词汇表#
- ( n ,) #
括号内的数字后跟一个逗号表示一个包含一个元素的元组。尾随的逗号将单元素元组与带括号的 区分开来
n
。- -1 #
在维度条目中,指示 NumPy 选择使数组元素总数保持相同的长度。
>>> np.arange(12).reshape(4, -1).shape (4, 3)
在索引中,任何负值都 表示 从右侧开始索引。
- …… #
一个
Ellipsis
。当索引数组时,缺失的轴(如果存在)是完整切片的简写。
>>> a = np.arange(24).reshape(2,3,4)
>>> a[...].shape (2, 3, 4)
>>> a[...,0].shape (2, 3)
>>> a[0,...].shape (3, 4)
>>> a[0,...,0].shape (3,)
最多可使用一次;
a[...,0,...]
引发IndexError
.在打印输出中,NumPy 替换
...
大型数组的中间元素。要查看整个数组,请使用numpy.printoptions
- :#
Python切片 运算符。在 ndarrays 中,切片可以应用于每个轴:
>>> a = np.arange(24).reshape(2,3,4) >>> a array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]]) >>> a[1:,-2:,:-1] array([[[16, 17, 18], [20, 21, 22]]])
尾部切片可以省略:
>>> a[1] == a[1,:,:] array([[ True, True, True, True], [ True, True, True, True], [ True, True, True, True]])
与 Python 不同,在 Python 中,切片创建一个副本,而在 NumPy 中,切片创建一个视图。
有关详细信息,请参阅组合高级索引和基本索引。
- < #
在数据类型声明中,表示数据是 小端字节序(括号在右边是大括号)。
>>> dt = np.dtype('<f') # little-endian single-precision float
- > #
在数据类型声明中,表示数据是 大端字节序(括号在左边是大括号)。
>>> dt = np.dtype('>H') # big-endian unsigned short
- 高级索引#
- 沿轴#
沿数组轴 n 的操作的
a
行为就好像其参数是切片数组,其中每个切片都有轴na
的连续索引。例如,如果
a
是一个 3 x N数组,则沿轴 0 的操作的行为就好像其参数是包含每行切片的数组:>>> np.array((a[0,:], a[1,:], a[2,:]))
为了具体起见,我们可以选择操作为数组反转函数
numpy.flip
,它接受一个axis
参数。我们构造一个 3 x 4 数组a
:>>> a = np.arange(12).reshape(3,4) >>> a array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])
沿轴 0(行轴)反转得到
>>> np.flip(a,axis=0) array([[ 8, 9, 10, 11], [ 4, 5, 6, 7], [ 0, 1, 2, 3]])
回顾沿轴的定义,
flip
沿轴 0 将其参数视为>>> np.array((a[0,:], a[1,:], a[2,:])) array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])
其结果
np.flip(a,axis=0)
是反转切片:>>> np.array((a[2,:],a[1,:],a[0,:])) array([[ 8, 9, 10, 11], [ 4, 5, 6, 7], [ 0, 1, 2, 3]])
- 大批#
在 NumPy 文档中与ndarray同义使用。
- 类似数组#
任何 可以解释为 ndarray 的标量或 序列。除了 ndarray 和标量之外,此类别还包括列表(可能嵌套且具有不同的元素类型)和元组。numpy.array接受的任何参数 都是 array_like。
>>> a = np.array([[1, 2.0], [0, 0], (1+1j, 3.)]) >>> a array([[1.+0.j, 2.+0.j], [0.+0.j, 0.+0.j], [1.+1.j, 3.+0.j]])
- 数组标量#
数组标量是 float32、float64 等类型/类的实例。为了处理操作数的统一,NumPy 将标量视为零维度数组。相反,0 维数组是仅包含一个值的ndarray实例。
- 轴#
数组维度的另一个术语。轴从左到右编号;轴 0 是形状元组中的第一个元素。
在二维向量中,轴 0 的元素是行,轴 1 的元素是列。
在更高的维度中,情况会发生变化。 NumPy 将更高维的向量打印为逐列构建块的复制,如以下三维向量所示:
>>> a = np.arange(12).reshape(2,2,3) >>> a array([[[ 0, 1, 2], [ 3, 4, 5]], [[ 6, 7, 8], [ 9, 10, 11]]])
a
被描述为一个二元素数组,其元素是 2x3 向量。从这个角度来看,行和列分别是任何形状的最后两个轴。此规则可帮助您预测如何打印向量,以及如何找到任何打印元素的索引。例如,在示例中,8 的索引的最后两个值必须是 0 和 2。由于 8 出现在两个 2x3 中的第二个中,因此第一个索引必须是 1:
>>> a[1,0,2] 8
计算打印向量中的维度的一种便捷方法是计算
[
左括号后的符号。这对于区分 (1,2,3) 形状和 (2,3) 形状很有用:>>> a = np.arange(6).reshape(2,3) >>> a.ndim 2 >>> a array([[0, 1, 2], [3, 4, 5]])
>>> a = np.arange(6).reshape(1,2,3) >>> a.ndim 3 >>> a array([[[0, 1, 2], [3, 4, 5]]])
- 。根据#
如果数组不拥有其内存,则其 基属性返回该数组引用其内存的对象。该对象可能正在引用另一个对象的内存,因此拥有的对象可能是
a.base.base.base...
