NumPy 基础入门ndarray 什么是 ndarrayndarrayN-dimensional Array是 NumPy 的核心数据结构——一个同构多维数组。所有元素类型相同内存连续存储因此比 Python list 快 10~100 倍。对比Python listNumPy ndarray元素类型可以不同必须相同同构内存分散存储连续内存块运算循环遍历C 级别向量化速度慢极快内存占用大小固定类型 创建 ndarray从 Python 数据结构创建importnumpyasnp# 从列表创建arrnp.array([1,2,3,4,5])print(arr)# [1 2 3 4 5]# 从嵌套列表二维matnp.array([[1,2,3],[4,5,6],[7,8,9]])print(mat)# [[1 2 3]# [4 5 6]# [7 8 9]]# 三维及以上tensornp.array([[[1,2],[3,4]],[[5,6],[7,8]]])print(tensor.shape)# (2, 2, 2)# 从元组arrnp.array((10,20,30))# 指定数据类型arrnp.array([1,2,3],dtypenp.float64)arrnp.array([1,2,3],dtypefloat32)特殊数组# 全零anp.zeros(5)# [0. 0. 0. 0. 0.]anp.zeros((3,4))# 3×4 全零矩阵anp.zeros_like(b)# 和 b 形状相同的全零# 全一anp.ones(5)# [1. 1. 1. 1. 1.]anp.ones((2,3,4))# 2×3×4 全一张量anp.ones_like(b)# 全填充anp.full((3,4),7)# 全为 7 的 3×4 矩阵anp.full_like(b,3.14)# 单位矩阵anp.eye(4)# 4×4 单位矩阵anp.identity(5)# 5×5 单位矩阵anp.eye(3,4,k1)# 对角偏移k0 向右上偏# 对角矩阵anp.diag([1,2,3,4])# 以 [1,2,3,4] 为对角线的矩阵anp.diag(mat)# 提取矩阵的对角线# 未初始化更快但数据不定anp.empty((3,4))序列数组 ⭐# arange: 等差序列最常用anp.arange(10)# [0 1 2 3 4 5 6 7 8 9]anp.arange(2,10)# [2 3 4 5 6 7 8 9]anp.arange(0,10,2)# [0 2 4 6 8] 步长2anp.arange(10,0,-1)# [10 9 8 7 6 5 4 3 2 1] 倒序# linspace: 等分序列包含终点anp.linspace(0,1,5)# [0. 0.25 0.5 0.75 1. ]anp.linspace(0,10,100)# 0~10 均匀取 100 个点# logspace: 对数等分anp.logspace(0,3,4)# [1. 10. 100. 1000.] 10^0~10^3 取4个# geomspace: 等比数列anp.geomspace(1,1000,4)# [1. 10. 100. 1000.]# meshgrid: 网格坐标二维绘图必备xnp.linspace(-5,5,100)ynp.linspace(-5,5,100)X,Ynp.meshgrid(x,y)# X, Y 都是 (100, 100)Znp.sqrt(X**2Y**2)# 网格运算# mgrid / ogrid: 更便捷的网格X,Ynp.mgrid[-5:5:100j,-5:5:100j]# mgrid: 完整网格100j 100 个点X,Ynp.ogrid[-5:5:100j,-5:5:100j]# ogrid: 开放网格节省内存模仿形状创建anp.arange(12).reshape(3,4)np.zeros_like(a)# 和 a 同形的全零np.ones_like(a)# 和 a 同形的全一np.full_like(a,3.14)# 和 a 同形的填充np.empty_like(a)# 和 a 同形的未初始化 ndarray 属性arrnp.arange(24).reshape(2,3,4)print(arr.shape)# (2, 3, 4) — 各维度大小print(arr.ndim)# 3 — 维度数print(arr.dtype)# int32默认取决于系统— 元素类型print(arr.size)# 24 — 总元素数print(arr.itemsize)# 4 — 每个元素的字节数int324字节print(arr.nbytes)# 96 — 总内存占用 size × itemsizeprint(arr.strides)# (48, 16, 4) — 每维步长print(arr.flags)# 内存布局标志print(arr.base)# 如果是视图返回原始数组print(arr.T)# 