上节课我们介绍了 numpy 的多维数组以及多维数组相对于列表的优势。

本节课我们来更进一步地介绍 numpy 的多维数组。

1.ndarray 的创建及获取属性

上节课我们有提到过 ndarray 的创建，我只需要将列表传入到 np.array() 函数中。例如：

import numpy as np

my_list = [1, 2, 3, 4, 5, 6]
my_arr = np.array(my_list)
print(my_arr)

ndarray 创建完成后，我们可以查看 ndarray 的属性。

1.1 查看类型

1.1.1 查看 ndarray 的类型。

import numpy as np

my_list = [1, 2, 3, 4, 5, 6]
my_arr = np.array(my_list)
print(type(my_arr))

由于类型为 ndarray，所以代码中得到的类型为 <class 'numpy.ndarray'>

1.1.2 查看 ndarray 中元素的类型

import numpy as np

my_list = [1, 2, 3, 4, 5, 6]
my_arr = np.array(my_list)
print(my_arr.dtype)

由于 ndarray 中的元素为整型，所以代码中得到的元素类型为int64。

1.2 查看维度信息

1.2.1 查看维度数

import numpy as np

my_list = [1, 2, 3, 4, 5, 6]
my_arr = np.array(my_list)
print(my_arr.ndim)

由于我们创建的是一维数组，所以代码中得到的维度数为 1。

1.2.2 查看数组大小

import numpy as np

my_list = [1, 2, 3, 4, 5, 6]
my_arr = np.array(my_list)
print(my_arr.size)

由于数组中包含 6 个元素，所以代码中得到的数组大小为 6。

1.2.3 查看各维度大小

import numpy as np

my_list = [1, 2, 3, 4, 5, 6]
my_arr = np.array(my_list)
print(my_arr.shape)

由于我们创建的是一维数组，所以代码中得到的结果为 (6,)。

1.3 查看元素信息

1.3.1 查看元素占用的存储空间

import numpy as np

my_list = [1, 2, 3, 4, 5, 6]
my_arr = np.array(my_list)
print(my_arr.itemsize)

由于元素的类型为 int64，所以占用的存储空间为 8 个字节。 上面讲的是一维数组的创建及数组属性的获取，下面来讲下二维数组。创建方法以及属性的获取都和一维数组一样，所以就不一一详细介绍了，只是把代码列出，同学们可以运行代码感受下。

import numpy as np

my_list = [[1.1, 2.2, 3.3], [4.4, 5.5, 6.6]]
my_arr = np.array(my_list)
print(type(my_arr))

import numpy as np

my_list = [[1.1, 2.2, 3.3], [4.4, 5.5, 6.6]]
my_arr = np.array(my_list)
print(my_arr.dtype)

import numpy as np

my_list = [[1.1, 2.2, 3.3], [4.4, 5.5, 6.6]]
my_arr = np.array(my_list)
print(my_arr.ndim)

import numpy as np

my_list = [[1.1, 2.2, 3.3], [4.4, 5.5, 6.6]]
my_arr = np.array(my_list)
print(my_arr.size)

import numpy as np

my_list = [[1.1, 2.2, 3.3], [4.4, 5.5, 6.6]]
my_arr = np.array(my_list)
print(my_arr.shape)

import numpy as np

my_list = [[1.1, 2.2, 3.3], [4.4, 5.5, 6.6]]
my_arr = np.array(my_list)
print(my_arr.itemsize)

在创建数组时，我们还可以明确指定元素的类型，例如：

import numpy as np

my_list = [[1, 2, 3], [4, 5, 6]]
my_arr = np.array(my_list, dtype = 'float64')
print(my_arr.dtype)

在上面的例子中，当我们明确指定元素类型时，虽然元素的类型为整型，但是由于明确指定了浮点型，所以得到的元素类型为浮点型。

2.使用函数创建 ndarray

前面创建 ndarray 的方法是将列表传入到函数 array() 中。除此之外，我们还可以使用函数来创建 ndarray。

2.1 arange 函数

arange 函数根据指定的范围以及设定的步长，生成一个 ndarray。

import numpy as np

my_arr = np.arange(0, 12)
print(my_arr)

上面的代码创建了一个包含 12 个元素的 ndarray，元素从 0 开始，到 11 结束，[ 0 1 2 3 4 5 6 7 8 9 10 11]。在使用 arange() 函数，当我们不指定步长时，默认的步长为 1。当然，我们亦可以明确指定步长。例如：

import numpy as np

my_arr = np.arange(0, 12, 3)
print(my_arr)

当我们指定步长为 3 时，生成的 ndarray 为 [0 3 6 9]。arange() 函数的参数不但可以为整数，还可以为小数。例如：

import numpy as np

my_arr = np.arange(0, 6, 0.6)
print(my_arr)

上面的代码生成了数组 [0. 0.6 1.2 1.8 2.4 3. 3.6 4.2 4.8 5.4]。 上面使用 arange() 函数生成的是一维数组，我们可以在生成一维数组后对其进行重塑，这样便可以得到多维数组。例如：

import numpy as np

my_arr = np.arange(0, 12).reshape(3, 4)
print(my_arr)

在上面的代码中，调用 reshape() 函数对生成的一维数组进行重塑，便得到一个 3 行 4 列的二维数组。

2.2 linspace 函数

linspace 函数用于在线性空间中以均匀步长生成 ndarray。

import numpy as np

my_arr = np.linspace(0, 10, 5)
print(my_arr)

上述代码对区间 [0, 10] 进行 5 等分，取每个分界点的数字组成数组，便得到一维数组 [ 0. 2.5 5. 7.5 10. ]。

2.3 zeros 函数

zeros 函数生成一个给定形状和类型的用 0 填充的 ndarray。

import numpy as np

my_arr = np.zeros(6)
print(my_arr)

上述代码生成一个 6 个 0 的一维数组 [0. 0. 0. 0. 0. 0.]。

import numpy as np

my_arr = np.zeros((2, 3))
print(my_arr)

上述代码生成一个 2 行 3 列的二维数组，[[0. 0. 0.][0. 0. 0.]]，数组的元素全为 0。在调用 zeros() 函数生成多维数组时，要注意传入的是一个元组，元组的各个元素指明了多维数组各个维度的大小。

2.4 ones 函数

ones() 函数和 zeros() 函数类似，只不过生成的数组中的元素全为 1。

import numpy as np

my_arr = np.ones(6)
print(my_arr)

上述代码生成一个 6 个 1 的一维数组 [1. 1. 1. 1. 1. 1.]。

import numpy as np

my_arr = np.ones((2, 3))
print(my_arr)

上述代码生成一个 2 行 3 列的二维数组，[[1. 1. 1.][1. 1. 1.]]，数组的元素全为 1。

2.5 random() 函数

我们可以使用 random() 函数来生成元素大小为随机的 ndarray。

import numpy as np

my_arr = np.random.random(3)
print(my_arr)

上面代码生成一个元素大小随机的一维数组 [0.56733043 0.49110822 0.87588511]。使用 random() 函数同样可以生成二维数组。

import numpy as np

my_arr = np.random.random((2, 3))
print(my_arr)

3.总结

4.练习题

使用 ones 函数创建一个 3*3 的 ndarray。