NumPy基础之数组的创建

在数据科学领域有5个最佳的Python库，分别是NumPy、Scipy、Pandas、Matplotlib和Scikit-learn，本篇先讲解NumPy的相关知识。

NumPy简介

NumPy（Numerical Python的简称）是Python的开源数值计算扩展库，是高性能科学计算和数据分析的基础包。它可用来存储和处理大型矩阵，比Python自身的嵌套列表nested list structure结构要高效的多（它也可以用来表示矩阵matrix）。

NumPy之所以可实现科学计算，是因为NumPy包括以下5部分内容：

• 具有矢量运算和复杂广播快速且节省空间的N维数组对象ndarray

• 用于读写磁盘数据及操作内存映射文件的工具

• 较为成熟的标准数据函数库

• 用于整合C/C++和Fortran代码的工具

• 实用的线性代数、傅里叶变换和随机数生成函数

NumPy在数据分析等数据科学领域应用广泛，主要原因如下：

• 强大的N维数组（矩阵）对象，非常快速高效，可实现矢量数学运算

• 高效的Index，不需要循环，提高效率，缩短了时间

• 免费开源并可跨平台使用，其运行效率可与C/Matlab媲美

数组的创建

NumPy中最重要、使用频率最高的是N维数组对象，利用此对象可对整块数据执行一些数学运算，本节主要讲解该数组对象的创建及访问。

NumPy中数组创建方法有多种，具体如下表所示。

函数名	功能说明
array	将输入数据（列表、元组、数组或其他序列类型）装换为ndarry，可显示指定dtype，默认直接复制输入数据
asarray	将输入转换为ndarry，如果输入本身就是一个ndarry则不进行复制
arange	类似于内置的range函数，但返回的是一个ndarry而不是列表
ones、ones_like	根据指定的形状和dtype创建一个全1数组，ones_like以另一个数组为参数，并根据其形状和dtype创建一个全1数组
zeros、zeros_like	类似于ones和ones_like，只不过创建的是一个全0数组
empty、empty_like	创建新数组，只分配内存空间但不填充任何值
eye、identity	创建一个N×N并且对角线全为1，其余为0的数组

上表是NumPy中创建数组的函数说明，接下来将展示部分函数的使用及效果，具体如下所示：

1. 使用array()函数直接创建，具体示例如下所示：

In [1]: import numpy as np
In [2]: array1 = np.array([1,2,3,4,5])
In [3]: lst = [1,2,3,4,5]
In [4]: array2 = np.array(lst)
In [5]: lst1 = [6,7,8,9,10]
In [6]: array3 = np.array([lst,lst1])

上述代码创建了3个数组array1、array2和array3，其中array1和array2是一维数组，运行结果如下所示：

In [7]: array1
Out[7]: array([1, 2, 3, 4, 5])
In [8]: array2
Out[8]: array([1, 2, 3, 4, 5])

数组array3是二维数组，运行结果如下所示：

In [9]: array3
Out[9]:
array([[ 1, 2, 3, 4, 5],
 [ 6, 7, 8, 9, 10]])

2. 使用arange(start，end，step)函数创建，其中参数start是起始值，end是终止值，step是步长，最终返回一个array对象，具体示例如下所示：

In [10]: import numpy as np
In [11]: array4 = np.arange(1,10)
In [12]: array5 = np.arange(1,10,2)
In [13]: array6 = np.arange(1,10).reshape(3,3)

上述代码创建了3个数组array4、array5和array6，其中In [13]的reshape(3，3)函数是将生成的一维数组转换为拥有3行3列的二维数组，上述示例中各数组的运行结果如下所示：

In [14]: array4
Out[14]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])
In [15]: array5
Out[15]: array([1, 3, 5, 7, 9])
In [16]: array6
Out[16]:
array([[1, 2, 3],
 [4, 5, 6],
 [7, 8, 9]])

3. ones()和zeros()函数，二者是返回全1或全0数组，具体示例如下所示：

In [20]: import numpy as np
In [21]: array10 = np.ones([2,4])
In [22]: array11 = np.zeros([2,4])

上述代码创建了2个数组array10和array11，其中In [21]是生成一个2行4列的全1数组并赋值给array10；In [22]是生成一个2行4列的全0数组并赋值给array11；上述示例中各数组运行结果如下所示：

In [23]: array10
Out[23]:
array([[1., 1., 1., 1.],
 [1., 1., 1., 1.]])
In [24]: array11
Out[24]:
array([[0., 0., 0., 0.],
 [0., 0., 0., 0.]])

4. eye()函数，创建并返回一个对角线为1，其余为0的数组，具体示例如下所示：

In [17]: import numpy as np
In [18]: array12 = np.eye(4)
In [19]: array13 = np.eye(3)

上述代码创建了两个数组array12和array13，其中In [18]是创建了一个4×4的对角线为1，其余为0的数组并赋值给array12；In [19]是创建了一个3×3的对角线为1，其余为0的数组并赋值给array13；上述示例中各数组运行结果如下所示：

In [25]: array12
Out[25]:
array([[1., 0., 0., 0.],
 [0., 1., 0., 0.],
 [0., 0., 1., 0.],
 [0., 0., 0., 1.]])
In [26]: array13
Out[26]:
array([[1., 0., 0.],
 [0., 1., 0.],
 [0., 0., 1.]])

上述4种是较为基础并常见的创建数组的方式，但是除了上述4种还可以通过随机数来快速创建符合某些特质的数组，具体示例如下所示：

In [27]: import numpy as np
In [28]: array7 = np.random.randn(5)
In [29]: array8 = np.random.randint(10,size=(3,3))
In [30]: array9 = np.random.randint(10,size=9).reshape(3,3)

上述代码创建了3个数组array7、array8和array9，其中In [28]是随机生成含有5个符合正态分布值的数组并赋值给array7；In [29]是随机生成一个3行3列并且所有元素均为10以内整数的数组并赋值给array8；In [30]中reshape(3，3)是将生成的由9个10以内的整数组成数组转换为3行3列的数组，并赋值给array9；上述示例中各数组的运行结果如下所示：

In [32]: array7
Out[32]: array([-0.66070016,0.74529797,1.81593755,0.25059274, -0.27814649])
In [33]: array8
Out[33]:
array([[5, 3, 1],
 [6, 7, 7],
 [4, 9, 2]])
In [34]: array9
Out[34]:
array([[4, 0, 0],
 [1, 4, 3],
 [4, 6, 4]])