。一些作者错误地声称测试base
可以确定数组是否是视图。正确方法请参见numpy.shares_memory
。- 大尾数#
请参阅字节序。
- 布拉斯#
- 播送#
广播是 NumPy 处理不同大小的 ndarray 的能力,就好像它们的大小相同一样。
它允许一种优雅的“按我的意思做”的行为,例如,向向量添加标量会将标量值添加到每个元素。
>>> a = np.arange(3) >>> a array([0, 1, 2])
>>> a + [3, 3, 3] array([3, 4, 5])
>>> a + 3 array([3, 4, 5])
通常,向量操作数必须全部具有相同的大小,因为 NumPy 逐个元素地工作 - 例如,是
c = a * b
c[0,0,0] = a[0,0,0] * b[0,0,0] c[0,0,1] = a[0,0,1] * b[0,0,1] ...
但在某些有用的情况下,NumPy 可以沿着“缺失”轴或“太短”维度复制数据,以便形状匹配。复制不消耗内存或时间。有关详细信息,请参阅 广播。
- C 指令#
与行优先相同。
- 列专业#
请参阅行主序和列主序。
- 连续#
如果满足以下条件,则数组是连续的:
它占据了一个完整的内存块,并且
具有较高索引的数组元素占用较高的地址(即,没有步幅为负)。
有两种类型的适当连续的 NumPy 数组:
Fortran 连续数组是指按列存储的数据,即存储在内存中的数据索引从最低维度开始;
C-连续数组,或简称为连续数组,是指按行存储的数据,即存储在内存中的数据的索引从最高维度开始。
对于一维数组,这些概念是一致的。
例如,
A
如果 2x2 数组的元素按以下顺序存储在内存中,则该数组是 Fortran 连续的:A[0,0] A[1,0] A[0,1] A[1,1]
如果顺序如下,则 C-连续:
A[0,0] A[0,1] A[1,0] A[1,1]
要测试数组是否是 C 连续的,请使用
.flags.c_contiguous
NumPy 数组的属性。要测试 Fortran 连续性,请使用该.flags.f_contiguous
属性。- 复制#
见视图。
- 方面#
参见轴。
- 数据类型#
描述 ndarray 中(相同类型)元素的数据类型。可以更改它以重新解释数组内容。有关详细信息,请参阅 数据类型对象 (dtype)。
- 花哨的索引#
高级索引的另一个术语。
- 场地#
在结构化数据类型中,每个子类型称为一个字段。该字段具有名称(字符串)、类型(任何有效的 dtype)和可选的title。请参阅数据类型对象 (dtype)。
- Fortran 命令#
- 压扁#
参见拉威尔。
- 同质#
同构数组的所有元素都具有相同的类型。与 Python 列表相比,ndarray 是同构的。类型可能很复杂,就像在结构化数组中一样,但所有元素都具有该类型。
NumPy对象数组包含对 Python 对象的引用,填补了异构数组的角色。
- 项目大小#
dtype 元素的大小(以字节为单位)。
- 小尾数#
请参阅字节序。
- 面具#
用于仅选择某些元素进行操作的布尔数组:
>>> x = np.arange(5) >>> x array([0, 1, 2, 3, 4])
>>> mask = (x > 2) >>> mask array([False, False, False, True, True])
>>> x[mask] = -1 >>> x array([ 0, 1, 2, -1, -1])
- 屏蔽数组#
通过将错误或丢失的数据放入屏蔽数组中,可以完全忽略这些数据,该数组具有指示无效条目的内部布尔数组。使用屏蔽数组的操作会忽略这些条目。
>>> a = np.ma.masked_array([np.nan, 2, np.nan], [True, False, True]) >>> a masked_array(data=[--, 2.0, --], mask=[ True, False, True], fill_value=1e+20) >>> a + [1, 2, 3] masked_array(data=[--, 4.0, --], mask=[ True, False, True], fill_value=1e+20)
有关详细信息,请参阅屏蔽数组。
- 矩阵#
