Numpy——numpy属性

文章目录1.列表转化为矩阵2.numpy 的几种属性3.创建数组4.指定数据 dtype5.创建特定数据 1.列表转化为矩阵 使用numpy首先要导入模块 import numpy as np #为了方便使用numpy 采用np简写 列表转化为矩阵： array = np.array([[1,2,3],[2,3,4]]) #列表转化为矩阵 array 2.numpy 的几种属性 print('number of dim:',array.ndim) # 维度 # number of dim: 2 print('shape :',array.shape) # 行数和列数 # sha 在Python的科学计算领域，Numpy是一个不可或缺的库，它提供了高效的多维数组对象和相关的工具。本篇文章将深入探讨Numpy的一些基本属性和操作，包括列表转化为矩阵、数组属性、创建不同类型的数组以及指定数据类型。 1. **列表转化为矩阵** 转化列表为矩阵是使用Numpy的第一步。通过`np.array()`函数，我们可以轻松地将常规的Python列表转换为Numpy数组。例如： ```python array = np.array([[1,2,3],[2,3,4]]) ``` 这个操作会生成一个2x3的矩阵。 2. **numpy 的几种属性** - `ndim`: 属性`ndim`返回数组的维度，例如对于上述的2x3矩阵，`array.ndim`将返回2。 - `shape`: 属性`shape`返回数组的形状，它是一个元组，表示每一维度的大小。对于上述矩阵，`array.shape`将返回`(2, 3)`，表示2行3列。 - `size`: 属性`size`返回数组元素的总数，对于2x3矩阵，`array.size`将返回6。 3. **创建数组** - `array`: 使用`np.array()`可以创建任意数据类型的数组，比如整数或浮点数。 - `zeros`: `np.zeros(shape)`用于创建指定形状且所有元素都为0的数组。 - `ones`: `np.ones(shape)`创建指定形状且所有元素都为1的数组。 - `empty`: `np.empty(shape)`创建指定形状的数组，其元素初始值是未定义的，通常接近于0。 - `arange`: `np.arange(start, stop, step)`创建一个等差数列，从`start`到`stop`（不包含），以`step`为步长。 - `linspace`: `np.linspace(start, stop, num)`创建一个等间距的数列，包含`num`个元素，从`start`到`stop`。 4. **指定数据类型** 在创建数组时，可以使用`dtype`参数指定数据类型。例如： - `np.array([11, 22, 33], dtype=np.int)`创建一个整数数组。 - `np.array([11, 22, 33], dtype=np.int32)`创建一个32位整数数组。 - `np.array([11, 22, 33], dtype=np.float)`创建一个浮点数数组。 - `np.array([11, 22, 33], dtype=np.float32)`创建一个32位浮点数数组。 5. **创建特定数据** - `np.zeros(shape, dtype)`可以创建指定形状和数据类型的全零数组。 - `np.ones(shape, dtype)`用于创建全一数组。 - `np.empty(shape, dtype)`创建全空数组。 - `np.arange(start, stop, step, dtype)`创建指定步长的连续数组，可指定数据类型。 - `np.linspace(start, stop, num, endpoint=True, retstep=False, dtype=None)`创建线性等分的数列，可以控制是否包含终点，返回步长，以及指定数据类型。 掌握这些基础知识后，你可以灵活地在Numpy中处理多维数组，进行高效的数值计算。Numpy的高效性能使得它成为数据分析、机器学习等领域的重要工具。了解并熟练运用这些属性和方法，将有助于你更好地在Python环境中进行数值计算和科学编程。