numpy（一）：numpy的创建数组+基本属性+numpy随机数组+数组的访问+数组的变换

一、了解nump

1.特点

• numpy的主要对象是同种元素的多维数组
• numpy底层是用C实现
• python执行效率低，编程效率高

2.面试题：数组和列表的区别

数组和列表结构相似，用法有些区别，比如数组存储的是相同类型的数据，执行速度较快。但是列表可以存储其他类型的数据，甚至可以嵌套字典列表等，因此处理的时候较慢，再加上python语言本身执行效率比编译型语言运行慢，所以列表比字典执行效率低。

二、numpy的基本属性 属性 作用 arr1.shape 数组的维度 arr1.ndim 数组的秩，也是求出的维度的长度 arr1.size 数组元素的总个数 arr1.dtype 数组的类型（int32,int64,float32等） arr3.itemsize 每个元素的字节大小（字节byte--------位bit（8byte=1bit）） arr1.data 缓冲区data

举例：

import numpy as np # ------------------------------------一维数组 a1 = np.array([1, 2, 3, 4, 5]) print('a1的维度：', a1.shape) # a1的维度： (5,) print('a1的秩求法1：', a1.ndim) # a1的秩求法1： 1 print('a1的秩求法2：', len(a1.shape)) # a1的秩求法2： 1 print('a1的数组元素个数：', a1.size) # a1的数组元素个数： 5 print('a1的缓存区：', a1.data) # a1的缓存区： print('a1的元素类型：', a1.dtype) # a1的元素类型： int32 print('a1的字节大小：', a1.itemsize) # a1的字节大小： 4 # ------------------------------------多维数组 a2 = np.array([(1, 2, 3), (4, 5, 6), (7, 8, 9)]) print('a2的维度：', a2.shape) # a2的维度： (3, 3) print('a2的秩求法1：', a2.ndim) # a2的秩求法1： 2 print('a2的秩求法2：', len(a2.shape)) # a2的秩求法2： 2 print('a2的数组元素个数：', a2.size) # a2的数组元素个数： 9 print('a2的缓存区：', a2.data) # a2的缓存区： print('a2的元素类型：', a2.dtype) # a2的元素类型： int32 print('a2的字节大小：', a2.itemsize) # a2的字节大小： 4 

注意：numpy中的一维数组的shape理解

• 上述一维数组维度（5,）,意思是一维数组，数组中有五个元素
• 上述二维数组维度（3,3）,意思是二维数组，每个维度中三个元素

三、numpy中数组的多种创建方法 创建数组的函数 作用 np.array（） 内部填充列表或元组，可一维数组可二维数组 np.arange（） 左闭右开，类似range函数，可以设置范围和步长 np.linspace() 左闭右闭，等差数列数组，可以指定范围和个数 np.logspace() 等比数列，指定范围和个数和公比 np.zeros() 占位数组，用0占位，可以设置形状 np.ones() 占位数组，用1占位，可以设置形状（2,3） ,一维数组直接写长度 np.empty() 随机数组，可以设置形状（直接写行和列） ,一维数组直接写长度 np.eye() 单位矩阵 np.diag() 对角矩阵 1.array（）

注意：

• ①在创建多维数组的时候,[ ]和( )均可以
• ②切记数组中的类型是相同的

# 不指定数组类型 print(np.array([1, 2, 3])) print(np.array([[1, 2, 3], [4, 5, 6]])) print(np.array([(1, 2, 3), (4, 5, 6)])) '''
结果：
[1 2 3] 

[[1 2 3]
 [4 5 6]] 

[[1 2 3]
 [4 5 6]]
''' #指定数据类型 print(np.array([1,2,3],dtype=np.float64)) # [ 1.  2.  3.] 

2.arang()，等差数列

通过指定开始值、终值和步长创建表示等差数列的一维数组，注意得到的结果数组不包含终值。

# 创建一个start开始，stop结尾，步长为step的数组 arange(start=None, stop=None, step=None, dtype=None) 

参数说明：

• start 起始数字，stop 终止数字。
• 左闭右开。
• step 步长，dtype类型

import numpy as np print(np.arange(3, 9)) # 默认步长为1 [3 4 5 6 7 8] print(np.arange(1.1, 1.9, 0.1)) # [ 1.1  1.2  1.3  1.4  1.5  1.6  1.7  1.8] 

3.linspace(),等差数列

通过指定开始值、终值和元素个数创建表示等差数列的一维数组，可以通过endpoint参数指定是否包含终值，默认值为True，即包含终值。

linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) 

参数介绍：

• start 起始数字，stop 终止数字。
• num 在范围内生成的数组的个数
• 左闭右闭。

import numpy as np print(np.linspace(1, 10, 10)) # [  1.   2.   3.   4.   5.   6.   7.   8.   9.  10.] #默认是小数 

4.logspace()，等比数列

返回在对数刻度上均匀间隔的数字；即可以通过np.logspace方法创建等比数列数组。

logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None) 

参数介绍：

• start 起始数字，stop 终止数字，num数量
• 左闭右闭

arr6 = np.logspace(1, 3, 3) # 从1次开始到3次结束，数量3个，以十开始的等比数列 print(arr6) # [   10.   100.  1000.] arr7 = np.logspace(1, 3, 3, base=2) print(arr7) # [ 2.  4.  8.] 

