NumPy為Python提供了高效的多維數(shù)組對(duì)象以及一系列用于處理這些數(shù)組的工具，極大地簡(jiǎn)化了數(shù)值計(jì)算的過(guò)程。而np.array()作為NumPy庫(kù)的核心函數(shù)之一，是創(chuàng)建和操作數(shù)組的基礎(chǔ)。

NumPy與np.array()簡(jiǎn)介

NumPy（Numerical Python的簡(jiǎn)稱(chēng)）是Python中用于處理數(shù)組運(yùn)算的擴(kuò)展庫(kù)，它提供了大量的數(shù)學(xué)函數(shù)來(lái)操作數(shù)組，使得數(shù)組的處理變得高效且簡(jiǎn)潔。np.array()則是NumPy庫(kù)中的一個(gè)基礎(chǔ)函數(shù)，用于創(chuàng)建數(shù)組。

NumPy的重要性

NumPy在科學(xué)計(jì)算、數(shù)據(jù)分析、機(jī)器學(xué)習(xí)等眾多領(lǐng)域都有著廣泛的應(yīng)用。它的高效性源于其底層使用C語(yǔ)言實(shí)現(xiàn)，能夠充分利用計(jì)算機(jī)的硬件資源，對(duì)數(shù)組進(jìn)行快速的運(yùn)算。與Python原生的列表相比，NumPy數(shù)組在內(nèi)存中是連續(xù)存儲(chǔ)的，這使得數(shù)組元素之間的訪問(wèn)和計(jì)算更為高效。例如，在進(jìn)行大規(guī)模的數(shù)據(jù)處理時(shí)，使用NumPy數(shù)組可以顯著提高程序的運(yùn)行速度。

np.array()的作用

np.array()函數(shù)的主要作用是將Python中的各種數(shù)據(jù)結(jié)構(gòu)（如列表、元組等）轉(zhuǎn)換為NumPy數(shù)組，或者根據(jù)指定的參數(shù)創(chuàng)建一個(gè)新的數(shù)組。通過(guò)np.array()創(chuàng)建的數(shù)組可以方便地進(jìn)行各種數(shù)學(xué)運(yùn)算、索引和切片操作，為后續(xù)的數(shù)據(jù)處理和分析提供了基礎(chǔ)。

np.array()函數(shù)的詳細(xì)參數(shù)

np.array()函數(shù)的完整語(yǔ)法為：numpy.array(object, dtype = None, *, copy = True, order = 'K', subok = False, ndmin = 0, like = None)。下面我們來(lái)詳細(xì)介紹每個(gè)參數(shù)的含義和用法。

object參數(shù)

object參數(shù)是必填項(xiàng)，它表示要轉(zhuǎn)換為數(shù)組的對(duì)象，可以是一個(gè)數(shù)組、任何暴露數(shù)組接口的對(duì)象、其__array__方法返回?cái)?shù)組的對(duì)象，或者任何（嵌套的）序列。如果object是一個(gè)標(biāo)量，則返回一個(gè)包含該標(biāo)量的0維數(shù)組。

例如，我們可以使用列表來(lái)創(chuàng)建一個(gè)一維數(shù)組：

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

輸出結(jié)果為：[1 2 3 4 5]

也可以使用嵌套列表來(lái)創(chuàng)建一個(gè)二維數(shù)組：

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

輸出結(jié)果為：

[[1 2 3]
 [4 5 6]
 [7 8 9]]

dtype參數(shù)

dtype參數(shù)用于指定數(shù)組的數(shù)據(jù)類(lèi)型，它是可選的。如果不指定dtype，NumPy會(huì)根據(jù)傳入的數(shù)據(jù)自動(dòng)推斷出合適的數(shù)據(jù)類(lèi)型。例如：

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

輸出結(jié)果為：int64

在這個(gè)例子中，由于傳入的數(shù)據(jù)都是整數(shù)，NumPy自動(dòng)推斷出數(shù)組的數(shù)據(jù)類(lèi)型為int64。

然而，在某些情況下，我們可能需要顯式地指定數(shù)據(jù)類(lèi)型，以滿足特定的需求。比如，當(dāng)我們需要?jiǎng)?chuàng)建一個(gè)包含浮點(diǎn)數(shù)的數(shù)組時(shí)，可以這樣做：

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

輸出結(jié)果為：float32

通過(guò)指定dtype = np.float32，我們創(chuàng)建了一個(gè)數(shù)據(jù)類(lèi)型為32位浮點(diǎn)數(shù)的數(shù)組。

