关于numpy数组行专业和列专业和numpy数组和列表的区别的问题就给大家分享到这里，感谢你花时间阅读本站内容，更多关于numpy和list的区别；定义多维数组，取数组元素；numpy数值类型；数组切
关于numpy数组行专业和列专业和numpy数组和列表的区别的问题就给大家分享到这里，感谢你花时间阅读本站内容，更多关于numpy和list的区别；定义多维数组，取数组元素；numpy数值类型；数组切片；数组反转、numpy学习笔记 - numpy数组的常见用法、numpy数组行列拼接、NumPy：使用nditer迭代numpy数组的外部尺寸等相关知识的信息别忘了在本站进行查找喔。
本文目录一览：- numpy数组行专业和列专业（numpy数组和列表的区别）
- numpy和list的区别；定义多维数组，取数组元素；numpy数值类型；数组切片；数组反转
- numpy学习笔记 - numpy数组的常见用法
- numpy数组行列拼接
- NumPy：使用nditer迭代numpy数组的外部尺寸
numpy数组行专业和列专业（numpy数组和列表的区别）
我在了解如何numpy存储其数据时遇到了麻烦。考虑以下：
>>> import numpy as np
>>> a = np.ndarray(shape=(2,3),order='F')
>>> for i in xrange(6): a.itemset(i,i+1)
...
>>> a
array([[ 1.,2.,3.],[ 4.,5.,6.]])
>>> a.flags
C_CONTIGUOUS : False
F_CONTIGUOUS : True
OWNDATA : True
WRITEABLE : True
ALIGNED : True
UPDATEIFCOPY : False
这就是说a是列主（F_CONTIGUOUS），因此，在内部a应如下所示：
[1,4,2,5,3,6]
这就是本词汇表中所说的。令我困惑的是，如果我尝试以a线性方式访问的数据，则会得到：
>>> for i in xrange(6): print a.item(i)
...
1.0
2.0
3.0
4.0
5.0
6.0
在这一点上，我不确定该F_CONTIGUOUS标志告诉我们什么，因为它不遵守该顺序。显然，python中的所有内容都是行专业的，当我们想以线性方式进行迭代时，可以使用迭代器flat。
问题如下： 假设我们有一个数字列表，例如：1,6，我们如何以列主要顺序创建numpy形状数组(2,3)？那就是我如何得到一个看起来像这样的矩阵
array([[ 1.,3.,5.],[ 2.,4.,6.]])
我真的很希望能够在列表上进行线性迭代，然后将它们放入新创建的ndarray。这样做的原因是因为我将读取按列主要顺序设置的多维数组文件。
numpy和list的区别；定义多维数组，取数组元素；numpy数值类型；数组切片；数组反转
>>> import numpy as np
>>> a = list(range(10,15))
>>> a
[10, 11, 12, 13, 14]
>>> b = np.arange(5)
>>> b
array([0, 1, 2, 3, 4])
>>> b.shape
(5,)
>>> b.dtype
dtype(''int32'')
>>> #定义多维数组，取数组元素
>>> c = np.array([a,b])
>>> c
array([[10, 11, 12, 13, 14],
[ 0, 1, 2, 3, 4]])
>>> c.size
10
>>> e = np.array([c,c*2])
>>> e
array([[[10, 11, 12, 13, 14],
[ 0, 1, 2, 3, 4]],
[[20, 22, 24, 26, 28],
[ 0, 2, 4, 6, 8]]])
>>> d = [a,b]
>>> d
[[10, 11, 12, 13, 14], array([0, 1, 2, 3, 4])]
>>> #numpy数值类型
>>> type(d)
<class ''list''>
>>> type(d[1])
<class ''numpy.ndarray''>
>>> type(e)
<class ''numpy.ndarray''>
>>> e.dtype #查看e中的元素类型
dtype(''int32'')
>>> e[1].dtype
dtype(''int32'')
>>> e.shape
(2, 2, 5)
>>> e[1]
array([[20, 22, 24, 26, 28],
[ 0, 2, 4, 6, 8]])
>>> e[1,0]
array([20, 22, 24, 26, 28])
>>> e[1,0,3]
26
>>> b = np.arange(5,dtype=np.int64)
>>> b
array([0, 1, 2, 3, 4], dtype=int64)
>>> #数据类型对象
>>> e.dtype.type
<class ''numpy.int32''>
>>> #所占字节数
>>> e.dtype.itemsize
4
>>> #字符码
>>> e.dtype.char
''l''
>>> #数组切片
>>> b[2:5]
array([2, 3, 4], dtype=int64)
>>> e[0,0,2:5]
array([12, 13, 14])
>>> e[0,0,0:5:2]
array([10, 12, 14])
>>> #数组反转
>>> e[::-1]
array([[[20, 22, 24, 26, 28],
[ 0, 2, 4, 6, 8]],
[[10, 11, 12, 13, 14],
[ 0, 1, 2, 3, 4]]])
numpy学习笔记 - numpy数组的常见用法
# -*- coding: utf-8 -*-
"""
主要记录代码，相关说明采用注释形势，供日常总结、查阅使用，不定时更新。
Created on Mon Aug 20 23:37:26 2018