5.zeros()和ones()，占位数组

zeros(shape, dtype=None, order='C') ones(shape, dtype=None, order='C') 

参数介绍：

• 几位几列，通常传入一个数组，例如两行三列（2,3）

# zeros()使用0进行占位的数组,ones用法相同 np.zeros((2, 3)) '''
[[ 0.  0.  0.]
 [ 0.  0.  0.]]
''' np.zeros(5) '''
[ 0.  0.  0.  0.  0.]
''' 

6.empty()

创建一个内容随机且依赖于内存状态的数组,根据给定的维度和数值类型返回一个新的数组，其元素不进行初始化。

empty(shape, dtype=None, order='C') 

参数介绍：

• 几位几列，通常传入一个数组，例如两行三列（2,3）

np.empty((2, 3)) '''
结果：
[[  2.47032823e-322   0.00000000e+000   0.00000000e+000]
 [  0.00000000e+000   0.00000000e+000   0.00000000e+000]]
''' 

7.eye(),单位矩阵

np.eye(3) # 生成3阶单位矩阵 '''
[[ 1.  0.  0.]
 [ 0.  1.  0.]
 [ 0.  0.  1.]]
''' 

8.diag()，对角矩阵

np.diag([1,2,3,4]) '''
结果：
[[1 0 0 0]
 [0 2 0 0]
 [0 0 3 0]
 [0 0 0 4]]
''' 

四、常见的4个numpy的随机生成数组方法 随机生成数组的函数 作用 np.random.random(n) 生成0,1范围的数组，n为元素个数，左闭右开 np.random.rand(m,n) 生成0,1范围的数组，形状为m*n，左闭右开 np.random.randn(n) 生成正太形式的随机数组，n为元素个数 np.random.randint(m,n,size) 生成m，n范围的数组，形状为size(传入元组形式的shape)

1.random.random(n)#[0,1),n为元素个数

import numpy as np
arr1 = np.random.random(3) print(arr1) arr2 = np.random.random(15).reshape((3, 5)) # 三行五列 print(arr2) 

2.random.rand(m,n)-------生成m*n的数组，前闭后开[0,1）

print(np.random.rand(2,3)) 

3.random.randn(n)-------生成正太的随机数,n为数量

arr4 = np.random.randn(20000) # 画图模块查看正太分布 import matplotlib.pyplot as plt
plt.hist(arr4) plt.show() 

4.random.randint()#左闭右闭

print(np.random.randint(2, 33, size=(2, 5)))# 从2,33，随机生成一个两行五列 

五、数组的变换 函数 作用 区别 array.shape=(2,3) 将数组形状改为（2,3） array.reshape((2,3)) 将数组形状改为（2,3） ravel(array) 将多维数组改为一维数组 视图view:侧重的是数据的展现，而不是数据的本身–使用ravel返回的是一份视图，类似浅拷贝 flatten(array) 将多维数组改为一维数组 拷贝copy:强调的是数据–使用flatten返回的是一份拷贝，类似深拷贝 hstack(arr1,arr2) 将两个数组按行横向拼接 vstack(arr1,arr2) 将两个数组按列纵向拼接 concatenate((arr1, arr2), axis=1) 和hstack效果相同,将两个数组按行横向拼接 concatenate((arr1, arr2), axis=0) 和vstack效果相同,将两个数组按列纵向拼接 1.shape和reshape()

• shape属性可以求出几维数组，返回的是一个元组（行，列），也可以单独设置shape，这样会将shape的值重新规划
• reshape可以重新规划数组

a1 = np.array([1, 2, 3, 4, 5, 6]) print(a1.shape) a1.shape = (2, 3) print(a1) a2 = np.array([1, 2, 3, 4, 5, 6]).reshape((2, 3)) print(a2) 

2.展平数组：ravel()和flatten()

①ravel()

arr1 = np.arange(10000) arr2 = arr1.reshape((100, 100)) arr3 = arr2.ravel() print(arr1) print(arr2) print(arr3) # 当numpy数据太大的时候，中间会用...省略，但是我们非要看中间的，需要设置 np.set_printoptions(threshold=np.NAN) print(arr1) 

