目录

1. ndarray 对象简介

2. 创建 ndarray

从现有数据创建

使用内置函数创建

使用范围和间隔创建数组

使用随机函数创建数组

3. 数组属性和数据类型

常用属性

数据类型转换

---

1. ndarray 对象简介

NumPy 的 ndarray 是一个多维数组对象，它支持快速的、向量化的数组操作。与 Python 原生的列表相比，ndarray 提供了更加丰富的操作和更高效的存储。

核心特性

• 同质性：ndarray 中的所有元素必须是相同数据类型。
• 多维性：可以是任意维度的数据结构，如向量（1维）、矩阵（2维）或更高维数据。
• 高效性：NumPy 在内存中使用连续块存储数据，优化了缓存的使用，提高了计算性能。

2. 创建 ndarray

NumPy 提供了多种方式来创建 ndarray 对象。

从现有数据创建

直接将 Python 列表或元组转换为 ndarray

import numpy as np# 从列表创建
list_array = np.array([1, 2, 3, 4, 5])# 从多维列表创建
multi_list_array = np.array([[1, 2], [3, 4]])# 从元组创建
tuple_array = np.array((1, 2, 3, 4, 5))# 从多维元组创建
multi_tuple_array = np.array(((1, 2), (3, 4)))

使用内置函数创建

NumPy 有许多内置函数来创建具有特定形状和数据的数组。

# 创建全为 0 的数组
zeros_array = np.zeros((3, 4))# 创建全为 1 的数组
ones_array = np.ones((2, 3))# 创建一个给定形状的没有初始化的数组（其内容为内存中的随机值）
empty_array = np.empty((2, 2))# 创建一个给定形状和类型的数组，用 fill_value 填充
full_array = np.full((3, 3), fill_value=5)# 创建一个给定长度的单位矩阵
eye_array = np.eye(4)# 创建一个对角线为指定值的方阵
diag_array = np.diag([10, 20, 30, 40])

使用范围和间隔创建数组

有一些函数可以根据数字范围创建数组：

# 创建一个范围内数字的数组
arange_array = np.arange(10)  # 类似于 Python 的 range，但生成的是数组# 创建一个在指定范围内均匀间隔的数字数组
linspace_array = np.linspace(0, 1, num=5)# 创建一个在对数刻度上均匀间隔的数字数组
logspace_array = np.logspace(0, 1, num=5, base=10.0)

使用随机函数创建数组

NumPy 的随机模块包含了创建随机数数组的方法：

# 创建一个给定形状的随机数数组，其中的数值在 0 到 1 之间
random_array = np.random.rand(2, 3)# 创建一个给定形状的随机整数数组
int_random_array = np.random.randint(low=0, high=10, size=(4, 4))# 创建一个符合正态分布的随机数数组
normal_random_array = np.random.randn(3, 3)

3. 数组属性和数据类型

常用属性

shape：返回一个元组，表示数组的维度。

import numpy as np 
arr = np.array([[1, 2, 3], [4, 5, 6]]) 
print(arr.shape) # 输出 (2, 3)

dtype：返回数组中元素的数据类型。

import numpy as np 
arr = np.array([1, 2, 3]) 
print(arr.dtype) # 输出 int64

ndim：返回数组的维度数量。

import numpy as np 
arr = np.array([[1, 2, 3], [4, 5, 6]]) 
print(arr.ndim) # 输出 2

size：返回数组中元素的总数。

import numpy as np 
arr = np.array([[1, 2, 3], [4, 5, 6]]) 
print(arr.size) # 输出 6

itemsize：返回数组中每个元素的字节大小。

import numpy as np 
arr = np.array([1, 2, 3]) 
print(arr.itemsize) # 输出 8 (对于int64类型)

nbytes：返回数组中所有元素占用的总字节数。

import numpy as np 
arr = np.array([1, 2, 3]) 
print(arr.nbytes) # 输出 24 (对于int64类型)

数据类型转换

基本数值类型

• np.int8, np.int16, np.int32, np.int64：分别对应 8、16、32、64 位的整数类型。
• np.uint8, np.uint16, np.uint32, np.uint64：分别对应 8、16、32、64 位的无符号整数类型。
• np.float16, np.float32, np.float64：分别对应 16、32、64 位的浮点数类型。
• np.complex64, np.complex128：分别对应 64、128 位的复数类型，其中实部和虚部都是浮点数。

其他类型

• np.object：表示 Python 对象类型。
• np.string_：表示固定长度的字符串类型。
• np.unicode_：表示固定长度的 Unicode 类型。
• np.bool_：表示布尔类型。

        在 NumPy 中，您可以在创建数组时指定数据类型，也可以使用 astype() 方法将一个数组从一种类型转换成另一种类型。

在创建数组时指定数据类型

import numpy as np 
arr = np.array([1, 2, 3, 4], dtype=np.float32) 
print(arr.dtype) # 输出: float32

使用 astype() 转换数据类型

arr = np.array([1.5, 2.5, 3.5, 4.5]) 
# 将浮点数组转换为整数数组 
int_arr = arr.astype(np.int32) 
print(int_arr.dtype) # 输出: int32

astype() 方法总是创建一个新的数组（一个数据类型改变了的数组的拷贝），即使你将数据类型转换成了当前数组的类型。

注意事项

        在进行数据类型转换时，需要注意数据的溢出和精度损失。例如，如果你将一个浮点数转换为整数，小数部分将会被截断。如果你将一个大的整数转换为较小的整数类型，可能会因为溢出而得到意料之外的结果。同样，将浮点数转换为低精度的浮点数可能会导致精度损失。