下载掌阅APP，畅读海量书库
立即打开
创建NumPy数组一般有以下3种方法。
● 通过传入可迭代对象创建，这是基本方法。
● 使用NumPy内部功能函数创建，这是一种通用方法。
● 读取外部数据创建。
基本方法是对已知可迭代对象创建ndarray数组，即通过在NumPy提供的array()方法中传入可迭代对象来创建数组。这种方法通常是在已知所有元素的情况下使用的。
基本方法的实现格式：np.array([可迭代对象])。
那什么是可迭代对象？Python可以对列表、元组、字典、字符串等类型的数据使用for...in...循环语法，从其中依次读取数据，我们把这样的过程称为遍历，也叫迭代。所以，我们把能够通过for...in...这类语句迭代读取一条条数据供用户使用的对象称为可迭代对象。
在NumPy中创建数组的基本方法如下。
>>>import numpy as np
>>> np.array([0, 1, 2, 3, 4]) #接收一个列表作为参数
array([0, 1, 2, 3, 4])
>>> np.array([[11, 12, 13],[21, 22, 23]]) #创建一个2*3的二维数组
array([[11, 12, 13],
[21, 22, 23]])
>>> np.array([[[1,2,3],[1,2,0]],[[5,6,7],[9,8,7]]]) #创建一个 2*2*3 的三维数组，可以将其理解为由两个或更多个二维数组组成三维数组。同样地，四维数组可以被理解为由两个或更多
个三维数组生成
array([[[1, 2, 3],
[1, 2, 0]],
[[5, 6, 7],
[9, 8, 7]]])
>>> np.array((0, 1, 2, 3, 4)) #接收一个元组作为参数
array([0, 1, 2, 3, 4])
#np.array()方法可以在创建数组的同时指定数据类型
>>> np.array([0, 1, 2, 3, 4], dtype=float) #注意数据类型使用dtype定义
array([0., 1., 2., 3., 4.])
#还可以将创建整数列表的range()函数返回的可迭代对象作为参数
>>> np.array(range(5))
array([0, 1, 2, 3, 4])
>>> np.array(range(10, 20, 2))
array([10, 12, 14, 16, 18])
>>>type(np.array(range(5))) #查看变量类型
numpy.ndarray
ndarray是同一个数据类型的数组，后面会有更详细的介绍。实现以下语句，查看返回的ndarray各元素的值。
np.array([0, 1, 2, 3, 4], dtype=str) np.array([0, 1, 2, 3, 4], dtype=bool)
通用方法指的是由NumPy提供的np.arange()、np.linspace()、np.ones()、np.zeros()、np.eye()、np.full()、np.random.random()、np.random.randint()方法直接生成数组。这些方法可以按照某种规则生成一个数组，并不需要传入已知的可迭代对象。
（1）np.arange()方法。
前面我们将range()函数的结果传递给np.array()，是对已知可迭代对象创建ndarray数组，这和NumPy中的np.arange()方法实现的功能是一样的。np.arange()方法是直接生成数组，可以说np.arange()方法就是NumPy中的range()方法。
>>> np.arange(5) array([0, 1, 2, 3, 4]) >>> np.arange(10, 20, 2) array([10, 12, 14, 16, 18])
（2）np.linspace()方法。
np.linspace()方法以等间距的形式划分给定的数来创建数组。
>>> np.linspace(10, 20, 5) #将10～20的数等距取5个 array([10. , 12.5, 15. , 17.5, 20. ])
（3）np.ones()方法。
np.ones()方法用于创建一个元素值全为1的数组，接收一个列表或者元组作为参数，这些参数决定创建数组的维数。
>>> np.ones([2]) #创建一个一维数组
array([1., 1.])
>>> np.ones([2, 2]) #创建一个二维数组
array([[1., 1.],
[1., 1.]])
>>>np.ones([2, 3, 3],dtype=int) #创建一个三维数组，该数组由2个3*3的二维数组组成
array([[[1, 1, 1],
[1, 1, 1],
[1, 1, 1]],
[[1, 1, 1],
[1, 1, 1],
[1, 1, 1]]])
（4）np.zeros()方法。
np.zeros()方法用于创建一个元素值全为0的数组，接收一个列表或者元组作为参数。
>>> np.zeros([3]) #创建一个一维数组，参数是一个列表[3]
array([0., 0., 0.])
>>> np.zeros((3, 3)) #创建一个二维数组，参数是一个元组(3, 3)
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
（5）np.eye()方法。
np.eye()方法用于创建一个从左上角到右下角的对角线上的元素值全为1，其余元素值全为0的数组（单位矩阵）。注意，np.eye()方法的参数可不再是列表或者元组了。
>>> np.eye(3, 3) #注意np.eye()方法与np.zeros()、np.ones()方法参数的区别，np.eye()方法的参数是两个数值
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
>>> np.eye(2, 3)
array([[1., 0., 0.],
[0., 1., 0.]])
