1
import numpy as np
2

3
if __name__ == '__main__':
4
    # 将列表转换为numpy数组,np可自动推断数据类型
5
    # array(<列表>[,dtype=<类型>])
6
    # 该方法将原列表复制一份存放在np特有的格式中.
7
    # 若要创建视图(非复制),需要使用asarray方法.使用方法同该方法.
8
    # 注意:
9
    #   不建议使用混合类型的列表去创建numpy数组,会降低性能.
10
    #   array方法默认为复制原列表,asarray方法默认为创建视图(引用原列表).
11

12
    # 创建ndarray的方式有很多种
13
    # 方式一: 将列表转换为ndarray.
14
    a1 = np.array([1, 2, 3, 4, 5])  # 一维列表
15
    a2 = np.array([[1, 2, 3], [1, 2, 3], [1, 2, 3]])  # 二维列表
16

17
    # 方式二: 创建全0的ndarray,默认类型为浮点数.
18
    # zeros((<形状描述元组>)[,dtype=<类型>])
19
    z1 = np.zeros(2, dtype=np.int8)
20
    z2 = np.zeros((2, 3), dtype=np.int8)
21

22
    # 方式三: 创建全1数组,默认类型为浮点数.
23
    o1 = np.ones(2, dtype=np.int8)
24
    o2 = np.ones((3, 4), dtype=np.int8)
25

26
    # 方式四: 创建空数组,这里面的值是垃圾值.
27
    # 值没有意义,只当确定会对数组内的内容进行全部覆盖时才会用.
28
    # 性能比zeros和ones高一些.
29
    ep1 = np.empty(2, dtype=np.int8)
30

31
    # 方式五: 创建序列数组.
32
    # arange(<起始值>,<终止值>,<步长>),左闭右开
33
    ar1 = np.arange(1, 10, 2)
34

35
    # 方式六: 创建等差序列数组.
36
    # linspace(<起始值>,<终止值>,<元素数量>,endpoint=<是否包含终止值>),默认左闭右闭,创建一个等差数列.
37
    # endpoint=True: 不包含终止值,即将终止值也计算为一个元素,但不会返回.
38
    #   如 1,10,4,endpoint=True与1,10,5,endpoint=False的区别只差在有没有最后一个元素.
39
    ls1 = np.linspace(1, 10, 5, endpoint=True)
40

41

42
    # 方式七: 创建随机数组
43
    # 随机数组有三种,均匀数组,标准正态分布数组,指定范围的随机数组.
44
    # 均匀数组
45
    ra1 = np.random.rand(2, 3)
46

47
    # 标准正态分布数组
48
    ra2 = np.random.randn(2, 3)
49

50
    # 指定范围的随机数组,默认左闭右开
51
    # randint(<最小值>,<最大值>,<元素数量>)
52
    ra3 = np.random.randint(1, 10, (3, 4))

1
import numpy as np
2

3
if __name__ == '__main__':
4
    ar1 = np.arange(1, 65, 1)
5

6
    # 使用reshape方法修改数组的形状
7
    # 注意: 元素数量不变,reshape方法返回的是一个视图,修改原数组的值也会影响到新数组.
8
    # 如果能确定行或列的个数,另外一个参数可以动态计算,使用-1动态计算.只能出现1个.
9
    ar2 = ar1.reshape(2, 4, 8)
10

11
    # 转置,转置时,使用的是引用,修改转置数组会影响原数组.
12
    # 二维时,(行,列) -> (列,行)
13
    # 三维时,(层,行,列) -> (列,行,层)
14
    # 更高维时,也是将维度顺序反转.
15
    ar3 = ar2.T

1
import numpy as np
2

3
if __name__ == '__main__':
4
    a1 = np.array([4, 2, 4])
5
    a2 = np.array([2, 1, 2])
6
    try:
7
        # 使用方法与使用运算符的行为一致
8
        # 数学运算
9
        print(f"{a1} + \n{a2} = \n{a1 + a2}\n")
10
        print(f"{a1} - \n{a2} = \n{a1 - a2}\n")
11
        print(f"{a1} * \n{a2} = \n{a1 * a2}\n")
12
        print(f"{a1} / \n{a2} = \n{a1 / a2}\n")
13
        print(f"{a1} ** \n{a2} = \n{a1 ** a2}\n")
14

15
        print(f"{a1} + \n{a2} = \n{np.add(a1, a2)}\n")
16
        print(f"{a1} - \n{a2} = \n{np.subtract(a1, a2)}\n")
17
        print(f"{a1} * \n{a2} = \n{np.multiply(a1, a2)}\n")
18
        print(f"{a1} / \n{a2} = \n{np.divide(a1, a2)}\n")
19
        print(f"{a1} ** \n{a2} = \n{np.power(a1, a2)}\n")
20
    # 逻辑运算
21
        print(f"{a1} == \n{a2} = \n{a1 == a2}\n")
22
        print(f"{a1} != \n{a2} = \n{a1 != a2}\n")
23
        print(f"{a1} > \n{a2} = \n{a1 > a2}\n")
24
        print(f"{a1} < \n{a2} = \n{a1 < a2}\n")
25
        print(f"{a1} >= \n{a2} = \n{a1 >= a2}\n")
26
        print(f"{a1} <= \n{a2} = \n{a1 <= a2}\n")
27
    except Exception as e:
28
        print(e)
29
  # (2,4)形状的数组
30
    a3 = np.array([
31
        [1, 2, 3, 4],
32
        [5, 6, 7, 8]
33
    ])
34
    # (4,3)形状的数组
35
    a4 = np.array([
36
        [1, 2, 5],
37
        [3, 4, 5],
38
        [5, 6, 5],
39
        [7, 8, 5]
40
    ])
41
    # matmul(<数组1>,<数组2>): 用于计算两个数组的矩阵乘法
42
    # 注意: 数组1的列数必须与数组2的行数相等.
43
    # 在本例中,数组1的列为4列,数组2的行为4行,相等,可以执行计算.
44
    # 结果集大小: (数组1的行数,数组2的列数)
45
    print(f"{a3} * \n{a4} = \n{np.matmul(a3, a4)}\n")