转置视图不复制数据print(arr.real)# 实部print(arr.imag)# 虚部print(arr.flat)# 展平迭代器关于 strides步长arrnp.arange(24).reshape(2,3,4)print(arr.strides)# (48, 16, 4)# 含义沿 axis0 跨 48 字节3×4×4沿 axis1 跨 16 字节4×4沿 axis2 跨 4 字节1 个 int32 数据类型dtype常用数值类型类型别名字节范围np.int8i11-128 ~ 127np.int16i22-32768 ~ 32767np.int32i44-2³¹ ~ 2³¹-1np.int64i8,np.int_8-2⁶³ ~ 2⁶³-1np.uint8u110 ~ 255np.uint16u220 ~ 65535np.float16f22半精度np.float32f44单精度深度学习常用np.float64f8,np.float_8双精度默认np.complex64c88复数两 32bitnp.complex128c1616复数两 64bitnp.bool_?1True / False特殊类型# 字符串arrnp.array([hello,world],dtypeU10)# Unicode, 最长 10 字符arrnp.array([bhello,bworld],dtypeS10)# 字节字符串# 对象存 Python 对象性能差少用arrnp.array([{a:1},[1,2,3]],dtypeobject)# 结构化类型存不同类型列dtnp.dtype([(name,U10),(age,i4),(score,f8)])# datetimearrnp.array([2024-01-01,2024-06-15],dtypedatetime64[D])类型转换arrnp.array([1,2,3],dtypenp.int64)# 方式一: astype()推荐明确创建副本arr2arr.astype(np.float64)arr2arr.astype(float32)# 方式二: 直接指定arrnp.array([1,2,3],dtypefloat64)# 方式三: 转换函数np.float64(arr)np.int32(arr)# 查看类型范围print(np.iinfo(np.int16))# min-32768, max32767print(np.finfo(np.float32))# bits32, eps1.192e-07类型提升规则# 不同类型运算时自动提升到更安全类型anp.array([1,2,3],dtypenp.int32)bnp.array([0.5,1.5,2.5],dtypenp.float32)print((ab).dtype)# float32cnp.array([1,2,3],dtypenp.float32)dnp.array([0.5,1.5,2.5],dtypenp.float64)print((cd).dtype)# float64向更高精度提升 快速上手示例importnumpyasnp# 1. 创建一个图像模拟数据imagenp.random.default_rng(42).integers(0,256,(1080,1920,3),dtypenp.uint8)print(f图像形状:{image.shape})# (1080, 1920, 3)print(f数据类型:{image.dtype})# uint8print(f内存占用:{image.nbytes/1e6:.1f}MB)# 2. 统计信息print(f最小像素:{image.min()})print(f最大像素:{image.max()})print(f均值:{image.mean():.1f})print(f每个通道均值:{image.mean(axis(0,1))})# 3. 灰度化grayimage.mean(axis2).astype(np.uint8)# (1080, 1920)# 4. 翻转flippedimage[:,::-1,:]# 水平翻转用切片零拷贝# 5. 裁剪croppedimage[100:500,200:800,:]print(f裁剪后:{cropped.shape})# (400, 600, 3) 速查表需求代码列表创建np.array([1, 2, 3])全零np.zeros((3, 4))全一np.ones((2, 3, 4))全填充np.full((3, 4), 7)单位矩阵np.eye(4)等差数列np.arange(0, 10, 2)等分数列np.linspace(0, 1, 100)等比数列np.geomspace(1, 1000, 4)网格坐标np.meshgrid(x, y)形状arr.shape维数arr.ndim元素类型arr.dtype总元素数arr.size内存大小arr.nbytes类型转换arr.astype(np.float64)[[numpy-总览|← 返回总览]]