NumPy 的二维 矩阵类 不应再使用;使用常规 ndarray。
- ndarray #
- 对象数组#
数据类型为 的数组
object
;也就是说,它包含对 Python 对象的引用。对数组进行索引会取消对 Python 对象的引用,因此与其他 ndarray 不同,对象数组能够保存异构对象。- 拉威尔#
numpy.ravel 和numpy.flatten 都压平 ndarray。
ravel
如果可能的话将返回一个视图;flatten
总是返回一个副本。展平将多维数组折叠为一维;如何完成此操作的详细信息(例如,是否
a[n+1]
应该是下一行或下一列)是参数。- 记录数组#
除了 之外,还允许以属性 style () 进行访问的结构化数组。有关详细信息,请参阅 numpy.recararray。
a.field
a['field']
- 行主#
请参阅行主序和列主序。 NumPy 默认按行优先顺序创建数组。
- 标量#
在 NumPy 中,通常是数组标量的同义词。
- 形状#
显示 ndarray 的每个维度的长度的元组。元组本身的长度是维数(numpy.ndim)。元组元素的乘积是数组中元素的数量。有关详细信息,请参阅 numpy.ndarray.shape。
- 步幅#
物理记忆是一维的; strides 提供了一种将给定索引映射到内存中地址的机制。对于N维数组来说,它的
strides
属性是一个N元元组;在轴上从索引前进i
到索引意味着向地址添加字节。i+1
n
a.strides[n]
步幅是根据数组的数据类型和形状自动计算的,但可以使用 as_strided 直接指定。
有关详细信息,请参阅 numpy.ndarray.strides。
要了解跨步如何发挥 NumPy 视图的强大功能,请参阅 NumPy 数组:高效数值计算的结构。
- 结构化数组#
- 结构化数据类型#
- 子数组#
嵌套在结构化数据类型中的数组,如下
b
所示:>>> dt = np.dtype([('a', np.int32), ('b', np.float32, (3,))]) >>> np.zeros(3, dtype=dt) array([(0, [0., 0., 0.]), (0, [0., 0., 0.]), (0, [0., 0., 0.])], dtype=[('a', '<i4'), ('b', '<f4', (3,))])
- 子数组数据类型#
结构化数据类型的元素,其行为类似于 ndarray。
- 标题#
结构化数据类型中字段名称的别名。
- 类型#
在 NumPy 中,通常是dtype的同义词。有关更一般的 Python 含义,请参阅此处。
- ufunc #
NumPy 的快速逐元素计算(矢量化)提供了应用哪个函数的选择。该函数的通用术语是
ufunc
的缩写。 NumPy 例程具有内置的 ufunc,但用户也可以 编写自己的。universal function
- 矢量化#
NumPy 将数组处理交给 C,其中循环和计算比 Python 快得多。为了利用这一点,使用 NumPy 的程序员消除了 Python 循环,转而使用数组到数组的操作。 矢量化既可以指 C 卸载,也可以指构建 NumPy 代码以利用它。
- 看法#
在不触及基础数据的情况下,NumPy 可以使一个数组看起来改变了其数据类型和形状。
以这种方式创建的数组是一个视图,NumPy 经常利用使用视图相对于创建新数组的性能增益。
一个潜在的缺点是写入视图也会改变原始视图。如果这是一个问题,NumPy 需要创建一个物理上不同的数组 - a
copy
。一些 NumPy 例程始终返回视图,一些始终返回副本,一些可能返回其中之一,而对于某些例程,可以指定选择。管理视图和副本的责任落在程序员身上。
numpy.shares_memory
将检查 是否b
是 的视图a
,但确切的答案并不总是可行,正如文档页面所解释的那样。>>> x = np.arange(5) >>> x array([0, 1, 2, 3, 4])
>>> y = x[::2] >>> y array([0, 2, 4])
>>> x[0] = 3 # changing x changes y as well, since y is a view on x >>> y array([3, 2, 4])