--- jupyter: jupytext: text_representation: extension: .md format_name: markdown format_version: '1.2' jupytext_version: 1.3.0rc2 kernelspec: display_name: Python 3 language: python name: python3 --- .. meta:: :description: Topic: Creating numpy arrays, Difficulty: Easy, Category: Section :keywords: create array, ndarray, ones, random, zeros, empty, examples, arange, linspace, reshape, hstack, vstack # 创建NumPy数组的函数 本节将会讨论创建不同形状和内容的NumPy数组的方法。NumPy提供了非常多的创建数组的函数： ```python >>> import numpy as np # 使用Python序列创建数组 >>> np.array([i**2 for i in range(5)]) array([ 0, 1, 4, 9, 16]) # 创建成员都是1的数组 >>> np.ones((2, 4)) array([[ 1., 1., 1., 1.], [ 1., 1., 1., 1.]]) # 创建成员为均匀分布数字的数组 >>> np.linspace(0, 10, 5) array([ 0. , 2.5, 5. , 7.5, 10. ]) # 通过随机从平均值为1，标准差为5的正态分布中 # 抽取10个数字来创建一个数组 >>> np.random.normal(1, 5, 10) array([ 2.549537 , 2.75144951, 0.60031823, 3.75185732, 4.65543858, 0.55779525, 1.15574987, -1.98461337, 5.39771083, -7.81395192]) # 创建某个特定数据类型的数组 >>> np.array([1.5, 3.20, 5.78], dtype=int) array([1, 3, 5]) ``` ## 使用Python序列创建数组 你可以利用NumPy的 `array` 函数利用Python的 `list` 或 `tuple` 来创建数组。NumPy将分析它接受的数据结构来决定数组的维度和形状。比如说，一列表的数字将会被用来创建一个1维数组： ```python # 一列表的数字会成为1维数组 >>> np.array([1., 2., 3.]) # 形状：(3,) array([ 1., 2., 3.]) ``` 嵌套的列表/元组将会被用来创建多维数组。比如说，“成员为等长的数字列表的列表”将会成为2维数组；列表中的每一个子列表都会成为数组中的一行。因此，一个长度为2，成员为长度为3的列表将会导致一个形状为 (2,3) 的数组被创建： ```python # 一列表的数字列表将会创建2维数组 >>> np.array([[1., 2., 3.], [4., 5., 6.]]) # 形状：(2, 3) array([[ 1., 2., 3.], [ 4., 5., 6.]]) ``` “成员为成员为等长的数字列表的等长数字列表的列表”将会成为3维数组，如此反复。请回忆，通过使用重复粘贴，`[0]*3` 将会创建 `[0, 0, 0]`。让我们使用这个来创建两个成员为三个每个包含四个0的列表的列表吧；因此将这个列表输入到 `np.array` 中会创建一个2x3x4的内容为0的数组： ```python # 一列表的数字0列表的列表会成为一个3维数组 >>> np.array([[[0]*4]*3]*2) array([[[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]], [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]]]) ``` 你很少会需要使用列表来像这样创建高维数组。与其如此，我们将在下面介绍其它更加方便生成高维度数据的数组创建函数。比如说，我们将会看到 `np.zeros` 函数为我们提供了一个更文明的创建高维0数组的方法。
**警告**！ 你其实*可以*通过成员为*不等长*列表的列表来创建数组。这样做产生的数组并*不是*一个N维数组，因为它没有定义明确的维度。这样做会产生一个*对象数组*（object array），而它并不能享受大部分的NumPy功能和好处。这是NumPy模组比较少见的一个特征。如果你不真的很清楚自己在做什么的话就避免使用它！
## 创建常量数组：`zeros` 和 `ones` NumPy提供了函数 `zeros` 和 `ones`，其创建用户提供形状的成员数字分别为0和1的数组。 ```python # 创建一个 3x4 的0数组 >>> np.zeros((3, 4)) array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]]) # 创建一个形状为 (4,) 的1数组 >>> np.ones((4,)) array([ 1., 1., 1., 1.]) ``` NumPy提供了额外的创建常数值数组的函数。请查看[官方说明文档](https://docs.scipy.org/doc/numpy/reference/routines.array-creation.html#ones-and-zeros)来阅读完整的列表。 ## 创建序列数组：`arange` 和 `linspace` [arange](https://docs.scipy.org/doc/numpy/reference/generated/numpy.arange.html#numpy.arange)函数允许你根据一个起始点（start）（包含），结尾点（stop）（不包含），和步距（step）来初始化一序列的整数。这和 `range` 函数很相似；但是，`arange` 将立刻将这个序列创建成数组，而 `range` 返回一个生成器。 ```python >>> np.arange(0, 10, 1) # start（包含）：0，stop（不包含）：10，step：1 array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) # 仅仅为 `arange` 提供一个数字相当于为其提供结尾点 # 默认使用start=0 和 step=1 >>> np.arange(10) # 等值于：start：0，stop：10，step：1 array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> np.arange(-5, 6, 2) # start（包含）：-5，stop（不包含）：6，step：2 array([-5, -3, -1, 1, 3, 5]) ``` [linspace](https://docs.scipy.org/doc/numpy/reference/generated/numpy.linspace.html)函数提供了在用户提供的范围 $[i, j]$（$i$ 和 $j$ 都在这个范围内包括）内生成 $N$ 个*等距*的点的功能。