@author: Dev
"""
import numpy as np
from datetime import datetime
import random
对a,b两个列表的相同位的元素进行运算求和：
# 纯Python
def pythonSum(n):
# 对列表循环计算
a = [x for x in range(n)]
b = [x for x in range(n)]
c = []
for i in range(len(a)):
a[i] = i ** 2
b[i] = i ** 3
c.append(a[i] +b[i])
return c
# numpy
def numpySum(n):
# 直接对数组操作
a = np.arange(n) ** 2
b = np.arange(n) ** 3
c = a + b
return c
# 效率比较
size = 1000
# pythonSum()
start = datetime.now() # 起始时间
c = pythonSum(size)
delta = datetime.now() - start # pythonSum()的运行时间
print("The last two elements: ", c[-2:]) # 打印最后两个元素，确认准确性
print("PythonSum elapsed time in microseconds: ", delta.microseconds) # 以微秒为单位显示运行时间# pythonSum结果
The last two elements: [995007996, 998001000]
PythonSum elapsed time in microseconds: 999
# numpySum()
start = datetime.now()
c = numpySum(size)
delta = datetime.now() - start
print("The last two elements: ", c[-2:])
print("NumpySum elapsed time in microseconds: ", delta.microseconds)# numpySum结果
The last two elements: [995007996 998001000]
NumpySum elapsed time in microseconds: 0可以看出使用numpy数组的速度超快~
numpy数组
a = np.arange(5)
print(a.dtype)
多维数组
m = np.array([np.arange(2), np.arange(2)]) # 创建一个二维数组
print(m)
# 创建元素为0的数组
zeros = np.zeros(10)
zeros_2 = np.zeros((3, 6)) # 元素为0的3*6数组
# 创建元素随机(empty)的数组
empty = np.empty((2, 3, 2))
# 访问数组元素
a = np.array(([1, 2], [3, 4]))
print(a[0, 0])
print(a[0, 1])
print(a[1, 0])
print(a[1, 1])
数组元素的数据类型
print(np.float64(42)) # float浮点型
print(np.float(True))
print(np.float(False))
print(np.int8(42.0)) # int整型
print(np.bool(42)) # Boolean布尔型
print(np.bool(0))
print(np.bool(42.0))
# 创建数组时定义元素的数据类型
print(np.arange(7, dtype=np.uint16))
print(np.arange(9, dtype=np.float64))
数据类型转换
# 类型转换时出现的TypeError异常
try:
print(np.int(42.0 + 1.j))
except TypeError:
print("TypeError: can''t convert complex to int!")
arr = np.array([1, 2, 3, 4, 5])
print(arr.dtype) # 元素类型
float_arr = arr.astype(np.float64)
print(float_arr.dtype)
arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])
print(arr.dtype)
int_arr = arr.astype(np.int32) # 将float64类型转换为int32类型
# 将字符串数组转换为字符型
numeric_string = np.array([''1.25'', ''-9.6'', ''42''], dtype=np.string_)
print(numeric_string.astype(float)) # 再转换为float类型
字符编码
print(np.arange(7, dtype=''f'')) # float32
print(np.arange(7, dtype=''d'')) # float64
print(np.arange(7, dtype=''D'')) # complex128
print(np.dtype(float))
print(np.dtype(''f''))
print(np.dtype(''d''))
print(np.dtype(''F''))
print(np.dtype(''D''))
print(np.dtype(''f8''))
print(np.dtype(''float64''))
# dtype类的属性
t = np.dtype(''float64'')
print(t.char) # 字符编码
print(t.type) # t的类型
print(t.str)