②flatten()

arr1 = np.arange(10).reshape((2, 5)) arr2 = arr1.flatten() arr3 = arr1.ravel() print(arr1) print(arr2) print(arr3) 

3.ravel 和 flatten 区别(面试题)

• 共同点： 都可将多维数组降为一维数组
• 区别： ①拷贝copy:强调的是数据–使用flatten返回的是一份拷贝，类似深拷贝 ②视图view:侧重的是数据的展现，而不是数据的本身–使用ravel返回的是一份视图，类似浅拷贝

a1 = np.array([[1, 2], [3, 4]]) f_a = a1.flatten() # r_a = a1.ravel() print(a1) print(f_a) # [1 2 3 4] print(r_a) # [1 2 3 4] a1[1][1] = 1111 print('--------------------类似深拷贝，自己或者原数组改变，不会影响对方----------') f_a[2] = 100 print(f_a) # [  1   2 100   4] print(a1) # 不变 print('---------------------类似浅拷贝，自己或者原数组改变，会互相改变--------') r_a[2] = 100 print(r_a) # [  1   2 100   1111] print(a1) # 变化 

4.组合数组：hstack和vstack

一维数组： hstack和vstack

arr1 = np.arange(1, 6, 2) # [1 3 5] arr2 = np.arange(7, 12, 2) # [ 7  9 11] arr3 = np.hstack((arr1, arr2)) # 横行拼接 arr4 = np.vstack((arr1, arr2)) # 纵向拼接 print(arr3) print(arr4) 

二维数组： hstack和vstack

# 二维数组 arr1 = np.array([[1, 2, 3], [4, 5, 6]]) arr2 = np.array([[7, 8, 9], [10, 11, 12]]) arr3 = np.hstack((arr1, arr2)) # 横行拼接 arr4 = np.vstack((arr1, arr2)) # 纵向拼接 print(arr3) print(arr4) 

注意：

• 长度不相同的两个数组，无法纵向拼接会报错
• 在stack中，参数为列表或者数组

5.组合函数：concatenate()函数和轴

arr1 = np.array([[1, 1], [2, 2]]) arr2 = np.array([[3, 3], [4, 4]]) print(np.concatenate((arr1, arr2), axis=0)) # 和vstack效果相同 print(np.concatenate((arr1, arr2), axis=1)) # 和hstack效果相同 

六、数组的访问—通过索引 1.访问一维数组

arr1 = np.arange(10) print(arr1[3]) # 3 print(arr1[2:6]) # [2 3 4 5] print(arr1[:2]) # [0 1] print(arr1[::-1]) # [9 8 7 6 5 4 3 2 1 0] arr1[2:4] = 111, 111 print(arr1)#[  0   1 111 111   4   5   6   7   8   9] 

2.访问二维数组

arr2 = np.array([[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3]]) print(arr2) # 拿出第一行的第三个和第四个数据 print(arr2[0][2:]) print(arr2[0, 2:]) arr3 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 取出1,3行的所有数据 print(arr3[(0, 2), :]) # 对于自定义类型的多维数组，可以采取键名拿数据 df = np.dtype([('name', np.str_, 40), ('numitems', np.int64), ('price', np.float64)]) print('df数据结构为：', df) # [('name', '

3.遮罩mask

arr3 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) mask = np.array([True, False, True]) print(arr3[mask, 2]) #true为显示，false不显示，1，3行显示，然后列为2的，所以结果为：[3,9] 

七、numpy中的数据类型和自定义数据类型 类型 描述 bool_ 布尔型数据类型（True 或者 False） int_ 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） intc 与 C 的 int 类型一样，一般是 int32 或 int 64 intp 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） int8 字节（-128 to 127） int16 整数（-32768 to 32767） int32 整数（-2147483648 to 2147483647） int64 整数（-9223372036854775808 to 9223372036854775807） uint8 无符号整数（0 to 255） uint16 无符号整数（0 to 65535） uint32 无符号整数（0 to 4294967295） uint64 无符号整数（0 to 18446744073709551615） float_ float64 类型的简写 float16 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 float32 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 float64 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 complex_ complex128 类型的简写，即 128 位复数 complex64 复数，表示双 32 位浮点数（实数部分和虚数部分） complex128 复数，表示双 64 位浮点数（实数部分和虚数部分）

自定义数据类型：

# 创建一个存储餐饮企业库存信息的数据类型 # （1）用一个长度为40的字符串来记录商品的名称 # （2）用一个长度64的整数来记录商品库存 # （3）用一个64为单精度浮点数来记录商品的价格 df = np.dtype([('name', np.str_, 40), ('numitems', np.int64), ('price', np.float64)]) print('df数据结构为：', df) table1 = np.array([('apple', 12, 1.32), ('banana', 22, 3.26)], dtype=df) print(table1) print(table1['name'])