一维数据:向量
二位数据:矩阵
维度超过三维的数据:张量
这些数据在numpy中统称array
(1)使用穷举法创建多为数据,接受列表或者元组类型的数据
a = numpy.array([1, 2, 3])
b = numpy.array([[1, 2, 3], (4, 5, 6), [7, 8, 9]])
(2)创建所有元素为0的array
def zeros(shape, dtype=None, order='C', like=None)
shape:形状参数提供数据的维度尺寸,维度从左至右依次为 最外侧维度->最内侧维度(最大维度->最小维度)
dtype:数据元素类型
order: {'C', 'F'}可选,行优先(C-style),列优先(Fortran-style)
zero_data = np.zeros((2, 3, 5)) 提供了shape(形状)参数
(3)创建所有元素为1的array
ones(shape, dtype=None, order='C', *, like=None)
one_data = np.ones((3, 4, 7, 2))
(4)空array,即数组的元素不初始化,而是包含随机数据,切默认类型为float
empty(shape, dtype=float, order='C', *, like=None)
empty_data = np.empty((3, 4))
(5)步进array(只能是向量),区间左闭右开
arange(start, stop, step, dtype=None, *, like=None)
arange_array = np.arange(10, 30, 5)
(6)reshape(),重新定义数据的形状。
-1:未知尺寸,表示自动识别所在维度的大小,所以reshape(-1, 1)常用于将一个向量重构成一个二维一列的矩阵(立起来);使用-1不能超过1个。
t_array = arange_array.reshape(-1, 1)
t1_array = empty_data.reshape(2, -1, 3)
(7)array的属性
维度:ndim
ndim1 = t1_array.ndim
尺寸:size,既所有元素的个数,也是各维度尺寸的乘积
size1 = one_data.size
元素类型:dtype
dtype1 = t1_array.dtype