自定义数据类型
# [(字段1, 类型, 长度), (字段2, 类型, 长度), ...]
t = np.dtype([(''name'', np.str_, 40), (''numitems'', np.int32), (''price'', np.float32)])
print(t)
print(t.name)
itemz = np.array([(''Meaning of life DVD'', 42, 100), (''Butter'', 13, 2.72)]) # 按照格式生成数组
数组与标量的计算
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr * arr) # 对应位的元素相乘
print(arr - arr) # 对应位的元素相减
print(1 / arr) # 取倒数
print((arr ** 2) ** 0.5) # 平方后开根号
一维数组的索引与切片(与列表切片用法相似)
a = np.arange(9)
print(a[3: 7])
print(a[:7:2]) # 从0到6，步长为2
s = slice(3, 7, 2) # 先设定切片位置及步长，再调用
print(a[s])
print(a[::-1]) # 倒序排列1
s = slice(None, None, -1) # 倒序排列2
print(a[s])
多维数组的切片与索引
b = np.arange(24).reshape(2, 3, 4)
print(b.shape) # 数组b的维数
# 使用索引与切片选取指定元素
print(b[0,0,0])
print(b[:,0,0])
print(b[0]) # 第一维的所有元素
print(b[0, :, :]) # 第一维的所有元素
print(b[0, ...]) # 第一维的所有元素
print(b[0,1]) # 第一维第二行
print(b[0,1,::2]) # 以2为步长
print(b[...,1]) # 两个维的第一列
print(b[:,1]) # 两个维的第一行
print(b[0,:,1]) # 第一维第一列
print(b[0,:,-1]) # 第一维最后一列
print(b[0,::-1, -1]) # 第一维最后一列的倒序排列
print(b[0,::2,-1]) # 第一维的第0行和第2行的最后一个元素
print(b[::-1]) # 两个维倒序
s = slice(None, None, -1) # 所有元素倒序排列
print(b[(s, s, s)])
布尔型索引（mask）
names = np.array([''Bob'', ''Joe'', ''Will'', ''Bob'', ''Will'', ''Joe'', ''Joe''])
random.seed(200) # 设置随机种子
data = np.random.random((7, 4))
print(names == ''Bob'') # 生成布尔型mask
print(data[names == ''Bob'']) # 根据mask的值匹配data数组中的元素
print(data[names == ''Bob'', 2:]) # 匹配值从第三列到最后一列的元素
print(data[names == ''Bob'', 3]) # 匹配值第四列的元素
names != ''Bob''
data[~(names == ''Bob'')]
mask = (names == ''Bob'') | (names == ''will'') # 或运算符
data[mask]
data[data < 0] = 0
data[names != ''Joe''] = 7
花式索引（索引乱序）
arr = np.empty((8, 4))
for i in range(8):
arr[i] = i
arr[[4, 3, 0, 6]] # 根据索引的顺序取值
arr[[-3, -5, -7]]
arr = np.arange(32).reshape((8, 4))
arr[[1, 5, 7, 2], [0, 3, 1, 2]]
arr[[1, 5, 7, 2]][:, [0, 3, 1, 2]]
arr[np.ix_([1, 5, 7, 2], [0, 3, 1, 2])]
数组转置
arr = np.arange(15).reshape((3, 5))
arr.reshape((5,3))
print(arr.T)
改变数据维度
b = np.arange(24).reshape((2, 3, 4))
print(b)
print(b.ravel()) # 将多维数组将为一维
print(b.flatten())
b.shape = (6, 4)
print(b)
print(b.transpose())
b.resize((2, 12))
print(b)
注： flatten()与ravel()的区别
# 当修改ravel()返回的值时，会影响原数组；而flatten则不会
arr_a = np.arange(4).reshape(2, 2)
arr_a.ravel()[-1] = 5
print(arr_a) # arr_a的最后一个元素已被修改
arr_a.flatten()[0] = 10
print(arr_a) # 不会影响原数组的第一个元素
组合数组
a = np.arange(9).reshape(3, 3)
print(a)
b = 2 * a
print(b)
# 水平组合
print(np.hstack((a, b)))
print(np.concatenate((a, b), axis=1))
# 竖直组合
print(np.vstack((a, b)))
print(np.concatenate((a, b), axis=0))
# 深度组合deep
print(np.dstack((a, b)))
# column_stack & row_stack(与hstack & vstack效果类似)
oned = np.arange(2)
print(oned)
twice_oned = 2 * oned
print(twice_oned)
print(np.column_stack((oned, twice_oned)))
