资讯专栏INFORMATION COLUMN

Numpy 中文用户指南 3.2 创建数组

zilu / 2224人阅读

摘要:将以指定数量的元素创建数组,并平分开始值和结束值。将创建数组的集合用一维数组来模拟高维数组,每一维都有表示它的变量。一个例子说明比口头描述好得多计算规则网格上的高维函数时,这会非常有用。

原文:Array creation

译者:飞龙

另见

数组创建例程

导言

数组创建的一般机制有五种:

从其它Python的结构转换(如列表和元组)

内置的NumPy数组创建对象(如 arange, ones, zeros以及其它)

从磁盘中读取标准或自定义格式的数据

通过使用字符串或者缓冲区,从原始的字节创建数组

使用特殊的库函数(比如random

本节不会涉及复制和连接等扩展和转换现有数组的方法,也不会涉及创建对象数组和结构化数组。这些会在它们自己的章节中讲述。

将Python类似数组的对象转换为NumPy数组

通常,Python中排列为数组结构的数值数据可以通过array()函数来转换成数组,典型的例子就是列表和元组。具体使用方法请见array()函数的文档。一些对象也支持数组的协议,并且可以用这种方法转换成数组。辨识一个对象是否能转换为数组,最简单的方法就是在交互式环境中尝试这一方法,看看它是否有效(即Python之道)。

例如:

>>> x = np.array([2,3,1,0])
>>> x = np.array([2, 3, 1, 0])
>>> x = np.array([[1,2.0],[0,0],(1+1j,3.)]) # note mix of tuple and lists,
    and types
>>> x = np.array([[ 1.+0.j, 2.+0.j], [ 0.+0.j, 0.+0.j], [ 1.+1.j, 3.+0.j]])
内置的NumPy数组创建

NumPy具有从无到有创建数组的内置功能:

zeros(shape) 将创建一个填充为0的指定形状的数组。

>>> np.zeros((2, 3)) array([[ 0., 0., 0.], [ 0., 0., 0.]])

ones(shape) 将创建一个填充为1的数组。在其他所有方面都和zeros相同。

arange()将创建有规律的增量值数组。它的几种用法请见docstring。这里给出几个例子:

>>> np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.arange(2, 10, dtype=np.float)
array([ 2., 3., 4., 5., 6., 7., 8., 9.])
>>> np.arange(2, 3, 0.1)
array([ 2. , 2.1, 2.2, 2.3, 2.4, 2.5, 2.6, 2.7, 2.8, 2.9])

请注意,关于最后一个用例,有一些使用技巧,请见arrange的docstring。

linspace()将以指定数量的元素创建数组,并平分开始值和结束值。例如:

>>> np.linspace(1., 4., 6)
array([ 1. ,  1.6,  2.2,  2.8,  3.4,  4. ])

这些创建函数的好处是,可以保证元素个数、起始点和结束点,arange()一般不会指定任意的起始值、结束值和步长。

indices()将创建数组的集合(用一维数组来模拟高维数组),每一维都有表示它的变量。一个例子说明比口头描述好得多:

>>> np.indices((3,3))
array([[[0, 0, 0], [1, 1, 1], [2, 2, 2]], [[0, 1, 2], [0, 1, 2], [0, 1, 2]]])

计算规则网格上的高维函数时,这会非常有用。

从磁盘读取数组

这大概是大数组创建的最常见情况。当然,细节取决于磁盘上的数据格式,所以这一节只能给出如何处理各种格式的一般建议。

标准二进制格式

各个领域都有数组数据的标准格式。以下列出了用于读取和返回NumPy数组的已知Python库(也有其它的库可以读取数组并转换为NumPy数组,所以也请看一下最后一节)

HDF5: PyTables
FITS: PyFITS

一些格式不能直接读取,但是不难将其转换为类似PIL库(能够读写许多图像格式,例如jpg、png以及其它)所支持的格式。

普通的ASCII格式

逗号分隔值文件(CSV)被广泛使用(可以被类似Excel的一些程序导入导出)。有一些在python中读取这些文件的方法,例如Python和pylab(Matplotlib的一部分)中的函数。

