Python中创建ndarrary的20中方法

本文完整示例：完整示例代码

本文介绍了基础的、常用的创建ndarrary的多种方法，附带示例代码。

一、通过ndarray创建

import numpy as np

1.1 一维数组

a = np.array([1, 2, 3])
a

array([1, 2, 3])

1.2 二维数组

np.array([[1, 2, 3, 4],
       [2, 3, 4, 5]])

array([[1, 2, 3, 4],
       [2, 3, 4, 5]])

1.3 三维数组

arr1 = np.array([
    [
        [1, 2, 32, 23],
        [23, 3, 23, 3]
    ],
    [
        [1, 2, 3, 4],
        [23, 3, 4, 32]
    ]
])
print(arr1)
print(type(arr1))
arr1

[[[ 1  2 32 23]
  [23  3 23  3]]
 [[ 1  2  3  4]
  [23  3  4 32]]]
<class 'numpy.ndarray'>
array([[[ 1,  2, 32, 23],
        [23,  3, 23,  3]],
       [[ 1,  2,  3,  4],
        [23,  3,  4, 32]]])

二、创建ndarrary的常见函数

2. zeros()函数，指定一个维度元组（形状参数），返回全0的ndarrary

arr2 = np.zeros((2, 4))
arr2

array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])

3. ones()函数，指定一个维度元组（形状参数），返回全1的ndarrary

arr3 = np.ones((4, 4))
arr3

array([[ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.]])

4. empty()函数，指定一个维度元组（形状参数），返回一个值（垃圾值）为被初始化的ndarrary

arr4 = np.empty((2, 2))
arr4

array([[  7.89119642e-312,   4.22795269e-307],
       [  9.34608432e-307,   1.11258854e-306]])

三、其他创建ndarrary的方式

5. numpy.arange([start ], stop[, step ], dtype=None)函数，左开右闭

arr5 = np.arange(1, 10, 1)
arr5

array([1, 2, 3, 4, 5, 6, 7, 8, 9])

6. numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)函数，产生一个等差数列，左闭右闭

arr6 = np.linspace(0, 4, 5)
arr6

array([ 0.,  1.,  2.,  3.,  4.])

7. numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)函数，底数默认为10

arr7 = np.logspace(0, 4, 5, base=2)
arr7

array([  1.,   2.,   4.,   8.,  16.])

8. numpy.eye(N, M=None, k=0, dtype=<type ‘float’>)函数，生成NxM的单位矩阵

Return a 2-D array with ones on the diagonal and zeros elsewhere.

arr8 = np.eye(4, 3)
arr8

array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  0.]])

9. numpy.zeros_like(a, dtype=None, order=’K’, subok=True)函数，返回一个与a的形状参数一样的元素全部为0的数组

Return an array of zeros with the same shape and type as a given array.

参数subok,是否继承a的数据类型；

参数order，指定返回的结果在内存中的存储布局，默认是'K'，表示尽可能与a相同。

# 返回一个与arr8形状应的全0数组
arr9 = np.zeros_like(arr8)
arr9

array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])

10. numpy.ones_like(a, dtype=None, order=’K’, subok=True)函数，

返回一个与a的形状参数一样且元素全为0的数组

# 返回一个与ar9形状应的全0数组
arr10 = np.ones_like(arr9)
arr10

array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.],
       [ 1.,  1.,  1.],
       [ 1.,  1.,  1.]])

11. numpy.empty_like(a, dtype=None, order=’K’, subok=True)函数，返回一个与a形状相同且全部值为垃圾值（随机值）的数组

Return a new array with the same shape and type as a given array.

arr11 = np.empty_like(np.ones((5,4)))
arr11

array([[  7.89102294e-312,   6.27463370e-322,   0.00000000e+000,
          0.00000000e+000],
       [  8.45593933e-307,   5.30276956e+180,   7.70748458e-043,
          4.57487963e-071],
       [  3.45618033e-086,   3.35860426e-143,   6.01433264e+175,
          6.93885958e+218],
       [  5.56218858e+180,   3.94356143e+180,   4.75084178e-037,
          1.24689504e-047],
       [  3.85156077e-057,   2.06073242e+184,   4.71530148e-143,
          1.50008929e+248]])

12. numpy.copy(a, order=’K’)函数，返回与a一样的数组

Return an array copy of the given object.

