深入解析NumPy的核心函数np.array()

NumPy为Python提供了高效的多维数组对象以及一系列用于处理这些数组的工具，极大地简化了数值计算的过程。而np.array()作为NumPy库的核心函数之一，是创建和操作数组的基础。

NumPy与np.array()简介

NumPy（Numerical Python的简称）是Python中用于处理数组运算的扩展库，它提供了大量的数学函数来操作数组，使得数组的处理变得高效且简洁。np.array()则是NumPy库中的一个基础函数，用于创建数组。

NumPy的重要性

NumPy在科学计算、数据分析、机器学习等众多领域都有着广泛的应用。它的高效性源于其底层使用C语言实现，能够充分利用计算机的硬件资源，对数组进行快速的运算。与Python原生的列表相比，NumPy数组在内存中是连续存储的，这使得数组元素之间的访问和计算更为高效。例如，在进行大规模的数据处理时，使用NumPy数组可以显著提高程序的运行速度。

np.array()的作用

np.array()函数的主要作用是将Python中的各种数据结构（如列表、元组等）转换为NumPy数组，或者根据指定的参数创建一个新的数组。通过np.array()创建的数组可以方便地进行各种数学运算、索引和切片操作，为后续的数据处理和分析提供了基础。

np.array()函数的详细参数

np.array()函数的完整语法为：numpy.array(object, dtype = None, *, copy = True, order = 'K', subok = False, ndmin = 0, like = None)。下面我们来详细介绍每个参数的含义和用法。

object参数

object参数是必填项，它表示要转换为数组的对象，可以是一个数组、任何暴露数组接口的对象、其__array__方法返回数组的对象，或者任何（嵌套的）序列。如果object是一个标量，则返回一个包含该标量的0维数组。

例如，我们可以使用列表来创建一个一维数组：

import numpy as np
arr_1d = np.array([1, 2, 3, 4, 5])
print(arr_1d)

输出结果为：[1 2 3 4 5]

也可以使用嵌套列表来创建一个二维数组：

arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr_2d)

输出结果为：

[[1 2 3]
 [4 5 6]
 [7 8 9]]

dtype参数

dtype参数用于指定数组的数据类型，它是可选的。如果不指定dtype，NumPy会根据传入的数据自动推断出合适的数据类型。例如：

arr = np.array([1, 2, 3])
print(arr.dtype)

输出结果为：int64

在这个例子中，由于传入的数据都是整数，NumPy自动推断出数组的数据类型为int64。

然而，在某些情况下，我们可能需要显式地指定数据类型，以满足特定的需求。比如，当我们需要创建一个包含浮点数的数组时，可以这样做：

arr_float = np.array([1, 2, 3], dtype = np.float32)
print(arr_float.dtype)

输出结果为：float32

通过指定dtype = np.float32，我们创建了一个数据类型为32位浮点数的数组。

指定数据类型的好处之一是可以优化内存使用。例如，如果我们知道数组中的数据范围较小，并且不需要高精度的计算，可以使用较小的数据类型，如int8或float16，这样可以减少内存的占用。

copy参数

copy参数用于控制是否复制数据，它是一个布尔值，默认为True。当copy = True时，无论输入数据的来源如何，都会创建一个数据的副本；当copy = False时，如果输入数据本身就是一个NumPy数组，并且不需要进行任何数据类型转换或其他修改，那么将不会复制数据，而是直接使用原数组的引用。

需要注意的是，当copy = None时，只有在__array__返回副本、obj是嵌套序列或需要满足其他要求（如dtype、order等）时才会进行复制。

例如，下面的代码中，由于输入数据是一个列表，所以无论copy参数的值如何，都会创建一个新的数组副本：

list_data = [1, 2, 3]
arr1 = np.array(list_data, copy = True)
arr2 = np.array(list_data, copy = False)
arr3 = np.array(list_data, copy = None)
print(arr1 is arr2)  # False
print(arr1 is arr3)  # False

输出结果均为False，说明arr1、arr2和arr3都是不同的数组对象。

而当输入数据是一个NumPy数组时，如果copy = False且不需要进行其他修改，那么将不会复制数据：

arr4 = np.array([1, 2, 3])
arr5 = np.array(arr4, copy = False)
print(arr4 is arr5)  # True

输出结果为True，说明arr4和arr5指向同一个数组对象。

order参数

order参数用于指定数组在内存中的存储顺序，它有四个可选值：'K'、'A'、'C'、'F'。

• 'C'表示按C语言的行优先顺序存储，即先存储第一行，再存储第二行，以此类推。
• 'F'表示按Fortran语言的列优先顺序存储，即先存储第一列，再存储第二列，以此类推。
• 'A'表示如果输入数据是Fortran连续的，则按'F'顺序存储，否则按'C'顺序存储。
• 'K'表示尽可能保持输入数据的原始顺序。

默认情况下，order = 'K'。

例如，我们可以通过order参数来控制二维数组的存储顺序：

arr_2d_c = np.array([[1, 2, 3], [4, 5, 6]], order = 'C')
arr_2d_f = np.array([[1, 2, 3], [4, 5, 6]], order = 'F')
print(arr_2d_c.flags)
print(arr_2d_f.flags)

输出结果分别为：

C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False

C_CONTIGUOUS : False
F_CONTIGUOUS : True
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False

从输出结果可以看出，arr_2d_c是按行优先顺序存储的（C_CONTIGUOUS : True），而arr_2d_f是按列优先顺序存储的（F_CONTIGUOUS : True）。

subok参数

subok参数是一个布尔值，默认为False。当subok = True时，返回的数组将保留输入数据的子类类型；当subok = False时，无论输入数据的类型如何，返回的数组都将被强制转换为基类ndarray类型。