NumPy 基础入门ndarray 什么是 ndarrayndarrayN-dimensional Array是 NumPy 的核心数据结构——一个同构多维数组。所有元素类型相同内存连续存储因此比 Python list 快 10~100 倍。对比Python listNumPy ndarray元素类型可以不同必须相同同构内存分散存储连续内存块运算循环遍历C 级别向量化速度慢极快内存占用大小固定类型 创建 ndarray从 Python 数据结构创建importnumpyasnp# 从列表创建arrnp.array([1,2,3,4,5])print(arr)# [1 2 3 4 5]# 从嵌套列表二维matnp.array([[1,2,3],[4,5,6],[7,8,9]])print(mat)# [[1 2 3]# [4 5 6]# [7 8 9]]# 三维及以上tensornp.array([[[1,2],[3,4]],[[5,6],[7,8]]])print(tensor.shape)# (2, 2, 2)# 从元组arrnp.array((10,20,30))# 指定数据类型arrnp.array([1,2,3],dtypenp.float64)arrnp.array([1,2,3],dtypefloat32)特殊数组# 全零anp.zeros(5)# [0. 0. 0. 0. 0.]anp.zeros((3,4))# 3×4 全零矩阵anp.zeros_like(b)# 和 b 形状相同的全零# 全一anp.ones(5)# [1. 1. 1. 1. 1.]anp.ones((2,3,4))# 2×3×4 全一张量anp.ones_like(b)# 全填充anp.full((3,4),7)# 全为 7 的 3×4 矩阵anp.full_like(b,3.14)# 单位矩阵anp.eye(4)# 4×4 单位矩阵anp.identity(5)# 5×5 单位矩阵anp.eye(3,4,k1)# 对角偏移k0 向右上偏# 对角矩阵anp.diag([1,2,3,4])# 以 [1,2,3,4] 为对角线的矩阵anp.diag(mat)# 提取矩阵的对角线# 未初始化更快但数据不定anp.empty((3,4))序列数组 ⭐# arange: 等差序列最常用anp.arange(10)# [0 1 2 3 4 5 6 7 8 9]anp.arange(2,10)# [2 3 4 5 6 7 8 9]anp.arange(0,10,2)# [0 2 4 6 8] 步长2anp.arange(10,0,-1)# [10 9 8 7 6 5 4 3 2 1] 倒序# linspace: 等分序列包含终点anp.linspace(0,1,5)# [0. 0.25 0.5 0.75 1. ]anp.linspace(0,10,100)# 0~10 均匀取 100 个点# logspace: 对数等分anp.logspace(0,3,4)# [1. 10. 100. 1000.] 10^0~10^3 取4个# geomspace: 等比数列anp.geomspace(1,1000,4)# [1. 10. 100. 1000.]# meshgrid: 网格坐标二维绘图必备xnp.linspace(-5,5,100)ynp.linspace(-5,5,100)X,Ynp.meshgrid(x,y)# X, Y 都是 (100, 100)Znp.sqrt(X**2Y**2)# 网格运算# mgrid / ogrid: 更便捷的网格X,Ynp.mgrid[-5:5:100j,-5:5:100j]# mgrid: 完整网格100j 100 个点X,Ynp.ogrid[-5:5:100j,-5:5:100j]# ogrid: 开放网格节省内存模仿形状创建anp.arange(12).reshape(3,4)np.zeros_like(a)# 和 a 同形的全零np.ones_like(a)# 和 a 同形的全一np.full_like(a,3.14)# 和 a 同形的填充np.empty_like(a)# 和 a 同形的未初始化 ndarray 属性arrnp.arange(24).reshape(2,3,4)print(arr.shape)# (2, 3, 4) — 各维度大小print(arr.ndim)# 3 — 维度数print(arr.dtype)# int32默认取决于系统— 元素类型print(arr.size)# 24 — 总元素数print(arr.itemsize)# 4 — 每个元素的字节数int324字节print(arr.nbytes)# 96 — 总内存占用 size × itemsizeprint(arr.strides)# (48, 16, 4) — 每维步长print(arr.flags)# 内存布局标志print(arr.base)# 如果是视图返回原始数组print(arr.T)# 