# 属于深拷贝，修改复制数组，对原数组没有影响
arr12 = np.copy(arr11)
arr12[0, 0] = 1
arr12

array([[  1.00000000e+000,   6.27463370e-322,   0.00000000e+000,
          0.00000000e+000],
       [  8.45593933e-307,   5.30276956e+180,   7.70748458e-043,
          4.57487963e-071],
       [  3.45618033e-086,   3.35860426e-143,   6.01433264e+175,
          6.93885958e+218],
       [  5.56218858e+180,   3.94356143e+180,   4.75084178e-037,
          1.24689504e-047],
       [  3.85156077e-057,   2.06073242e+184,   4.71530148e-143,
          1.50008929e+248]])

13. numpy.identity(n, dtype=None)函数，返回一个n阶单位方阵

Return the identity array.

arr13 = np.identity(4)
arr13

array([[ 1.,  0.,  0.,  0.],
       [ 0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.],
       [ 0.,  0.,  0.,  1.]])

14. numpy.fromfunction(function, shape, **kwargs)返回一个数组，元素的值由函数计算，形状由shape元组限制

注意：参数shape是一个元组，shape元组中的元素个数需要与函数中的参数个数一致，分别表示不同纬度。

arr20 = np.fromfunction(lambda x, y: x+y, shape=(3, 3))
print(arr20)
arr21 = np.fromfunction(lambda x, y, z: x+y+z, shape=(3, 3, 3))
arr21

[[ 0.  1.  2.]
 [ 1.  2.  3.]
 [ 2.  3.  4.]]
array([[[ 0.,  1.,  2.],
        [ 1.,  2.,  3.],
        [ 2.,  3.,  4.]],
       [[ 1.,  2.,  3.],
        [ 2.,  3.,  4.],
        [ 3.,  4.,  5.]],
       [[ 2.,  3.,  4.],
        [ 3.,  4.,  5.],
        [ 4.,  5.,  6.]]])

15. numpy.mgrid函数

arr14 = np.mgrid[-1:3:2]    # 表示从-1开始，步长为1，取2个数字
print(arr14)
arr15 = np.mgrid[-1:3:2j]  # 当加'j'时，表示左闭右闭，且取到2个数字
print(arr15)
arr16 = np.mgrid[-1:3]    # 当指定两个参数时，功能与numpy.arange()函数一样
print(arr16)
arr18 = np.mgrid[0:5, 0:5] # 分别在两个维度上做填充
print(arr18)

[-1  1]
[-1.  3.]
[-1  0  1  2]
[[[0 0 0 0 0]
  [1 1 1 1 1]
  [2 2 2 2 2]
  [3 3 3 3 3]
  [4 4 4 4 4]]
 [[0 1 2 3 4]
  [0 1 2 3 4]
  [0 1 2 3 4]
  [0 1 2 3 4]
  [0 1 2 3 4]]]

16. numpy.ogrid函数

arr19 = np.ogrid[1:2]
print(arr19)
arr20 = np.ogrid[0:5, 0:5]
print(arr20)

[1]
[array([[0],
       [1],
       [2],
       [3],
       [4]]), array([[0, 1, 2, 3, 4]])]

17. numpy.fromstring(string, dtype=float, count=-1, sep=’‘)函数，从字符串创建一个一维ndarrary

arr21 = np.fromstring('1 2 3 4', sep=' ')
arr21

array([ 1.,  2.,  3.,  4.])

18. numpy.fromiter(iterable, dtype, count=-1)函数，返回一个一维数组

# 需要指定数据类型dtype
iterable = (i*i for i in range(4))
arr22 = np.fromiter(iterable,dtype=float)
arr22

array([ 0.,  1.,  4.,  9.])

四、其他方法

19. numpy.fromfile(file, dtype=float, count=-1, sep=’‘)函数，从文本文件或二进制文件中创建ndarrary

20. `numpy.loadtxt(fname, dtype=<type ‘float’>, comments=’#’, delimiter=None, converters=None,skiprows=0, usecols=None, unpack=False, ndmin=0)`从文件中创建。

总结

本文完整示例：完整示例代码
能力有限，欢迎指错交流；

欢迎关注个人微信公众号WaltSmithML或新浪微博WaltSmith，公众号提供机器学习、深度学习、Hadoop、Spark、Python、数学知识等免费视频教程。本人主要方向为机器学习和深度学习。非常欢迎一起交流学习哈，除了学习，还可免费帮忙download论文或者书籍哈==============

♥♥♥微信公众号♥♥♥♥♥♥♥♥♥新浪微博♥♥