手撕numpy(一)：简单说明和创建数组的不同方式​​​​​

作者丨黄伟呢

来源丨凹凸数据

最近给大家更新一波python的基础知识，这次带来的是手撕numpy系列。

1、numpy的简介

numpy是"Numerical Python"的简称。

numpy提供了一个高性能的多维数组对象ndarray(N Dimension Array)，以及大量的库函数和操作，可以帮助程序员轻松地进行数值计算。

原生python语言执行速度很慢，C执行500次，python差不多只能执行一次，但是python语法比其它编程语言要简单的多得多。因此我们既想要某一个编程语言执行速快，同时还编程简单。最终python通过集成C和C++，最终解决这个问题，也就是说：底层运行的是C和C++的代码，但是上层使用的是python语言去写的。这就是我们为什么都喜欢使用"numpy库"的原因。

numpy作为很多的用来做数据挖掘，数据分析，人工智能相关的技术组件的底层实现。像SciPy、Matplotlib、Scikit-learn在一定程度上，都需要依赖numpy。

2、学习numpy的套路

学习怎么使用numpy组织数据(怎么创建出，你想要的不同维度，不同形状的数组）：numpy提供了一个高性能的多维数组对象：ndarray。

学习numpy提供的函数处理这个组好的数据：numpy提供了很多很多的库函数，帮助我们处理这些数据。

3、关于numpy中ndarray数据对象的结构说明

numpy中最重要的数据结构是称为ndarray的n维数组对象，这个对象由两部分构成：

• 元数据部分：存储的是当前这个ndarray对象的一些描述信息；
• 真实数据部分：存储的是当前这个ndarray对象中的真实数据。

1）什么是ndarray数组对象的描述信息呢？

注意：上述图中的shape、size、dtype、ndim等都是x这个ndarray对象的描述信息，这些信息都存储在元数据区域。而1，2，3，4，5，6就是这个对象中的真实数据。

4、ndarray数组和list列表的简单对比

① ndarray数组和list中的数据类型

list列表中可以存储不同的数据类型，例如：x = [1,2.3,True,“中国”]。ndarray数组中存储的所有的元素的类型，都必须一致。

② 使用numpy创建数组和使用原生list的效率对比

③ 使用ndarray创建数组的好处

既然ndarray中，每个元素的类型既然是一致的，那么整个ndaray就只需要一个元数据信息就可以了，而不是像list一样，每个对象都需要存储一个元数据信息。

ndarray好处在于：1、由于元数据只需要存储一份，所以可以更节省空间。2、由于每个元素的类型一致，就证明每个元素占用内存的大小是一致的，那么这样的数据的存储可以更紧凑，操作更高效。

5、什么是维度？

① 用一个例子进行说明

② 一张图形象说明一维数组、二维数组、三维数组的ndarray写法

③ 针对上述知识点进行举例说明

6、创建数组的几种不同方式

1）利用array()函数去创建数组；

操作如下

import numpy as np

array1 = [1,2,3]
m = np.array(array1)
display(m)

array2 = [[1,2,3],[4,5,6]]
n = np.array(array2)
display(n)

结果如下：

结论如下：

• np.array(参数)函数，参数给了什么样式的数据，就构建什么样式的ndarray数组；你给我一个一维列表，我就构建一个一维数组；你给我一个二维列表，我就构建一个二维数组；
• 什么是二维列表？每个元素都是一个一维列表的列表，就是一个二维列表；
• 如果我构建了一个二维列表，那么这个二维列表中的每个元素就都是一个一维列表；
• 在numpy中，一维数组又叫做"向量"；二维数组又叫做"矩阵"；

2）利用arange()函数去创建数组：对比列表的range()函数学习；

① 相同点：用法都是相同的

# 语法如下：
range(start,end,step)
arange(start,end,step)
# 举例如下：
list1 = list(range(1,10,2))
display(list1)
array1 = np.arange(1,10,2)
display(array1)

结果如下：

② 不同点：arange()函数的步长，可以是浮点数，但是range()函数的步长，不能是浮点数

list1 = list(range(1,10,2))
display(list1)
list2 = list(range(1,10,0.5))
display(list2)
list3 = list(range(10,1,-2))
display(list3)

array1 = np.arange(1,10,2)
display(array1)
array2 = np.arange(1,10,0.5)
display(array2)
array3 = np.arange(10,1,-2)
display(array4)