更通用的ASCII文件可以使用SciPy的IO包来读取。

自定义二进制格式

有多种方法可以使用。如果文件有一个相对简单的格式,那么你可以写一个简单的I/O库并使用numpy fromfile()tofile()方法直接读写NumPy数组(注意字节顺序!)。如果有一个不错的C/C++库可以用于读取数据,则可以用各种技巧把它封装一下,虽然这可能要耗费一些工作量,也需要更多高级的知识来和C/C++交互。

特殊库的使用

有一些库可以用于生成特殊用途的数组,这样的库不可能全部列举出来。最常见的用法是使用许多数组生成函数来产生带有随机值的数组,以及使用一些生成特殊矩阵(如对角线)的功能函数。

文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。

转载请注明本文地址:https://www.ucloud.cn/yun/37842.html

相关文章

  • Numpy 中文用户指南 1. 安装

    摘要:包的核心是对象。但有个例外,包括对象数组的元素大小是不同的。序列大小和速度在科学计算中尤为重要。例如考虑两个长度相同的列表中每个元素相乘的情况。此外,编码所需的工作量随数据维数的增加而增加。这些信息主要用于高级用户。 译者:飞龙 1.1 NumPy 是什么? 原文:What is NumPy? NumPy是Python中用于科学计算的基础包。它是一个Python库,提供多维数组对象,各...

    mochixuan 评论0 收藏0
  • Python 数据科学常用包 (一) Numpy

    摘要:是什么今天开始会陆续为大家带来数据科学常用包的基础用法数据分析的工作涉及到大量的数值运算,一个高效方便的科学计算工具是必不可少的。 NumPy是什么? 今天开始会陆续为大家带来数据科学常用包的基础用法 数据分析的工作涉及到大量的数值运算,一个高效方便的科学计算工具是必不可少的。Python语言一开始并不是设计为科学计算使用的语言,随着越来越多的人发现Python的易用性,逐渐出现了关于...

    Dean 评论0 收藏0
  • Numpy 中文用户指南 3.1 数据类型

    摘要:其他数据类型在中没有对应。因此,使用数组标量确保了数组和标量之间具有相同的行为,无论值在不在数组中。不提供比的精度更高的特别是位四精度数据类型的是不能用的。 原文:Data types 译者:飞龙 ‍ 另见 数据类型对象 数组类型和类型之间的转换 NumPy支持的数值类型比Python更多。这一节会讲述所有可用的类型,以及如何改变数组的数据类型。 数据类型 描述 bo...

    褰辩话 评论0 收藏0
  • 一文带你斩杀Python之Numpy☀️Pandas全部操作【全网最详细】❗❗❗

    目录Numpy简介Numpy操作集合1、不同维度数据的表示1.1 一维数据的表示1.2 二维数据的表示1.3 三维数据的表示2、 为什么要使用Numpy2.1、Numpy的ndarray具有广播功能2.2 Numpy数组的性能比Python原生数据类型高3 ndarray的属性和基本操作3.1 ndarray的基本属性3.2 ndarray元素类型3.3 创建ndarray的方式3.4 ndarr...

    asoren 评论0 收藏0
  • Numpy 中文用户指南 2. 快速启动

    摘要:注意和标准库类并不相同,后者只处理一维数组和提供少量功能。然而,指定参数你可以吧运算应用到数组指定的轴上通用函数提供常见的数学函数如和。在中,这些叫作通用函数。函数,另一方面,将一维数组以行组合成二维数组。 原文:Quickstart tutorial 译者:Reverland 来源:试验性NumPy教程(译) 2.1 先决条件 在阅读这个教程之前,你多少需要知道点python。如...

    shiina 评论0 收藏0

发表评论

0条评论

最新活动
阅读需要支付1元查看
<