例如，假设我们有一个自定义的数组子类MyArray，它继承自np.ndarray：

class MyArray(np.ndarray):
    pass
data = MyArray([1, 2, 3])
arr1 = np.array(data, subok = True)
arr2 = np.array(data, subok = False)
print(type(arr1))  # <class '__main__.MyArray'>
print(type(arr2))  # <class 'numpy.ndarray'>

输出结果表明，当subok = True时，arr1仍然是MyArray类型；而当subok = False时，arr2被转换为了np.ndarray类型。

ndmin参数

ndmin参数用于指定返回数组的最小维度，它是一个整数，默认为0。如果输入数据的维度小于ndmin，则会在数组的形状前面添加一维，直到满足最小维度的要求。

例如：

arr1 = np.array([1, 2, 3], ndmin = 1)
arr2 = np.array([1, 2, 3], ndmin = 2)
arr3 = np.array([1, 2, 3], ndmin = 3)
print(arr1.shape)  # (3,)
print(arr2.shape)  # (1, 3)
print(arr3.shape)  # (1, 1, 3)

在这个例子中，输入数据[1, 2, 3]是一个一维数组。当ndmin = 1时，数组形状不变；当ndmin = 2时，在前面添加了一维，变成了二维数组(1, 3)；当ndmin = 3时，在前面添加了两维，变成了三维数组(1, 1, 3)。

like参数

like参数是在NumPy 1.20.0版本中新增的，它用于指定一个参考对象，以便创建与该对象兼容的数组。如果传入的like参数支持__array_function__协议，那么结果将由该协议定义。

例如：

arr = np.array([1, 2, 3])
new_arr = np.array([4, 5, 6], like = arr)
print(type(new_arr))  # <class 'numpy.ndarray'>

在这个例子中，我们以arr为参考对象，创建了一个新的数组new_arr，new_arr的类型与arr相同，都是np.ndarray。

np.array()函数的使用示例

创建基本的一维和二维数组

如前文所述，使用np.array()函数可以很方便地创建一维和二维数组。
创建一维数组：

arr_1d = np.array([1, 2, 3, 4, 5])
print(arr_1d)

创建二维数组：

arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr_2d)

创建具有特定数据类型的数组

通过dtype参数，我们可以创建具有特定数据类型的数组。
创建整数类型的数组：

arr_int = np.array([1, 2, 3], dtype = np.int16)
print(arr_int.dtype)

创建浮点数类型的数组：

arr_float = np.array([1.0, 2.0, 3.0], dtype = np.float64)
print(arr_float.dtype)

创建复数类型的数组：

arr_complex = np.array([1 + 1j, 2 + 2j, 3 + 3j], dtype = np.complex128)
print(arr_complex.dtype)

创建多维数组

np.array()函数不仅可以创建一维和二维数组，还可以创建更高维度的数组。只需在传入的序列中嵌套更多的层级即可。
创建三维数组：

arr_3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(arr_3d)

输出结果为：

[[[1 2]
  [3 4]]
 [[5 6]
  [7 8]]]

从其他数据结构转换为数组

除了使用列表和元组来创建数组外，np.array()函数还可以将其他数据结构转换为数组。
将集合转换为数组：

set_data = {1, 2, 3, 3}  # 集合会自动去重
arr_set = np.array(set_data)
print(arr_set)

输出结果为：[1 2 3]

将字符串转换为数组：

str_data = "hello"
arr_str = np.array(list(str_data))
print(arr_str)

输出结果为：['h' 'e' 'l' 'l' 'o']

使用ndmin参数创建具有最小维度的数组

通过ndmin参数，我们可以确保创建的数组具有指定的最小维度。

arr1 = np.array([1, 2, 3], ndmin = 2)
print(arr1.shape)  # (1, 3)
arr2 = np.array([1, 2, 3], ndmin = 3)
print(arr2.shape)  # (1, 1, 3)

np.array()函数与与Python原生列表的比较

虽然Python原生列表也可以存储多个元素，但与NumPy数组相比，它们有很多不同之处。

1. 内存存储：NumPy数组在内存中是连续存储的，而Python列表是离散存储的。这使得NumPy数组在进行数值计算时能够更高效地利用内存，提高计算速度。
2. 数据类型：NumPy数组中的所有元素必须是同一数据类型，而Python列表可以包含不同数据类型的元素。这使得NumPy数组在进行数学运算时更加高效，因为不需要进行类型检查和转换。
3. 运算效率：由于NumPy数组的内存存储方式和数据类型的一致性，NumPy提供了大量的优化函数，能够对数组进行快速的数学运算。相比之下，使用Python原生列表进行相同的运算需要编写循环，效率较低。

例如，计算两个数组的元素之和：

import numpy as np
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
result_np = arr1 + arr2
print(result_np)

输出结果为：[5 7 9]

而使用Python原生列表实现相同的功能：

list1 = [1, 2, 3]
list2 = [4, 5, 6]
result_list = []
for i in range(len(list1)):
    result_list.append(list1[i] + list2[i])
print(result_list)

输出结果为：[5, 7, 9]

可以看到，使用NumPy数组的代码更加简洁，且在处理大规模数据时，运算效率会更高。

到此这篇关于深入解析NumPy的核心函数np.array()的文章就介绍到这了,更多相关NumPy np.array()内容请搜索脚本之家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脚本之家！

最新评论