指定數(shù)據(jù)類(lèi)型的好處之一是可以優(yōu)化內(nèi)存使用。例如，如果我們知道數(shù)組中的數(shù)據(jù)范圍較小，并且不需要高精度的計(jì)算，可以使用較小的數(shù)據(jù)類(lèi)型，如int8或float16，這樣可以減少內(nèi)存的占用。

copy參數(shù)

copy參數(shù)用于控制是否復(fù)制數(shù)據(jù)，它是一個(gè)布爾值，默認(rèn)為True。當(dāng)copy = True時(shí)，無(wú)論輸入數(shù)據(jù)的來(lái)源如何，都會(huì)創(chuàng)建一個(gè)數(shù)據(jù)的副本；當(dāng)copy = False時(shí)，如果輸入數(shù)據(jù)本身就是一個(gè)NumPy數(shù)組，并且不需要進(jìn)行任何數(shù)據(jù)類(lèi)型轉(zhuǎn)換或其他修改，那么將不會(huì)復(fù)制數(shù)據(jù)，而是直接使用原數(shù)組的引用。

需要注意的是，當(dāng)copy = None時(shí)，只有在__array__返回副本、obj是嵌套序列或需要滿足其他要求（如dtype、order等）時(shí)才會(huì)進(jìn)行復(fù)制。

例如，下面的代碼中，由于輸入數(shù)據(jù)是一個(gè)列表，所以無(wú)論copy參數(shù)的值如何，都會(huì)創(chuàng)建一個(gè)新的數(shù)組副本：

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

輸出結(jié)果均為False，說(shuō)明arr1、arr2和arr3都是不同的數(shù)組對(duì)象。

而當(dāng)輸入數(shù)據(jù)是一個(gè)NumPy數(shù)組時(shí)，如果copy = False且不需要進(jìn)行其他修改，那么將不會(huì)復(fù)制數(shù)據(jù)：

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

輸出結(jié)果為True，說(shuō)明arr4和arr5指向同一個(gè)數(shù)組對(duì)象。

order參數(shù)

order參數(shù)用于指定數(shù)組在內(nèi)存中的存儲(chǔ)順序，它有四個(gè)可選值：'K'、'A'、'C'、'F'。

• 'C'表示按C語(yǔ)言的行優(yōu)先順序存儲(chǔ)，即先存儲(chǔ)第一行，再存儲(chǔ)第二行，以此類(lèi)推。
• 'F'表示按Fortran語(yǔ)言的列優(yōu)先順序存儲(chǔ)，即先存儲(chǔ)第一列，再存儲(chǔ)第二列，以此類(lèi)推。
• 'A'表示如果輸入數(shù)據(jù)是Fortran連續(xù)的，則按'F'順序存儲(chǔ)，否則按'C'順序存儲(chǔ)。
• 'K'表示盡可能保持輸入數(shù)據(jù)的原始順序。

默認(rèn)情況下，order = 'K'。

例如，我們可以通過(guò)order參數(shù)來(lái)控制二維數(shù)組的存儲(chǔ)順序：

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)

輸出結(jié)果分別為：

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

從輸出結(jié)果可以看出，arr_2d_c是按行優(yōu)先順序存儲(chǔ)的（C_CONTIGUOUS : True），而arr_2d_f是按列優(yōu)先順序存儲(chǔ)的（F_CONTIGUOUS : True）。

subok參數(shù)

subok參數(shù)是一個(gè)布爾值，默認(rèn)為False。當(dāng)subok = True時(shí)，返回的數(shù)組將保留輸入數(shù)據(jù)的子類(lèi)類(lèi)型；當(dāng)subok = False時(shí)，無(wú)論輸入數(shù)據(jù)的類(lèi)型如何，返回的數(shù)組都將被強(qiáng)制轉(zhuǎn)換為基類(lèi)ndarray類(lèi)型。

例如，假設(shè)我們有一個(gè)自定義的數(shù)組子類(lèi)MyArray，它繼承自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'>

輸出結(jié)果表明，當(dāng)subok = True時(shí)，arr1仍然是MyArray類(lèi)型；而當(dāng)subok = False時(shí)，arr2被轉(zhuǎn)換為了np.ndarray類(lèi)型。

ndmin參數(shù)

ndmin參數(shù)用于指定返回?cái)?shù)組的最小維度，它是一個(gè)整數(shù)，默認(rèn)為0。如果輸入數(shù)據(jù)的維度小于ndmin，則會(huì)在數(shù)組的形狀前面添加一維，直到滿足最小維度的要求。

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)

