NumPy 创建数组

O ndarray array pode ser criado não apenas usando o construtor de ndarray básico, mas também pelas seguintes maneiras:

numpy.empty

O método numpy.empty é usado para criar um array não inicializado com forma específica (shape), tipo de dados (dtype):

numpy.empty(shape, dtype = float, order = 'C')

Retorna um novo array com a forma e o tipo fornecidos, sem inicializar os itens.

Parâmetro

prototype - Forma do array de zeros.dtype(opcional) - Tipo de dados de saída necessários para o array, por exemplo numpy.int8. valor padrão é numpy.float64。order(opcional, padrão: 'C') - Existem duas opções "C" e "F", que representam, respectivamente, a prioridade da linha e da coluna, na ordem de armazenamento dos elementos na memória do computador.

Retorno: Um array com a forma do array fornecido, mas sem inicializar o tipo de dados e a ordem (aleatórios).

>>>　import　numpy　as　np
>>>　np.empty([2,　2])
array([[1,　0.],
　　　　　　　[0.,　1.]])
>>>　np.empty([2,　2],　dtype=int)
array([[4607182418800017408,　0],
　　　　　　　[　0,　4607182418800017408])
>>>

numpy.empty_like

numpy.empty retorna um novo array com a mesma forma e tipo do array fornecido.

numpy.empty_like(prototype, dtype=None, order='K', subok=True, shape=None)

Retorna um novo array com a mesma forma e tipo que o array fornecido

Parâmetro

prototype - A forma e o tipo do array de origem definem essas mesmas propriedades do array retornado.dtype - Cobertura do tipo de dados do resultado.order - Cobertura do layout de memória do resultado. Se prototypeFortran contínuo, 'A' representa 'F', caso contrário, 'C'.'K' representa que o layout do prototype deve coincidir o mais possível.subok - Se for True, o array recém-criado usará o subtipo de 'a', caso contrário, será o array de classe base. O padrão é True.shape - Cobertura da forma do resultado. Se order = 'K' e o número de dimensões não mudar, tentará manter a ordem, caso contrário, sugere order = 'C'.

Retorno: Novo array com a mesma forma e tipo que o array fornecido.

>>>　import　numpy　as　np
>>>　a = (1,2,3], [4,5,6])　#　a　é um array-like
>>>　np.empty_like(a)
array([[　6917529027641081856,　-6917520256071729910,　98],
　　　　　　　[　0,　0,　0]]
>>>　a = np.array([1.,　2.,　3.], [4.,5.,6.]])
>>>　np.empty_like(a)
array([[　2.68156159e+154,　2.68156159e+154,　3.32479618e+181],
　　　　　　　[　1.78476163e+185,　-1.73059781e-077,　4.21535080e-309])

numpy.zeros

Cria um array de tamanho especificado, preenchido com zeros:

numpy.zeros(shape, dtype = float, order = 'C')

Parâmetro

shape - Forma do array de zeros.dtype - Tipo de dados de saída necessários para o array, por exemplo numpy.int8. valor padrão é numpy.float64。order - {'C', 'F'}, opcional, padrão: 'C', indica que os dados sejam armazenados na memória em estilo de linha (C) ou coluna (Fortran).

Retorno: Array de zeros com a forma, tipo e ordem do array fornecido.

>>>　import　numpy　as　np
>>>　np.zeros(5)
array([0.,　0.,　0.,　0.,　0.])
,), dtype=[('x',　'i5,), dtype=int)
array([0,　0,　0,　0,　0])
,), dtype=[('x',　'i2,　1))
[0.]])
　　　　　　　>>>　np.zeros((
>>> s = (2,2)
,), dtype=[('x',　'i2,),　dtype=[('x',　'i4'),　('y',　'i4')]　#　dtype personalizado
array([(0,　0),　(0,　0)],　dtype=[('x',　'<i4''　),=""　('y',=""　'

numpy.zeros_like

zeros_like retorna um array de zeros com a mesma forma e tipo do array fornecido.

