Создание массивов NumPy

Массив ndarray можно создавать не только с помощью низкоуровневого конструктора ndarray, но и несколькими другими способами.

numpy.empty

Метод numpy.empty используется для создания массива с заданной формой (shape), типом данных (dtype) и неинициализированными элементами:

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

Возвращает новый массив с заданной формой и типом, не инициализируя элементы.

Параметр

prototype - форма нулевого массива.dtype(по умолчанию) - выходной тип данных массива, например numpy.int8. По умолчанию: numpy.float64.order(по умолчанию: 'C') - Есть два варианта «C» и «F», которые представляют собой порядок хранения элементов в памяти компьютера, приоритет строк и столбцов.

Возвратное значение: массив с формой заданного массива, но неинициализированными данными (случайные) по типу и порядку.

>>>　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 возвращает новый массив с той же формой и типом, что и заданный массив.

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

Возвращает новый массив с той же формой и типом, что и заданный массив

Параметр

prototype - Форма и тип данных исходного массива определяют те же свойства возвращаемого массива.dtype - Тип данных результатов покрытия.order - Размещение памяти результатов. Если prototypeFortran последовательный, то «A» означает «F»,否则 «C». «K» означает, что prototype возможно лучше соответствует разметке.subok - Если True, то созданный новый массив будет использовать подкласс 'a', в противном случае это будет базовый массив. По умолчанию True.shape - форма результата. Если order = 'K' и количество размеров не изменяется, пытается поддерживать порядок, в противном случае подразумевается order = 'C'.

Возврат: массив с той же формой и типом, что и прототип, неинициализированный (любой) массив данных.

>>>　import　numpy　as　np
>>> a = ([1, 2, 3], [4, 5, 6])  # a is 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],
　　　　　　　[2.68156159e+154, 2.68156159e+154, 3.32479618e+181]

numpy.zeros

Создает массив заданного размера, элементами которого является ноль:

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

Параметр

shape - форма нулевого массива.dtype - выходной тип данных массива, например numpy.int8. По умолчанию: numpy.float64.order - '{'C', 'F'}', опционально, по умолчанию: 'C', означает хранение данных в памяти в порядке строк (C) или столбцов (Fortran).

Возврат: нулевой массив с той же формой, типом данных и порядком, что и заданный массив.

>>>　import　numpy　as　np
>>> np.zeros(5)
array([0.0, 0.0, 0.0, 0.0, 0.0])
>>> np.zeros((5,), dtype=int)
array([0, 0, 0, 0, 0])
>>> np.zeros((2, 1))
array([[0.0],
　　　　　　　[0.0]
>>> s = (2,2)
>>> np.zeros((2,), dtype=[('x', 'i4'), ('y', '')])  # пользовательский dtype
array([(0, 0), (0, 0)], dtype=[('x', '<i4'), ('y', '')])

numpy.zeros_like

zeros_like возвращает нулевую массив с той же формой и типом, что и заданный массив.

>>>　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

Создает массив с заданной формой, заполненный единицами:

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

Параметр

shape - Форма массива.dtype - Тип данных, опциональноorder - 'C' используется для строкового массива в C, или 'F' для столбцового массива в 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 возвращает массив с той же формой и типом, что и заданный массив.

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

Параметр

a - Атрибут, ограничивающий возвращаемый массив по форме и типу данных.dtype - Требуемый тип данных массива.order - Заменить макет результата.subok - Если True, то созданный новый массив будет использовать подкласс 'a', в противном случае это будет базовый массив. По умолчанию True.shape - Заменить форму результата.

Возвратное значение: массив с той же формой и типом, что и ноль.

>>>　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 )

Возврат均匀间隔ных значений в заданном интервале.
Создание значений в полуоткрытом интервале (то есть включение start, но не включение stop). Для целых параметров функция эквивалентна встроенной функции range Python, но возвращает ndarray вместо списка. [start, stop)

Параметр

start - Начало интервала. Интервал включает это значение. По умолчанию начальное значение 0.stop - Конец интервала. Интервал не включает это значение, за исключением случаев, когда шаг не является целым числом, и浮инговая р운да может повлиять на длину out.step - Расстояние между значениями. Для любого вывода, это расстояние между двумя последовательными значениями, по умолчанию шаг 1.dtype - Тип массива вывода.

Возврат: массив значений с равными интервалами.

>>>　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

Функция numpy.linspace используется для создания одномерного массива, массив является последовательностью арифметической прогрессии в следующем формате:

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

Параметр

start - Начальное значение последовательности.stop - Конечное значение последовательности. Если endpoint true, это значение включает в себя последовательность.num - Количество образцов, генерируемых с равными шагами, по умолчанию 50.endpoint - Если это значение true,则在序列中包含stop значение, в противном случае не включает, по умолчанию это true.retstep - Если True,则在生成的数组中会显示间隔，否则不显示。dtype - тип данных массива ndarray.

В этом примере используются три параметра, устанавливается начальная точка 1, конечная точка 10, количество чисел в последовательности 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.]),　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

Прямое преобразование базовых данных Python (например, списков, кортежей и т.д.) в 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.asarrayаналогичен numpy.arrayНо параметр numpy.asarray имеет только три параметра, на два меньше, чем numpy.array.

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

Параметр

a - Любой вид входных параметров, может быть, список, кортеж, кортеж из кортежей, список кортежей,多维ый массив.dtype - Тип данных, опционально.order - Количество образцов, генерируемых с равными шагами, по умолчанию 50.endpoint - Опционально, имеет два варианта "C" и "F", которые представляют собой, порядок хранения элементов в памяти компьютера, соответственно, по строкам и по столбцам.

>>>　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 используется для реализации динамического массива.
numpy.frombuffer принимает параметр buffer, чтобы читать его в виде потока и преобразовывать в объект ndarray.

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

Параметр

buffer - Может быть любым объектом, который будет читаться в виде потока.dtype - Возвращает тип данных массива, опциональноcount - Количество читаемых данных, по умолчанию -1, чтение всех данных.offset - Начальная позиция чтения, по умолчанию 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

Метод numpy.fromiter создает объект ndarray из объектного итератора, возвращает одномерный массив.

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

Параметр

iterable - Возможный объект.dtype - Возвращает тип данных массиваcount - Количество читаемых данных, по умолчанию -1, чтение всех данных.

>>>　import　numpy　as　np
>>>　#　Использование　range　функции для создания объекта списка
>>>　list=range(5)
>>>　it=iter(list)
>>>　x=np.fromiter(it,　dtype=float)
>>>　print(x)
[0.　1.　2.　3.　4.]

Использование модуля random для создания массива

Для более эффективного обучения модели и повышения ее производительности, некоторые инициализации должны соответствовать определенным условиям, таким как нормальное или равномерное распределение и т.д. В этой статье описаны несколько常用的 методов модуля np.random, как показано в таблице.

>>>　import　numpy　as　np
>>>　#　Создать 3x3 матрицу, заполненную нулями
>>>　nd5　=np.zeros([3,　3])
>>>　print("nd5　=\n",　nd5)
nd5　=
　[[0.　0.　0.]
　[0.　0.　0.]
　[0.　0.　0.]]
>>>　#　Создать 3x3 матрицу, заполненную единицами
>>>　nd6　=　np.ones([3,　3])
>>>　print("nd6　=\n",　nd6)
nd6　=
　[[1.　1.　1.]
　[1.　1.　1.]
　[1.　1.　1.]]
>>>
>>>　#　Создать 4-й порядковый единичный матрица
>>>　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.]]
>>>　#　Создать 4-й порядковый диагональный матрица
>>>　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]]