版权声明：本文版权归作者所有，未经允许不得转载！ https://blog.csdn.net/m0_37827994/article/details/86493036
NumPy基础
- NumPy中的数组是从0开始计算的，即 x[0]
import numpy as np
# Set seed for reproducibility
np.random.seed(seed=1234)
1、标量（0维数组）
- 标量就是简简单单一个数（0维数组放在0个中括号内）
- 标量没有维度
- shape是指形状，因为标量没有维度，所以也就没有形状
- size是指有几个数
# Scalars
x = np.array(6) # scalar
print ("x: ", x)
# Number of dimensions
print ("x ndim: ", x.ndim)
# Dimensions
print ("x shape:", x.shape)
# Size of elements
print ("x size: ", x.size)
# Data type
print ("x dtype: ", x.dtype)
输出结果：
x: 6
x ndim: 0
x shape: ()
x size: 1
x dtype: int64
2、一维数组
- 一维数组放在 [ ] 中（一个中括号）
- 一维数组dim是1
- 一维数组行是一行已经固定，所以不用写；列的话本体为3，所以shape是3
- size就是数组中一共有多少数
# 1-D Array
x = np.array([1.3 , 2.2 , 1.7])
print ("x: ", x)
print ("x ndim: ", x.ndim)
print ("x shape:", x.shape)
print ("x size: ", x.size)
print ("x dtype: ", x.dtype) # notice the float datatype
输出结果：
x: [1.3 2.2 1.7]
x ndim: 1
x shape: (3,)
x size: 3
x dtype: float64
3、二维数组
- 二维数组放在 [ [ ] ] (两个中括号中) ；[ ] 外的逗号表示换行
- 二维数组dim为2
- shape是3行3列
- size就是矩阵中一共有多少数
# 2-D array
x = np.array([[1,2,3], [4,5,6], [7,8,9]])
print ("x:\n", x)
print ("x ndim: ", x.ndim)
print ("x shape:", x.shape)
print ("x size: ", x.size)
print ("x dtype: ", x.dtype)
输出结果：
x:
[[1 2 3]
[4 5 6]
[7 8 9]]
x ndim: 2
x shape: (3, 3)
x size: 9
x dtype: int32
4、三维数组（矩阵）
- 三维数组放在 [ [ [ ] ] ] (三个中括号中) ；[ ] 外的逗号表示换行
- 三维数组dim为3
- shape是（1,3,3）：第二个大括号中共1个，这一个是3行3列
- size就是矩阵中一共有多少数
# 3-D array (matrix)
x = np.array([[[1,2,3], [4,5,6], [7,8,9]]])
print ("x:\n", x)
print ("x ndim: ", x.ndim)
print ("x shape:", x.shape)
print ("x size: ", x.size)
print ("x dtype: ", x.dtype)
输出结果：
x:
[[[1 2 3]
[4 5 6]
[7 8 9]]]
x ndim: 3
x shape: (1, 3, 3)
x size: 9
x dtype: int64
5、函数
# Functions
print ("np.zeros((2,2)):\n", np.zeros((2,2)))
print ("np.ones((2,2)):\n", np.ones((2,2)))
print ("np.eye((2)):\n", np.eye((2)))
print ("np.random.random((2,2)):\n", np.random.random((2,2)))
输出结果：
np.zeros((2,2)):
[[0. 0.]
[0. 0.]]
np.ones((2,2)):
[[1. 1.]
[1. 1.]]
np.eye((2)):
[[1. 0.]
[0. 1.]]
np.random.random((2,2)):
[[0.19151945 0.62210877]
[0.43772774 0.78535858]]
注：一些关于NumPy的参考资料：
https://www.numpy.org.cn/article/basics/an_introduction_to_scientific_python_numpy.html