print(np.column_stack((a, b)) == np.hstack((a, b)))
print(np.row_stack((oned, twice_oned)))
print(np.row_stack((a, b)))
print(np.row_stack((a, b)) == np.vstack((a, b)))
数组的分割
a = np.arange(9).reshape(3, 3)
print(a)
# 从水平方向分成三列（跨列）
print(np.hsplit(a, 3))
print(np.split(a, 3, axis=1))
# 从竖直方向分成三行（跨行）
print(np.vsplit(a, 3))
print(np.split(a, 3, axis=0))
# 深度分割
c = np.arange(27).reshape(3, 3, 3)
print(c)
print(np.dsplit(c, 3))
数组的属性
b = np.arange(24).reshape(2, 12)
b.ndim # 维度
b.size # 元素个数
b.itemsize # 单个元素的大小
b.nbytes # 整个数组的大小（itemsize * size）
# 复数
b = np.array([1.+1.j, 3.+2.j])
b.real # 实部
b.imag # 虚部
数组的转换
b = np.arange(4).reshape(2, 2)
b.flat # 将数组转换为一维数组
for i in range(len(b.flat)): # 循环访问数组元素
print(b.flat[i])
b = np.array([1.+1.j, 3.+2.j])
print(b)
print(b.tolist()) # 转换为list
print(b.tostring()) # 转换为字符
# 使用np.fromstring将字符串转换为指定格式
print(np.fromstring(b''\x00\x00\x00\x00\x00\x00\xf0?\x00\x00\x00\x00\x00\x00\xf0?\x00\x00\x00\x00\x00\x00\x08@\x00\x00\x00\x00\x00\x00\x00@'', dtype=complex))
a_t = np.fromstring(''20:42:53'', sep='':'', dtype=int)
print(a_t)
print(a_t.dtype)
# 复数转换为整型时会舍弃虚部
print(b.astype(int))
print(b.astype(''complex''))
numpy数组行列拼接
方法一
使用 np.c_[] 和 np.r_[] 分别添加行和列
方法二
np.concatenate((a1, a2, …), axis=0)
方法三
使用 np.insert(a, 0, values=b, axis=1)
ps：只能插入行向量？
方法四
使用np.column_stack((a,b))
import numpy as np
a = np.arange(9).reshape(3, 3)
b = np.zeros((1, 3))
c = np.ones((3, 1))
np.r_[a, b]
np.c_[a, c]
np.concatenate((a, b), axis=0)
np.concatenate((a, c), axis=1)
np.insert(a, 0, values=b, axis=0)
np.insert(a, 0, values=b, axis=1) # 这里也是插入b(行向量)
np.column_stack((a, c))
NumPy：使用nditer迭代numpy数组的外部尺寸
我无法遍历numpy数组的外轴。
import numpy as npa = np.arange(2*3).reshape(2,3)it = np.nditer(a)for i in it: print i正如人们所期望的那样：
012345但是，我希望输出为三分之二，这样我就遍历了外轴：
(0, 1, 2)(3, 4, 5)我知道可以通过多种方式实现此目标，但是在仔细阅读nditer文档之后，我似乎找不到使用nditer的解决方案。我以此为契机学习nditer。因此，我宁愿不使用其他解决方案，除非它确实更有效或更有效。
答案1
小编典典用简单的方式控制迭代比较容易for：
In [17]: aOut[17]: array([[0, 1, 2], [3, 4, 5]])In [18]: for row in a: ...: print(row) ...: [0 1 2][3 4 5]这样做nditer很尴尬。除非您需要cython如页面结尾所述使用广播，否则nditer不会提供任何速度优势。即使有了cython，我的速度也memoryviews超过了nditer。
看看np.ndindex。它创建一个尺寸减小的虚拟数组，并对此进行nditer：
In [20]: for i in np.ndindex(a.shape[0]): ...: print(a[i,:]) ...: [[0 1 2]][[3 4 5]]得到它了：
In [31]: for x in np.nditer(a.T.copy(), flags=[''external_loop''], order=''F''): ...: print(x)[0 1 2][3 4 5]就像我说的-尴尬
我们今天的关于numpy数组行专业和列专业和numpy数组和列表的区别的分享已经告一段落，感谢您的关注，如果您想了解更多关于numpy和list的区别；定义多维数组，取数组元素；numpy数值类型；数组切片；数组反转、numpy学习笔记 - numpy数组的常见用法、numpy数组行列拼接、NumPy：使用nditer迭代numpy数组的外部尺寸的相关信息，请在本站查询。
本文标签：
![[转帖]Ubuntu 安装 Wine方法（ubuntu如何安装wine）](https://www.gvkun.com/zb_users/cache/thumbs/4c83df0e2303284d68480d1b1378581d-180-120-1.jpg)