转置视图不复制数据print(arr.real)# 实部print(arr.imag)# 虚部print(arr.flat)# 展平迭代器关于 strides步长arrnp.arange(24).reshape(2,3,4)print(arr.strides)# (48, 16, 4)# 含义沿 axis0 跨 48 字节3×4×4沿 axis1 跨 16 字节4×4沿 axis2 跨 4 字节1 个 int32 数据类型dtype常用数值类型类型别名字节范围np.int8i11-128 ~ 127np.int16i22-32768 ~ 32767np.int32i44-2³¹ ~ 2³¹-1np.int64i8,np.int_8-2⁶³ ~ 2⁶³-1np.uint8u110 ~ 255np.uint16u220 ~ 65535np.float16f22半精度np.float32f44单精度深度学习常用np.float64f8,np.float_8双精度默认np.complex64c88复数两 32bitnp.complex128c1616复数两 64bitnp.bool_?1True / False特殊类型# 字符串arrnp.array([hello,world],dtypeU10)# Unicode, 最长 10 字符arrnp.array([bhello,bworld],dtypeS10)# 字节字符串# 对象存 Python 对象性能差少用arrnp.array([{a:1},[1,2,3]],dtypeobject)# 结构化类型存不同类型列dtnp.dtype([(name,U10),(age,i4),(score,f8)])# datetimearrnp.array([2024-01-01,2024-06-15],dtypedatetime64[D])类型转换arrnp.array([1,2,3],dtypenp.int64)# 方式一: astype()推荐明确创建副本arr2arr.astype(np.float64)arr2arr.astype(float32)# 方式二: 直接指定arrnp.array([1,2,3],dtypefloat64)# 方式三: 转换函数np.float64(arr)np.int32(arr)# 查看类型范围print(np.iinfo(np.int16))# min-32768, max32767print(np.finfo(np.float32))# bits32, eps1.192e-07类型提升规则# 不同类型运算时自动提升到更安全类型anp.array([1,2,3],dtypenp.int32)bnp.array([0.5,1.5,2.5],dtypenp.float32)print((ab).dtype)# float32cnp.array([1,2,3],dtypenp.float32)dnp.array([0.5,1.5,2.5],dtypenp.float64)print((cd).dtype)# float64向更高精度提升 快速上手示例importnumpyasnp# 1. 创建一个图像模拟数据imagenp.random.default_rng(42).integers(0,256,(1080,1920,3),dtypenp.uint8)print(f图像形状:{image.shape})# (1080, 1920, 3)print(f数据类型:{image.dtype})# uint8print(f内存占用:{image.nbytes/1e6:.1f}MB)# 2. 统计信息print(f最小像素:{image.min()})print(f最大像素:{image.max()})print(f均值:{image.mean():.1f})print(f每个通道均值:{image.mean(axis(0,1))})# 3. 灰度化grayimage.mean(axis2).astype(np.uint8)# (1080, 1920)# 4. 翻转flippedimage[:,::-1,:]# 水平翻转用切片零拷贝# 5. 裁剪croppedimage[100:500,200:800,:]print(f裁剪后:{cropped.shape})# (400, 600, 3) 速查表需求代码列表创建np.array([1, 2, 3])全零np.zeros((3, 4))全一np.ones((2, 3, 4))全填充np.full((3, 4), 7)单位矩阵np.eye(4)等差数列np.arange(0, 10, 2)等分数列np.linspace(0, 1, 100)等比数列np.geomspace(1, 1000, 4)网格坐标np.meshgrid(x, y)形状arr.shape维数arr.ndim元素类型arr.dtype总元素数arr.size内存大小arr.nbytes类型转换arr.astype(np.float64)[[numpy-总览|← 返回总览]]
