列的最小值
high - 最大值,可以为单个整数，也可以为数组，当为数组时指定每列的最大值
size - 数据形状

数据区间为: [low, high)，如果要实现[low, high]闭区间，则使用random_integers
数据类型可选多种整型

返回：
ndarray对象
1
2
3
4
5
6
7
8
9
10

x = np.random.randint(low=0, high=10, size=(3,3), dtype=np.uint8)
x
1
2

array([[5, 6, 4],
       [6, 9, 8],
       [4, 6, 7]], dtype=uint8)
1
2
3

写在末尾：

• 博客简介：专注AIoT领域，追逐未来时代的脉搏，记录路途中的技术成长！
• 专栏简介：从0到1掌握SELinux的使用。
• 面向人群：嵌入式Linux软件工程师
• 专栏计划：接下来会逐步发布跨入人工智能的系列博文，敬请期待
  • Python零基础快速入门系列
  • 数据科学系列
  • 人工智能开发环境搭建系列
  • 机器学习系列
  • 物体检测快速入门系列
  • 自动驾驶物体检测系列
  • …