结果如下：

3）利用指定值生成指定形状的数组；

① 常用函数如下

• np.zeros((x,y)):生成一个x行y列的，元素都是0的二维数组；
• np.ones((x,y))：生成一个x行y列的，元素都是1的二维数组；
• np.full((x,y),value)：生成一个x行y列的，元素都是value的二维数组，其中这个value值可以是整数(正整数,0,负整数)或者小数；

② 代码如下

array1 = np.zeros((3,4))
display(array1)

array2 = np.ones((3,4))
display(array2)

array1 = np.full((3,4),1.2)
display(array3)

结果如下：

注意：我这里以创建二维数组为例，你传入一个数字，就可以创建一维数组；你传入三个数字，就可以创建三维数组，可以自己下去试一试。

4）按照已有的ndarray数组的形状，创建形状相同但指定元素的ndarray数组；

① 常用函数如下

• np.zeros_like()
• np.ones_like()
• np.full_like()

② 操作如下

## 1）先创建一个一维数组和一个二维数组；
n1 = np.array([1,2,3]);
n2 = np.array([[1,2,3],[4,5,6]])

## 2）使用np.zeros_like()
array1 = np.zeros_like(n1)
array2 = np.zeros_like(n2)
display(array1)
display(array2)

## 3）np.ones_like()
array3 = np.ones_like(n1)
array4 = np.ones_like(n2)
display(array3)
display(array4)

## 4）np.full_like()
array5 = np.full_like(n1)
array6 = np.full_like(n2)
display(array5)
display(array6)

结果如下：

5）创建单位矩阵和对角矩阵；

① 创建单位矩阵

## 1）np.eye(x)和np.identity(x)
array1 = np.eye(3)
display(array1)

array2 = np.identity(4)
display(array2)

结果如下：

② 创建对角矩阵

## 1）np.diag()
array1 = np.diag([10,20,30])
display(array1)

结果如下：

6）创建等差数列数组：对比arange()函数和linspace()函数学习；

① np.arange()和np.linspace()创建等差数列的区别

• np.arange(start,stop,step)第三个参数指的是元素步长；
• np.linspace(start,stop,num)第三个参数指的是元素个数；
• np.arange()取不到最大的那个值stop，np.linspace()默认可以取到最大值stop；

② 用法如下

array1 = np.arange(1,15,3)
display(array1)
display(array1.dtype)

array2 = np.linspace(1,15,3)
display(array2)
display(array2.dtype)

结果如下：

③ np.linspace()中两个常用的参数：endpoint和dtype

• endpoint=True表示是包含终止值(默认)，endpoint=False表示不包含终止值；
• dtype=np.float64指定创建的数组的数据类型默认是float64，你也可以设置为dtype=np.np.int32；

array3 = np.linspace(1,20,num=5,endpoint=False,dtype=np.float64)
display(array3)

array4 = np.linspace(1,20,num=5,endpoint=False,dtype=np.int32)
display(array4)

array5 = np.linspace(1,20,num=5,endpoint=True,dtype=np.float64)
display(array5)

array6 = np.linspace(1,20,num=5,endpoint=True,dtype=np.int32)
display(array6)

结果如下：

7）创建等比数列数组；

① 用一个例子进行说明

log_array = np.logspace(1, 7, num=4, endpoint=True, base=2)
display(log_array)

结果如下：

注意：上述代码表示在2的一次方到2的七次方之间，生成4个数，这四个数字还构成了一个等比数列。

② 再看另外一个案例

log_array1 = np.logspace(1, 5, 3)
display(log_array1)

结果如下：

注意：上述代码表示会默认base=10，也就是说，在10的一次方到10的五次方之间，生成3个数，这3个数还构成一个等比数列。

8）通过自定义函数创建数组；

## 1）np.fromfunction()
## 定义一个函数
def f(x, y):
    return x * 2 + 1 + y

## 从一个函数生成一个二维数组；
b = np.fromfunction(f, (3,3), dtype=np.int32)
display(b)

## 在这个函数，f函数要接收的参数，就是当前元素的坐标；
## 0行0列，传入的就是x=0,y=0;
## 0行1列，传入的就是x=0,y=1;
## 3行2列，传入的就是x=3,y=2;

结果如下：

numpy系列持续更新中~

在看点这里好文分享给更多人↓↓