参考链接
创建数组
TestArray.py
import numpy as np# 一维数组
def test1DArray():one = np.array([1, 2, 3])print("1D Array:\n", one)# 二维数组
def test2DArray():two = np.array([[1, 2, 3], [4, 5, 6]])print("2D Array:\n", two)# 创建全0数组
def testZeroArray():# shape代表形状，这里是5行3列的二维数组zero = np.zeros(shape=(5, 3))print("zero Array:\n", zero)# 创建全1数组
def testOneArray():one = np.ones(shape=(5, 3))print("One Array:\n", one)# 创建全空数组，与全0不一样，表示的是无限小，
# 单独运行时结果确实是无限小，不知道为什么上面有其他函数运行后，他的结果就不是无限小了
def testEmptyArray():empty = np.empty(shape=(5, 3))print("Empty Array:\n", empty)# 创建有连续序列的数组arange
def testArangeArray():# 10-16的数据，步长为2arange = np.arange(10, 16, 2)print("Range Array:\n", arange)# 创建有连续间隔的数组linspace
def testLinspaceArray():# 创建线段型数据，从1开始，到10结束，且分割成20个数据，生成线段linspace = np.linspace(1, 10, 20)print("Linspace Array:\n", linspace)# 创建随机数组
def testRandomArray():# 创建一个3行4列，值在0-1之间的数组random = np.random.rand(3, 4)print("Random Array:\n", random)# 这种方式创建出来的random数组是4行5列，值在2-5之间random1 = np.random.randint(2, 5, size=(4, 5))print("Random1 Array:\n", random1)# 改变数组形状，下面是2行5列改成5行2列
def testReshapeArray():data1 = [1, 2, 3, 4, 5]data2 = [6, 7, 8, 9, 10]data = np.array([data1, data2])print("before reshape:")print(data.shape)data = data.reshape(5, 2)print("after reshape:")print(data.shape)# 数组转置
def testTranspositionArray():data = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]data_array = np.array(data)print("before transposition:")print(data)print("after transposition:")print(data_array.T)
main.py
import TestArray as testArray# 按装订区域中的绿色按钮以运行脚本。
if __name__ == '__main__':testArray.test1DArray()testArray.test2DArray()testArray.testZeroArray()testArray.testOneArray()testArray.testEmptyArray()testArray.testArangeArray()testArray.testLinspaceArray()testArray.testRandomArray()testArray.testReshapeArray()testArray.testTranspositionArray()
运行结果
1D Array:[1 2 3]
2D Array:[[1 2 3][4 5 6]]
zero Array:[[0. 0. 0.][0. 0. 0.][0. 0. 0.][0. 0. 0.][0. 0. 0.]]
One Array:[[1. 1. 1.][1. 1. 1.][1. 1. 1.][1. 1. 1.][1. 1. 1.]]
Empty Array: （这个结果有问题）[[1. 1. 1.][1. 1. 1.][1. 1. 1.][1. 1. 1.][1. 1. 1.]]
Range Array:[10 12 14]
Linspace Array:[ 1. 1.47368421 1.94736842 2.42105263 2.89473684 3.368421053.84210526 4.31578947 4.78947368 5.26315789 5.73684211 6.210526326.68421053 7.15789474 7.63157895 8.10526316 8.57894737 9.052631589.52631579 10. ]
Random Array:[[0.63689452 0.42798231 0.19218566 0.87573321][0.93669444 0.0808807 0.41104911 0.18225544][0.37329302 0.88089557 0.30469678 0.03274842]]
Random1 Array:[[4 2 2 2 3][2 2 2 2 3][3 3 3 2 2][4 3 2 3 4]]
before reshape:
(2, 5)
after reshape:
(5, 2)
before transposition:
[[1, 2, 3], [4, 5, 6], [7, 8, 9]]
after transposition:
[[1 4 7][2 5 8][3 6 9]]
数组显示
# 打印数组的维度、形状、元素个数、数据类型
def testArrayDetail():data = np.array([[1, 2, 3], [4, 5, 6]])print("data dim: ", data.ndim)print("data shape: ", data.shape)print("data size: ", data.size)print("data type: ", data.dtype)
data dim: 2
data shape: (2, 3)
data size: 6
data type: int32
数组操作
# 数组运算
def testArrayCalculation():# 同一个形状才可以加减乘除操作，比如都是1行3列array1 = np.array([1, 2, 3])array2 = np.array([4, 5, 6])result = array1 + array2print("add result: ", result)result = array1 * array2print("multiply result: ", result)data = np.array([1, 5, 6, 9])# 平均值print("mean result: ", np.mean(data))# 中位数print("median result: ", np.median(data))# 标准差print("std result: ", np.std(data))# 方差print("variance result: ", np.var(data))# 最小值print("min result: ", np.min(data))# 最大值print("max result: ", np.max(data))# 元素之和print("sum result: ", np.sum(data))# 元素乘积print("prod result: ", np.prod(data))# 前缀和print("cumsum result: ", np.cumsum(data))
add result: [5 7 9]
multiply result: [ 4 10 18]
mean result: 5.25
median result: 5.5
std result: 2.8613807855648994
variance result: 8.1875
min result: 1
max result: 9
sum result: 21
prod result: 270
cumsum result: [ 1 6 12 21]
数组切片
切片操作是左闭右开的，即包括起始位置，但不包括结束位置
# 一维数组
def testArraySection():arr = np.array([1, 2, 3, 4, 5])print("1D Array[1:4]:\n", arr[1:4])
多维数组看大佬参考链接解释
总体思路就是一维一维地分解，并不是什么高深的东西
数组堆叠
def testArrayStack():arr = np.array([1, 2, 3, 4, 5])arr2 = np.array([6, 7, 8, 9, 10])# 垂直堆叠print("vstack: ", np.vstack((arr, arr2)))# 水平堆叠print("hstack: ", np.hstack((arr, arr2)))
vstack: [[ 1 2 3 4 5] [ 6 7 8 9 10]]
hstack: [ 1 2 3 4 5 6 7 8 9 10]
数组保存
def testArraySave():# arr = np.array([1, 2, 3, 4, 5])# np.save('my_array.npy', arr)arr = np.load('my_array.npy')print("array: ", arr)
执行save时会在当前项目路径下生产一个my_array.npy文件，等到实际用的时候再通过load把数组拿出来
