python：np.array的操作

版权声明：未经允许，禁止转载 https://blog.csdn.net/weixin_43216017/article/details/87380214

numpy.array的操作在python的数值运算中非常常用，可以用于生成不同的数组。在本文中，我们介绍一些numpy.array的基础操作。

np.arange()：生成序列

一般需要两个参数，分别是起点和终点（不包括终点）。当我们添加第三个参数时，我们就设定了每一步的步长，默认值为1。

import numpy as np
>>> a = np.arange(0,5)
>>> a
array([0, 1, 2, 3, 4])
#同样的范围将步长设定为0.5
>>> b = np.arange(0,5,0.5)
>>> b
array([0. , 0.5, 1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5])

np.linspace()：等差数列

用于设置等差数列。一般都有三个参数，包括起点，终点和所需数字的个数。与np.arange()不同的是，np.linspace()包括终点。

#以1为起点，5为终点，需要5个数
>>> c = np.linspace(1,5,5)
>>> c
array([1., 2., 3., 4., 5.])
#我们也可以通过限定条件，使其不包含终点
>>> d = np.linspace(1,5,5,endpoint = False)
>>> d
array([1. , 1.8, 2.6, 3.4, 4.2])

np.logspace()：等比数列

用于构造等比数列。一般需要三个参数，np.logspace(a,b,c)的意思是以 $10^a$为起点， $10^b$为终点，其中需要c个数。如果我们不想以10为底，可以使用"base = “修改，和np.linspace()一样，默认"endpoint = True”

#以1为起点，1000为终点，需要四个数
>>> e = np.logspace(0,3,4)
>>> e
array([   1.,   10.,  100., 1000.])
#我们设置以2为底
>>> f = np.logspace(0,3,4,base = 2)
>>> f
array([1., 2., 4., 8.])

生成特殊矩阵

#生成都是1的矩阵
>>> np.ones((2,2))
array([[1., 1.],
       [1., 1.]])
#生成都是0的矩阵
>>> np.zeros((2,2))
array([[0., 0.],
       [0., 0.]])
#生成单位矩阵
>>> np.eye(2,2)
array([[1., 0.],
       [0., 1.]])
#生成对角矩阵
>>> g = [1,2,3] #或者g = np.array([1,2,3])都行
>>> np.diag(g)
array([[1, 0, 0],
       [0, 2, 0],
       [0, 0, 3]])

astype()：改变数据类型

astype()函数可以转换数组中数据的类型。
我们发现，直接使用np.array()生成的数组都是整数（int）类型。如何强制生成float类型的数组。

>>> h = np.array([1,2,3,4],dtype = np.float)
>>> h
array([1., 2., 3., 4.])
>>> h.astype(int)
array([1, 2, 3, 4])

.dtype：查看数据类型

此处我们将说明type()和.dtype的区别：
对于一个数组而言，type()函数返回的是数组；.dtype函数返回的是数组中内容的数据类型。

>>> j = np.array([[1,2],[3,4]],dtype = float64)
>>> type(j)
numpy.ndarray
>>> j.dtype
dtype('float64')