这函数经常用来生成计算数学函数时使用的输入域值（例，在 $-\pi$ to $\pi$ 之间等距计算sine函数的值）。 ```python # 在 [-1, 1] 中生成5个等距的点 >>> np.linspace(-1, 1, 5) array([-1. , -0.5, 0. , 0.5, 1. ]) # 在 [3, 4] 中生成2个等距的点 >>> np.linspace(3, 4, 2) array([ 3., 4.]) # 在 [-pi, pi] 中生成100个等距的点 >>> np.linspace(-np.pi, np.pi, 100) array([-3.14159265, ..., 3.14159265]) ``` NumPy提供了其它用来创建序列数组的函数，如在对数刻度上创建等距数组。请查看[官方说明文档](https://docs.scipy.org/doc/numpy/reference/routines.array-creation.html#numerical-ranges)来阅读完整列表。 ## 随机取值来生成数组 在 `np.random` 中有多个函数可以根据用户的形状创建数组，其值由某用户选择的统计分布中随机抽取得到： ```python # 通过在 [0, 1) 中均匀分布来创建形状为 (3,3) 的数组 >>> np.random.rand(3,3) array([[ 0.09542611, 0.13183498, 0.39836068], [ 0.7358235 , 0.77640024, 0.74913595], [ 0.37702688, 0.86617624, 0.39846429]]) # 通过从平均值为0，方差为1的正态分布（也就是高斯分布）中抽取值 # 来创建形状为 (5,) 的数组 >>> np.random.randn(5) array([-1.11262121, -0.35392007, 0.4245215 , -0.81995588, 0.65412323]) ``` 当然，NumPy有着[非常多其它的函数](https://docs.scipy.org/doc/numpy/reference/routines.random.html#distributions)来允许你从很多种类的统计分布中抽取值。本文介绍的内容仅仅NumPy中随机生成数字功能的皮毛而已。 ## 创建某数据类型的数组 在之前的所有函数中你都可以向其输入一个关键词参数 `dtype` 来指示NumPy在创建函数内容时使用指定的数据类型。 ```python # 向数组中填满32比特的浮点数 >>> np.array([1, 2, 3], dtype="float32") array([ 1., 2., 3.], dtype=float32) # `arange` 使用的默认数据类型为32比特整数 >>> np.arange(0, 4).dtype dtype('int32') # 通过设置 `dtype` 你可以调整 `arange` 产生的数据类型 >>> np.arange(0, 4, dtype="float16") array([ 0., 1., 2., 3.], dtype=float16) # 生成形状为 (4,4) 的数组，其成员为64比特的复数0 >>> np.zeros((4, 4), dtype="complex64") array([[ 0.+0.j, 0.+0.j, 0.+0.j, 0.+0.j], [ 0.+0.j, 0.+0.j, 0.+0.j, 0.+0.j], [ 0.+0.j, 0.+0.j, 0.+0.j, 0.+0.j], [ 0.+0.j, 0.+0.j, 0.+0.j, 0.+0.j]], dtype=complex64) ``` 请查看[NumPy官方说明文档](https://docs.scipy.org/doc/numpy/user/basics.types.html#array-types-and-conversions-between-types)来阅读完整的可用数组数据类型列表。 ## 合并数组 和Python的列表和元组类似，1你可以粘连多个NumPy数组。但是，因为NumPy的数组可以是多维度的，我们可以选择粘连数组的维度。 ```python # 演示合并数组的方法 >>> x = np.array([1, 2, 3]) >>> y = np.array([-1, -2, -3]) # 将 `x` 和 `y` “竖向”（vertically）堆积（stack） >>> np.vstack([x, y]) array([[ 1, 2, 3], [-1, -2, -3]]) # 将 `x` 和 `y` “横向”（horizontally）堆积 >>> np.hstack([x, y]) array([ 1, 2, 3, -1, -2, -3]) ``` 合并数组的完整函数列表[可以在NumPy官方说明文档](https://docs.scipy.org/doc/numpy/reference/routines.array-manipulation.html#joining-arrays)找到。NumPy也提供对应的函数来将单个数组切分成多个独立数组。 ## 官方说明文档链接 - [常数数组](https://docs.scipy.org/doc/numpy/reference/routines.array-creation.html#ones-and-zeros) - [numpy.array](https://docs.scipy.org/doc/numpy/reference/generated/numpy.array.html#numpy-array) - [序列数组](https://docs.scipy.org/doc/numpy/reference/routines.array-creation.html#numerical-ranges) - [随机分布](https://docs.scipy.org/doc/numpy/reference/routines.random.html#distributions) - [数组类型](https://docs.scipy.org/doc/numpy/user/basics.types.html#array-types-and-conversions-between-types) - [合并数组](https://docs.scipy.org/doc/numpy/reference/routines.array-manipulation.html#joining-arrays)