>>>　import　numpy　as　np
>>> x = np.arange(6)
>>> x = x.reshape((2,　3))
>>> print(x)
[[0　1　2]
　[3　4　5]]
>>> np.zeros_like(x)
array([[0, 0, 0],
　　　　　　　[0, 0, 0]]
>>> y = np.arange(3, dtype=float)
>>> y
array([0.,　1.,　2.])
>>> np.zeros_like(y)
array([0., 0., 0.])

numpy.ones

Cria um array com a forma especificada, os elementos do array são preenchidos com 1 para preencher:

numpy.ones(shape, dtype=None, order='C')

Parâmetro

shape - Forma do array.dtype - Tipo de dados, opcionalorder - 'C' para arrays de linha de C ou 'F' para arrays de coluna do FORTRAN

>>>　import　numpy　as　np
>>> np.ones(5)
array([1.,　1.,　1.,　1.,　1.])
>>> np.ones(5,), dtype=int)
array([1,　1,　1,　1,　1])
>>> np.ones(2,　1))
array([[1.,
　　　　　　　[1.]])
>>> s = (2,2)
>>> np.ones(s)
array([[1.,　1.,
　　　　　　　[1.,　1.]])

numpy.ones_like

zeros_like retorna um array com a mesma forma e tipo de dados do array fornecido.

numpy.ones_like(a, dtype=None, order='K', subok=True, shape=None)

Parâmetro

a - Uma propriedade que limita a forma e o tipo de dados do array retornado.dtype - O tipo de dados de saída necessário para o array.order - Cobertura do layout de memória do resultado.subok - Se for True, o array recém-criado usará o subtipo de 'a', caso contrário, será o array de classe base. O padrão é True.shape - Cobertura da forma do resultado.

Retorna um array com a mesma forma e tipo de zero.

>>>　import　numpy　as　np
>>> x = np.arange(6)
>>> x = x.reshape((2,　3))
>>> x
array([[0,　1,　2],
　　　　　　　[3,　4,　5])
>>> np.ones_like(x)
array([[1,　1,　1],
　　　　　　　[1,　1,　1])
>>> y = np.arange(3, dtype=float)
>>> y
array([0.,　1.,　2.])
>>> np.ones_like(y)
array([1.,　1.,　1.])

numpy.arange

numpy.arange([start]，stop，[step]，dtype=None)

Retorna os valores de intervalo uniforme dados.
Gera valores dentro do intervalo semi-aberto (isto é, o intervalo que inclui start mas não inclui stop). Para parâmetros inteiros, esta função é equivalente à função integrada do Python range, mas retorna ndarray em vez de lista. [start, stop)

Parâmetro

start - O início do intervalo. O intervalo inclui o valor. O valor inicial padrão é 0.stop - O intervalo termina. Este intervalo não inclui o valor, a menos que em alguns casos, o step não seja um inteiro e a arredondamento de ponto flutuante afete o comprimento de out.step - O espaçamento entre os valores. Para qualquer saída, é a distância entre os dois valores adjacentes, o passo padrão é1。dtype - Tipo de dados do array de saída.

Retorno: Array de valores com intervalos uniformes.

>>>　import　numpy　as　np
>>>　np.arange(3)
array([0,　1,　2])
>>>　np.arange(3.0)
array([0.,　1.,　2.])
>>>　np.arange(3,7)
array([3,　4,　5,　6])
>>>　np.arange(3,7,2)
array([3,　5])

numpy.linspace

A função numpy.linspace é usada para criar um array unidimensional, onde o array é composto por uma sequência aritmética, no formato a seguir:

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

Parâmetro

start - O valor inicial da sequência.stop - O valor final da sequência, se endpoint for true, este valor está incluído na sequência.num - A quantidade de amostras de passo igual a ser gerada, o valor padrão é50。endpoint - Este valor é true quando a sequência contém o valor stop, caso contrário, não contém, o padrão é True.retstep - Se for True, o array gerado mostrará espaçamento, caso contrário, não mostrará.dtype - O tipo de dados do ndarray.

A seguir, o exemplo usa três parâmetros, configurando o ponto de partida como 1 ，o ponto final é 10，o número de séries é 10。

>>>　import　numpy　as　np
>>>　a　=　np.linspace(1,10,10)
>>> print(a)
[　1.　2.　3.　4.　5.　6.　7.　8.　9.　10.]
>>>　a　=　np.linspace(10,　20,　5,　endpoint　=　　False)
>>> print(a)
[10.　12.　14.　16.　18.]
>>>　a　=np.linspace(1,10,10,retstep=　True)
>>> print(a)
(array([　1.,　2.,　3.,　4.,　5.,　6.,　7.,　8.,　9.,　10).reshape([　1.0)
>>>　b　=np.linspace(1,10,10).reshape([10,1])
>>>　print(b)
[[　1.]
　[　2.]
　[　3.]
　[　4.]
　[　5.]
　[　6.]
　[　7.]
　[　8.]
　[　9.]
　[10.]]

numpy.asarray

Conversão direta dos tipos de dados básicos do Python (como lista, tupla, etc.) para gerar ndarray:

