如何通过示例代码深入理解Numpy的ndarray对象？
- 内容介绍
- 文章标签
- 相关推荐
本文共计815个文字，预计阅读时间需要4分钟。
numpy是Python科学计算的基石模块，支持pandas、matplotlib等工具的使用。其中，ndarray作为numpy的核心使用对象，是存储单一数据类型的多维数组结构，在内存中连续存储。
numpy作为python科学计算的基础模块，支撑起了pandas、matplotlib等使用。其中，ndarray作为numpy的重要使用对象不得不研究理解一下。
ndarray，存储单一数据类型的多维数组结构，在内存中连续存在，以行索引和列索引的方式标记数组中的每一个元素。采用预编译好的C语言代码，性能上的表现十分不错。
1、ndarray的数据结构
2、ndarray的创建
numpy主要有以下几种方式创建数组。除此之外，其他过程也可能产生数组，比如：cv2.imread读取图片，返回数组。
np.array() # 传入类数组数据结构，list，tuple等，或者其他嵌套序列。返回的维度依据传入的数据而定 np.linspace() # 根据给定的间距生成等差序列，指定元素数量，返回一维数组 np.arange()# 根据给定的间距生成等差序列，指定步长。返回一维数组 np.ones() # 根据传入的shape，返回一个元素全是1的数组 np.zeros() # 根据传入的shape，返回一个元素全是0的数组 np.full() # 根据传入的shape和value，返回一个元素全是value的数组，比前面两个灵活 np.empty() # 根据传入的shape,返回一个元素全是随机化而不是空值的数组 np.genfromtxt() # 从文本文件读取生成一个数组
3、ndarray的抽象理解
先创建一个三个数组，一维、二维、三维。
arr1 = np.arange(3) arr1 array([0, 1, 2]) --------------------------------------------------------- arr2 = np.arange(9).reshape(3,3) arr2 array([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) ---------------------------------------------------------- arr3 = np.arange(27).reshape(3,3,3) arr3 array([[[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8]], [[ 9, 10, 11], [12, 13, 14], [15, 16, 17]], [[18, 19, 20], [21, 22, 23], [24, 25, 26]]])
在python中的arr结构如上所示。我们将其形象化表示出来，如下图。
一维数组只有一个维度，也叫rank，只有一个axis轴，axis=0。
二维数组有两个维度，有两个axis轴，axis=0和1。
三维数组有三个维度，有三个axis轴，axis=0、1、2。
我们直接在三维上执行索引操作，来理解ndarray的排布。
arr3[1,2,1] 输出16
索引[1,2,1]依次从高维到低维，从axis轴2到1到0，1指三维上的第2个元素，即上图中间的数组，是一个二维数组。2指二维上的第3个元素，是一个一维数组。1值一维上的第2个元素。也可以试着从轴方向去理解索引的原理。
可以自己操作一下下面索引代码，看看出结果。
arr3[3,3,2]
不同维度的ndarray shape理解如下。可以通俗的认为是从点带面，再到块。
4、ndarray的操作
主要有索引、切片、过滤等，后续细谈。只要理解了ndarray，操作其实很简单。
Refer：
[1] danzhuibing.github.io/py_numpy_ndarray.html
[2] www.geeksforgeeks.org/numpy-ndarray/
到此这篇关于Numpy 理解ndarray对象的示例代码的文章就介绍到这了,更多相关Numpy ndarray对象内容请搜索易盾网络以前的文章或继续浏览下面的相关文章希望大家以后多多支持易盾网络！
本文共计815个文字，预计阅读时间需要4分钟。
numpy是Python科学计算的基石模块，支持pandas、matplotlib等工具的使用。其中，ndarray作为numpy的核心使用对象，是存储单一数据类型的多维数组结构，在内存中连续存储。
numpy作为python科学计算的基础模块，支撑起了pandas、matplotlib等使用。其中，ndarray作为numpy的重要使用对象不得不研究理解一下。
ndarray，存储单一数据类型的多维数组结构，在内存中连续存在，以行索引和列索引的方式标记数组中的每一个元素。采用预编译好的C语言代码，性能上的表现十分不错。
1、ndarray的数据结构
2、ndarray的创建
numpy主要有以下几种方式创建数组。除此之外，其他过程也可能产生数组，比如：cv2.imread读取图片，返回数组。
np.array() # 传入类数组数据结构，list，tuple等，或者其他嵌套序列。返回的维度依据传入的数据而定 np.linspace() # 根据给定的间距生成等差序列，指定元素数量，返回一维数组 np.arange()# 根据给定的间距生成等差序列，指定步长。返回一维数组 np.ones() # 根据传入的shape，返回一个元素全是1的数组 np.zeros() # 根据传入的shape，返回一个元素全是0的数组 np.full() # 根据传入的shape和value，返回一个元素全是value的数组，比前面两个灵活 np.empty() # 根据传入的shape,返回一个元素全是随机化而不是空值的数组 np.genfromtxt() # 从文本文件读取生成一个数组
3、ndarray的抽象理解
先创建一个三个数组，一维、二维、三维。
arr1 = np.arange(3) arr1 array([0, 1, 2]) --------------------------------------------------------- arr2 = np.arange(9).reshape(3,3) arr2 array([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) ---------------------------------------------------------- arr3 = np.arange(27).reshape(3,3,3) arr3 array([[[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8]], [[ 9, 10, 11], [12, 13, 14], [15, 16, 17]], [[18, 19, 20], [21, 22, 23], [24, 25, 26]]])
在python中的arr结构如上所示。我们将其形象化表示出来，如下图。
一维数组只有一个维度，也叫rank，只有一个axis轴，axis=0。
二维数组有两个维度，有两个axis轴，axis=0和1。
三维数组有三个维度，有三个axis轴，axis=0、1、2。
我们直接在三维上执行索引操作，来理解ndarray的排布。
arr3[1,2,1] 输出16
索引[1,2,1]依次从高维到低维，从axis轴2到1到0，1指三维上的第2个元素，即上图中间的数组，是一个二维数组。2指二维上的第3个元素，是一个一维数组。1值一维上的第2个元素。也可以试着从轴方向去理解索引的原理。
可以自己操作一下下面索引代码，看看出结果。
arr3[3,3,2]
不同维度的ndarray shape理解如下。可以通俗的认为是从点带面，再到块。
4、ndarray的操作
主要有索引、切片、过滤等，后续细谈。只要理解了ndarray，操作其实很简单。
Refer：
[1] danzhuibing.github.io/py_numpy_ndarray.html
[2] www.geeksforgeeks.org/numpy-ndarray/
到此这篇关于Numpy 理解ndarray对象的示例代码的文章就介绍到这了,更多相关Numpy ndarray对象内容请搜索易盾网络以前的文章或继续浏览下面的相关文章希望大家以后多多支持易盾网络！