在這個(gè)例子中，輸入數(shù)據(jù)[1, 2, 3]是一個(gè)一維數(shù)組。當(dāng)ndmin = 1時(shí)，數(shù)組形狀不變；當(dāng)ndmin = 2時(shí)，在前面添加了一維，變成了二維數(shù)組(1, 3)；當(dāng)ndmin = 3時(shí)，在前面添加了兩維，變成了三維數(shù)組(1, 1, 3)。

like參數(shù)

like參數(shù)是在NumPy 1.20.0版本中新增的，它用于指定一個(gè)參考對(duì)象，以便創(chuàng)建與該對(duì)象兼容的數(shù)組。如果傳入的like參數(shù)支持__array_function__協(xié)議，那么結(jié)果將由該協(xié)議定義。

例如：

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

在這個(gè)例子中，我們以arr為參考對(duì)象，創(chuàng)建了一個(gè)新的數(shù)組new_arr，new_arr的類(lèi)型與arr相同，都是np.ndarray。

np.array()函數(shù)的使用示例

創(chuàng)建基本的一維和二維數(shù)組

如前文所述，使用np.array()函數(shù)可以很方便地創(chuàng)建一維和二維數(shù)組。
創(chuàng)建一維數(shù)組：

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

創(chuàng)建二維數(shù)組：

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

創(chuàng)建具有特定數(shù)據(jù)類(lèi)型的數(shù)組

通過(guò)dtype參數(shù)，我們可以創(chuàng)建具有特定數(shù)據(jù)類(lèi)型的數(shù)組。
創(chuàng)建整數(shù)類(lèi)型的數(shù)組：

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

創(chuàng)建浮點(diǎn)數(shù)類(lèi)型的數(shù)組：

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

創(chuàng)建復(fù)數(shù)類(lèi)型的數(shù)組：

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

創(chuàng)建多維數(shù)組

np.array()函數(shù)不僅可以創(chuàng)建一維和二維數(shù)組，還可以創(chuàng)建更高維度的數(shù)組。只需在傳入的序列中嵌套更多的層級(jí)即可。
創(chuàng)建三維數(shù)組：

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

輸出結(jié)果為：

[[[1 2]
  [3 4]]
 [[5 6]
  [7 8]]]

從其他數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換為數(shù)組

除了使用列表和元組來(lái)創(chuàng)建數(shù)組外，np.array()函數(shù)還可以將其他數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換為數(shù)組。
將集合轉(zhuǎn)換為數(shù)組：

set_data = {1, 2, 3, 3}  # 集合會(huì)自動(dòng)去重
arr_set = np.array(set_data)
print(arr_set)

輸出結(jié)果為：[1 2 3]

將字符串轉(zhuǎn)換為數(shù)組：

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

輸出結(jié)果為：['h' 'e' 'l' 'l' 'o']

使用ndmin參數(shù)創(chuàng)建具有最小維度的數(shù)組

通過(guò)ndmin參數(shù)，我們可以確保創(chuàng)建的數(shù)組具有指定的最小維度。

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()函數(shù)與與Python原生列表的比較

雖然Python原生列表也可以存儲(chǔ)多個(gè)元素，但與NumPy數(shù)組相比，它們有很多不同之處。

1. 內(nèi)存存儲(chǔ)：NumPy數(shù)組在內(nèi)存中是連續(xù)存儲(chǔ)的，而Python列表是離散存儲(chǔ)的。這使得NumPy數(shù)組在進(jìn)行數(shù)值計(jì)算時(shí)能夠更高效地利用內(nèi)存，提高計(jì)算速度。
2. 數(shù)據(jù)類(lèi)型：NumPy數(shù)組中的所有元素必須是同一數(shù)據(jù)類(lèi)型，而Python列表可以包含不同數(shù)據(jù)類(lèi)型的元素。這使得NumPy數(shù)組在進(jìn)行數(shù)學(xué)運(yùn)算時(shí)更加高效，因?yàn)椴恍枰M(jìn)行類(lèi)型檢查和轉(zhuǎn)換。
3. 運(yùn)算效率：由于NumPy數(shù)組的內(nèi)存存儲(chǔ)方式和數(shù)據(jù)類(lèi)型的一致性，NumPy提供了大量的優(yōu)化函數(shù)，能夠?qū)?shù)組進(jìn)行快速的數(shù)學(xué)運(yùn)算。相比之下，使用Python原生列表進(jìn)行相同的運(yùn)算需要編寫(xiě)循環(huán)，效率較低。

例如，計(jì)算兩個(gè)數(shù)組的元素之和：

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

輸出結(jié)果為：[5 7 9]

而使用Python原生列表實(shí)現(xiàn)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)

輸出結(jié)果為：[5, 7, 9]

可以看到，使用NumPy數(shù)組的代碼更加簡(jiǎn)潔，且在處理大規(guī)模數(shù)據(jù)時(shí)，運(yùn)算效率會(huì)更高。

到此這篇關(guān)于深入解析NumPy的核心函數(shù)np.array()的文章就介紹到這了,更多相關(guān)NumPy np.array()內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論