如何创建具有规则间隔值的数组#

有一些 NumPy 函数在应用中类似,但提供的结果略有不同,如果不确定何时以及如何使用它们,可能会导致混乱。以下指南旨在列出这些函数并描述它们的推荐用法。

这里提到的功能是

一维域(区间)#

linspacearange#

numpy.linspace和都numpy.arange提供了将区间(一维域)划分为等长子区间的方法。这些分区将根据所选的起点和终点以及步长(子区间的长度)而有所不同。

  • 如果您需要整数步长,请使用。numpy.arange

    numpy.arange依赖步长来确定返回的数组中有多少元素,其中不包括端点。这是通过 step的论证来确定的arange

    例子:

    >>> np.arange(0, 10, 2)  # np.arange(start, stop, step)
    array([0, 2, 4, 6, 8])
    

    参数startstop应该是整数或实数,但不能是复数。numpy.arange类似于Python内置的 range.

    浮点不准确可能会使arange浮点数的结果令人困惑。在这种情况下,您应该改用numpy.linspace

  • 如果您希望端点包含在结果中,或者您使用非整数步长,请使用此值。numpy.linspace

    numpy.linspace 可以包含端点并根据 num参数确定步长,该参数指定返回数组中的元素数量。

    端点的包含由可选的布尔参数确定endpoint,默认为True。请注意,选择 endpoint=False将更改步长计算以及函数的后续输出。

    例子:

    >>> np.linspace(0.1, 0.2, num=5)  # np.linspace(start, stop, num)
    array([0.1  , 0.125, 0.15 , 0.175, 0.2  ])
    >>> np.linspace(0.1, 0.2, num=5, endpoint=False)
    array([0.1, 0.12, 0.14, 0.16, 0.18])
    

    numpy.linspace也可以与复杂的参数一起使用:

    >>> np.linspace(1+1.j, 4, 5, dtype=np.complex64)
    array([1.  +1.j  , 1.75+0.75j, 2.5 +0.5j , 3.25+0.25j, 4.  +0.j  ],
          dtype=complex64)
    

其他例子#

  1. step 如果像中那样使用浮点值,可能会出现意外结果numpy.arange。为了避免这种情况,请确保所有浮点转换在结果计算之后发生。例如,替换

    >>> list(np.arange(0.1,0.4,0.1).round(1))
    [0.1, 0.2, 0.3, 0.4]  # endpoint should not be included!
    

    >>> list(np.arange(1, 4, 1) / 10.0)
    [0.1, 0.2, 0.3]  # expected result
    
  2. 注意

    >>> np.arange(0, 1.12, 0.04)
    array([0.  , 0.04, 0.08, 0.12, 0.16, 0.2 , 0.24, 0.28, 0.32, 0.36, 0.4 ,
           0.44, 0.48, 0.52, 0.56, 0.6 , 0.64, 0.68, 0.72, 0.76, 0.8 , 0.84,
           0.88, 0.92, 0.96, 1.  , 1.04, 1.08, 1.12])
    

    >>> np.arange(0, 1.08, 0.04)
    array([0.  , 0.04, 0.08, 0.12, 0.16, 0.2 , 0.24, 0.28, 0.32, 0.36, 0.4 ,
           0.44, 0.48, 0.52, 0.56, 0.6 , 0.64, 0.68, 0.72, 0.76, 0.8 , 0.84,
           0.88, 0.92, 0.96, 1.  , 1.04])
    

    由于数字噪声,这些有所不同。当使用浮点值时,、 等可能在区间内。事实上,情况确实如此:0 + 0.04 * 28 < 1.121.12

    >>> 1.12/0.04
    28.000000000000004
    

    但这样 1.08 就被排除在外了:0 + 0.04 * 27 >= 1.08

    >>> 1.08/0.04
    27.0
    

    或者,您可以使用它始终可以精确控制终点,因为它是不可或缺的:np.arange(0, 28)*0.04

    >>> np.arange(0, 28)*0.04
    array([0.  , 0.04, 0.08, 0.12, 0.16, 0.2 , 0.24, 0.28, 0.32, 0.36, 0.4 ,
           0.44, 0.48, 0.52, 0.56, 0.6 , 0.64, 0.68, 0.72, 0.76, 0.8 , 0.84,
           0.88, 0.92, 0.96, 1.  , 1.04, 1.08])
    

geomspacelogspace

numpy.geomspace与 类似numpy.linspace,但数字在对数刻度上均匀分布(几何级数)。端点包含在结果中。

例子:

>>> np.geomspace(2, 3, num=5)
array([2.        , 2.21336384, 2.44948974, 2.71080601, 3.        ])

numpy.logspace与 类似numpy.geomspace,但起点和终点指定为对数(默认以 10 为底):

>>> np.logspace(2, 3, num=5)
array([ 100.        ,  177.827941  ,  316.22776602,  562.34132519, 1000.        ])

在线性空间中,序列从(的) 次方开始,以 结束:base ** startbasestartbase ** stop

>>> np.logspace(2, 3, num=5, base=2)
array([4.        , 4.75682846, 5.65685425, 6.72717132, 8.        ])

nD 域#

nD 域可以划分为网格。这可以使用以下函数之一来完成。

meshgrid#

的目的numpy.meshgrid是从一组一维坐标数组创建一个矩形网格。

给定数组

>>> x = np.array([0, 1, 2, 3])
>>> y = np.array([0, 1, 2, 3, 4, 5])

meshgrid将创建两个坐标数组,可用于生成确定该网格的坐标对。

>>> xx, yy = np.meshgrid(x, y)
>>> xx
array([[0, 1, 2, 3],
       [0, 1, 2, 3],
       [0, 1, 2, 3],
       [0, 1, 2, 3],
       [0, 1, 2, 3],
       [0, 1, 2, 3]])
>>> yy
array([[0, 0, 0, 0],
       [1, 1, 1, 1],
       [2, 2, 2, 2],
       [3, 3, 3, 3],
       [4, 4, 4, 4],
       [5, 5, 5, 5]])

>>> import matplotlib.pyplot as plt
>>> plt.plot(xx, yy, marker='.', color='k', linestyle='none')
../_images/meshgrid_plot.png

mgrid#

numpy.mgrid可以用作创建网格的快捷方式。它不是一个函数,但在索引时会返回一个多维网格。

>>> xx, yy = np.meshgrid(np.array([0, 1, 2, 3]), np.array([0, 1, 2, 3, 4, 5]))
>>> xx.T, yy.T
(array([[0, 0, 0, 0, 0, 0],
        [1, 1, 1, 1, 1, 1],
        [2, 2, 2, 2, 2, 2],
        [3, 3, 3, 3, 3, 3]]),
 array([[0, 1, 2, 3, 4, 5],
        [0, 1, 2, 3, 4, 5],
        [0, 1, 2, 3, 4, 5],
        [0, 1, 2, 3, 4, 5]]))

>>> np.mgrid[0:4, 0:6]
array([[[0, 0, 0, 0, 0, 0],
        [1, 1, 1, 1, 1, 1],
        [2, 2, 2, 2, 2, 2],
        [3, 3, 3, 3, 3, 3]],

       [[0, 1, 2, 3, 4, 5],
        [0, 1, 2, 3, 4, 5],
        [0, 1, 2, 3, 4, 5],
        [0, 1, 2, 3, 4, 5]]])

ogrid#

与 类似numpy.mgridnumpy.ogrid返回一个开放的多维网格。这意味着当它被索引时,每个返回的数组只有一个维度大于 1。这避免了重复数据,从而节省内存,这通常是可取的。

这些稀疏坐标网格旨在与广播一起使用。当表达式中使用所有坐标时,广播仍然会产生全维结果数组。

>>> np.ogrid[0:4, 0:6]
[array([[0],
        [1],
        [2],
        [3]]), array([[0, 1, 2, 3, 4, 5]])]

这里描述的所有三种方法都可以用来计算网格上的函数值。

>>> g = np.ogrid[0:4, 0:6]
>>> zg = np.sqrt(g[0]**2 + g[1]**2)
>>> g[0].shape, g[1].shape, zg.shape
((4, 1), (1, 6), (4, 6))
>>> m = np.mgrid[0:4, 0:6]
>>> zm = np.sqrt(m[0]**2 + m[1]**2)
>>> np.array_equal(zm, zg)
True