>>>　import　numpy　as　np
>>>　ls1　=　[10,　42,　0,　-17,　30]
>>>　nd1　=np.array(ls1)
>>>　print(nd1)
[　10　42　0　-17　30]
>>>
>>>　print(type(nd1))

numpy.asarraysemelhante numpy.arrayMas o parâmetro numpy.asarray tem apenas três, dois a menos do que numpy.array.

numpy.asarray(a, dtype = None, order = None)

Parâmetro

a - Parâmetros de entrada de qualquer forma, podem ser, lista, tupla da lista, tupla, tupla da tupla, lista da tupla, array multidimensional.dtype - Tipo de dados, opcional.order - A quantidade de amostras de passo igual a ser gerada, o valor padrão é50。endpoint - Opcional, há duas opções "C" e "F", que representam respectivamente, a prioridade de linha e a prioridade de coluna, a ordem de armazenamento dos elementos na memória do computador.

>>>　import　numpy　as　np
>>> x = [1,2,3]
>>> a = np.asarray(x)
>>>　a
array([1,　2,　3])
>>> x = (1,2,3)
>>> a = np.asarray(x)
>>> print(a)
[1　2　3]
>>> x = [(1,2,3),(4,5)]
>>> a = np.asarray(x)
>>> print(a)
[(1,　2,　3) (4,　5)]
>>> x = [1,2,3]
>>> a = np.asarray(x, dtype=float)
>>> print(a)
[1.　2.　3.]

numpy.frombuffer

numpy.frombuffer é usado para implementar arrays dinâmicos.
O numpy.frombuffer aceita o parâmetro de entrada buffer, lendo em forma de fluxo e convertendo para objeto ndarray.

numpy.frombuffer(buffer, dtype=float, count=　-1, offset = 0)

Parâmetro

buffer - Pode ser qualquer objeto, lido em forma de fluxo.dtype - Retorna o tipo de dados do array, opcionalcount - Número de dados lidos, o padrão é-1，ler todos os dados.offset - Posição de início da leitura, o padrão é 0.

>>>　import　numpy　as　np
>>> s = b'Hello w3codebox'
>>> a = np.frombuffer(s, dtype='S1)
>>> print(a)
[b'H' b'e' b'l' b'l' b'o' b' ' b'L' b'i' b'd' b'i' b'h' b'u' b'o']

numpy.fromiter

O método numpy.fromiter constrói um objeto ndarray a partir de um objeto iterável, retornando um array unidimensional.

numpy.fromiter(iterable, dtype, count=-1)

Parâmetro

iterable - Objeto iterável.dtype - Retorna o tipo de dados do arraycount - Número de dados lidos, o padrão é-1，ler todos os dados.

>>>　import　numpy　as　np
>>> # Usar função range para criar objeto lista
>>> list=range(5)
>>> it=iter(list)
>>> x=np.fromiter(it, dtype=float)
>>> print(x)
[0.　1.　2.　3.　4.]

Gerando arrays com o módulo random

Para treinar o modelo de maneira mais eficaz e melhorar o desempenho do modelo, algumas inicializações precisam atender a certas condições, como distribuição normal ou uniforme, etc. Aqui são apresentados vários métodos comuns do módulo np.random, conforme a tabela a seguir.

>>>　import　numpy　as　np
>>>　#　生成全是　0　的　3x3　矩阵
>>>　nd5　=np.zeros([3,　3])
>>>　print("nd5　=\n",　nd5)
nd5　=
　[[0.　0.　0.]]
　[0.　0.　0.]
　[0.　0.　0.]]
>>>　#　生成全是　1　的　3x3　矩阵
>>>　nd6　=　np.ones([3,　3])
>>>　print("nd6　=\n",　nd6)
nd6　=
　[[1.　1.　1.]
　[1.　1.　1.]
　[1.　1.　1.]]
>>>
>>>　#　生成　4　阶的单位矩阵
>>>　nd7　=　np.eye(4)
>>>　print("nd7　=\n",　nd7)
nd7　=
　[[1.　0.　0.　0.]
　[0.　1.　0.　0.]
　[0.　0.　1.　0.]
　[0.　0.　0.　1.]]
>>>　#　生成　4　阶对角矩阵
>>>　nd8　=　np.diag([1,　8,　3,　10])
>>>　print("nd8　=\n",　nd8)
nd8　=
　[[　1　0　0　0]
　[　0　8　0　0]
　[　0　0　3　0]
　[　0　0　0　10]]