这篇文章主要讲解了“Numpy生成ndarray的方法是什么”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Numpy生成ndarray的方法是什么”吧！
Numpy是Python开源的科学计算工具包，是高级的数值编程工具
强大的N维数组对象:ndarray
可以对数组结构数据进行运算(不用遍历循环)
有随机数、线性代数、傅里叶变换等功能
推荐使用anaconda，里面集成了许多常用的库，并且在配置环境时更容易上手。
下载地址：https://www.anaconda.com/download/
方法一：安装anaconda后，numpy是可以直接使用的，无需二次安装。
方法二：没有安装anaconda可以使用pip install numpy安装。
方法一：安装anaconda后，jupyter notebooks是可以直接使用的，无需二次安装。
方法二：没有安装anaconda可以使用pip install jupyter安装。
推荐使用from numpy import np
不建议使用from numpy import *, 因为numpy中包含了大量与Python内建函数重名的函数。
可以使用array生成数组
举个栗子：
计算
安全
数据库
网络和加速
企业服务
import numpy as npar = np.array([[1,2,3,4],[1,2,3,4]])print(ar, type(ar))>>>[[1 2 3 4] [1 2 3 4]] <class 'numpy.ndarray'>除了np.array之外还有其他函数可以创建新数组，这里列出常用的几个：
arange # python range的数组版asarray # 将输入转换为ndarrayones # 根据给定的形状和类型生成全1的数组ones_like # 根据给定的数组生成形状一样的全1的数组zeros # 根据给定的形状和类型生成全0的数组zeros_like # 根据给定的数组生成形状一样的全1的数组eye # 生成一个N*N的特征矩阵(对角线为1，其余为0)linspance # 返回在间隔[开始，停止]上计算的num个均匀间隔的样本这里以zeros，zeros_like以及linspance分别举例：
arr = np.zeros((3,5))print(arr)>>>[[0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.]]s = np.array([list(range(10)),list(range(10,20))])print(s)print(np.zeros_like(s))>>>[[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]][[0 0 0 0 0 0 0 0 0 0] [0 0 0 0 0 0 0 0 0 0]]print(np.linspace(10,20,num = 21)) #在10，21之间生成print(np.linspace(10,20,num = 21, endpoint = False)) #endpoint默认为True，为False时不包含左边的值print(np.linspace(10,20,num = 21, retstep = True))# restep显示步长>>>[10. 10.5 11. 11.5 12. 12.5 13. 13.5 14. 14.5 15. 15.5 16. 16.5 17. 17.5 18. 18.5 19. 19.5 20. ][10. 10.47619048 10.95238095 11.42857143 11.9047619 12.38095238 12.85714286 13.33333333 13.80952381 14.28571429 14.76190476 15.23809524 15.71428571 16.19047619 16.66666667 17.14285714 17.61904762 18.0952381 18.57142857 19.04761905 19.52380952](array([10. , 10.5, 11. , 11.5, 12. , 12.5, 13. , 13.5, 14. , 14.5, 15. , 15.5, 16. , 16.5, 17. , 17.5, 18. , 18.5, 19. , 19.5, 20. ]), 0.5)这里除了常用的几个生成数组的函数外，列举一些常用的方法：
import numpy as npar = np.array([[1,2,3,4],[1,2,3,4]])print(ar, type(ar))print(ar.ndim)#返回数组的维度的个数print(ar.shape)#数组的维度，返回几行几列print(ar.size)#数组元素的个数print(ar.dtype)#元素的类型print(ar.itemsize)#数组中元素的大小>>>[[1 2 3 4] [1 2 3 4]] <class 'numpy.ndarray'>2(2, 4)8int648.T是转置函数,转置函数对一维数组无影响
# .Timport numpy as npar1 = np.arange(10)ar2 = np.zeros((2,5))print(ar1.T)print(ar2.T)#转置函数>>>[0 1 2 3 4 5 6 7 8 9][[0. 0.] [0. 0.] [0. 0.] [0. 0.] [0. 0.]].reshape(),直接更改数组的形状，但更改前后数组元素个数必须相同
ar1 = np.arange(10)print(ar1.reshape(2,5))print(np.reshape(np.arange(16),(2,8)))>>>[[0 1 2 3 4] [5 6 7 8 9]][[ 0 1 2 3 4 5 6 7] [ 8 9 10 11 12 13 14 15]].resize()
print(np.resize(np.arange(16),(3,5))) # resize当后面的数组元素个数小于前面生成的数量时，按照顺序迭代print(np.resize(np.arange(12),(3,5))) # resize当后面的数组元素个数大于前面的生成的数量，则随机填充>>>[[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]][[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 0 1 2]]和python中的深浅拷贝类似：Python | Python学习之深浅拷贝
.astype()可以将数组中元素的类型进行转化,在numpy中元素类型有以下几种(太多了就不都写了)：
int8, uint8 #有符号和无符号的8整位整数int16, uint16 #有符号和无符号的16整位整数int32, uint32 #有符号和无符号的32整位整数int64, uint64 #有符号和无符号的64整位整数float16 #半精度float32 #单精度float64 #双精度bool #布尔.....举个类型转换的栗子：
ar1 = np.arange(10,dtype=float)ar2 = ar1.astype(np.int64)print(ar1,ar2)>>>[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] [0 1 2 3 4 5 6 7 8 9]数组的堆叠有hstack(),vstack()以及stack(),下面分别举例：
a = np.arange(10)b = np.arange(10,20)print(ar1,ar2)# 横向链接print(np.hstack((a,b)))# 竖向链接a = np.array([[1],[2],[3]])b = np.array([['a'],['b'],['c']])print(np.vstack((a,b)))# 任意堆叠a = np.arange(10)b = np.arange(10,20)print(np.stack((a,b),axis=1)) # 竖向堆叠print(np.stack((a,b))) # 横向堆叠>>>>[0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19][ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19][['1'] ['2'] ['3'] ['a'] ['b'] ['c']][[ 0 10] [ 1 11] [ 2 12] [ 3 13] [ 4 14] [ 5 15] [ 6 16] [ 7 17] [ 8 18] [ 9 19]][[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]]数组拆分同样分为横向拆分和竖向拆分。
# 数组拆分ar = np.arange(16).reshape(4,4)print(ar)print(np.hsplit(ar,2)) #纵向拆分print(np.vsplit(ar,2)) #横向拆分>>>[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11] [12 13 14 15]][array([[ 0, 1], [ 4, 5], [ 8, 9], [12, 13]]), array([[ 2, 3], [ 6, 7], [10, 11], [14, 15]])][array([[0, 1, 2, 3], [4, 5, 6, 7]]), array([[ 8, 9, 10, 11], [12, 13, 14, 15]])]这里的计算函数与Python中的计算函数用法相同，这里不再过多论述。
#计算函数np.mean() #求平均值np.max() #最大值np.min() #最小值np.gtd() #标准差np.var() #方差np.sum() # 其中参数axis=0按列求和axis=1按行求和感谢各位的阅读，以上就是“Numpy生成ndarray的方法是什么”的内容了，经过本文的学习后，相信大家对Numpy生成ndarray的方法是什么这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是亿速云，小编将为大家推送更多相关知识点的文章，欢迎关注！
亿速云「云服务器」，即开即用、新一代英特尔至强铂金CPU、三副本存储NVMe SSD云盘，价格低至29元/月。点击查看>>
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
原文链接：http://blog.itpub.net/31556785/viewspace-2216600/