可以将对称的矩阵（如上面的np.eye(3, 3)）简写为np.eye(3)，其结果是相同的。
当然，以上生成数组的数值类型默认是浮点型，如果设置为其他数值类型可使用dtype定义。
（6）np.full()方法。
np.full()方法可以创建一个填充给定数值的数组。数组由两个参数组成：第1个参数是定义数组形状的列表或元组，第2个参数是需要填充的数值。
>>> np.full((2, 3), 3) #创建一个2*3的数组，所有元素都填充3
array([[3, 3, 3],
[3, 3, 3]])
（7）np.random.random()方法。
np.random.random()方法用于创建一个元素值为0~1的随机数数组，接收一个列表或者元组作为参数。
>>> np.random.random((3, 3)) #创建一个3行3列的二维数组
array([[0.19414645, 0.2306415 , 0.08072019], #数组元素是随机产生的
[0.68814308, 0.48019088, 0.61438206],
[0.5361477 , 0.33779769, 0.38549407]])
（8）np.random.randint()方法。
既然有np.random.random()方法，就会有np.random.randint()方法，也就是取随机整数的方法。不过这个np.random.randint()方法参数的形式与Python的random.random()不太一样，具体请看下面的实例。
>>>import random
>>>random.random() #取0～1的随机数
0.4481402883460749
>>>random.randint(10,20) #取10～20的随机整数
15
#注意np.random.randint()方法与Python的random.random()方法的异同
>>> np.random.randint(1, 10, 3) #从1～10中随机取3个整数创建一维数组
array([6, 4, 6])
>>> np.random.randint(1, 10,(2,3)) #创建2行3列的二维数组，参数(2,3)是数组形状
array([[7, 4, 3],
[9, 1, 6]])
数组形状就是数组的维数。事实上，比较np.random.randint()方法与Python的random.random()方法，我们就会发现，Python的random.random()方法主要是实现一个随机数，而np.random.randint()方法是一次生成一个数组的随机数，并且可以定义不同的数组形状。
数据分析离不开对数据的获取，NumPy也支持从外部读取数据来创建数组，例如从硬盘中读取CSV、TXT等文本文件来创建数组。np.loadtxt()是NumPy中读取文件的一个方法（NumPy还有其他读文件的方法，本书只介绍该方法），其一般用法：np.loadtxt(fname, dtype=<class 'float'>, comments='#', delimiter=None, converters=None, skiprows=0,usecols=None, unpack=False)。
各参数说明如下。
● fname：要读取的文件、文件名或生成器。
● dtype：数据类型，默认为浮点型。
● comments：注释，默认是#。
● delimiter：分隔符，默认是空格。
● converters：转换器，可以对读入的数据设置转换操作，一般与转换函数配合使用。
● skiprows：跳过前几行读取，默认是0，必须是整型。
● usecols：要读取哪些列，0是第1列。例如，usecols = (1,4,5)将提取第2、5和6列。默认读取所有列。
● unpack：如果为True，将分列读取，有多少列就返回多少个向量数组；如果为默认的False，则分行读取，将读取的列合并为一个向量元素。
上面给出了np.loadtxt()方法所有的关键字参数，下面我们只对感兴趣的参数给出示例。
在d盘的data目录下创建一个id.csv文件，文件内容如下。（表示路径的方式有“/”和“\\”两种，本书统一采用“\\”）
id,height,length 1,100,101 2,200,230 3,300,350
通过NumPy读取数据。
>>> np.loadtxt('d:\\data\\id.csv',delimiter=',',skiprows=1) #也可以写成
#np.loadtxt(fname='d:\\data\\id.csv',delimiter=',',skiprows=1)
array([[ 1., 100., 101.], #按行输出
[ 2., 200., 230.],
[ 3., 300., 350.]])
>>>np.loadtxt('d:\\data\\id.csv',delimiter=',',skiprows=1,unpack=True)# 增加unpack参数
array([[ 1., 2., 3.], #按列输出，一列为一维
[100., 200., 300.],
[101., 230., 350.]])
第1个参数fname为'd:\\data\\id.csv'，是读取的文件名称。
第2个参数delimiter是指定读取文件中数据的分割符。
第3个参数skiprows是选择跳过的行数。
我们可以比较unpack参数的作用，默认行数据为数组元素。将其值设为True，则按列输出。
读取外部数据的方法还有np.genfromtxt()等，在此不再介绍，读者可自行查阅相关知识学习。
np.savetxt()方法需要2个参数：第1个参数是文件名，数据类型为字符串；第2个参数是被写入文件的数据，数据类型为ndarray对象。
需要说明的是，写入的ndarray数组元素数据为字符串内容时，写入会出错。这是因为NumPy是一个数学计算包，侧重数值的处理，只能写入数值数据。另外，使用NumPy可直接导入数值数据，但读字符串会出错，如果必须读入文本数据，一般会使用转换器对应的函数将文本转换为数值。
下面举例说明使用np.savetxt()方法写入文本文件。
>>>import numpy as np
>>> matrix=np.eye(2).astype('int') #生成对称矩阵二维数组，并将其值转换为整数
>>> matrix #查看矩阵数组
array([[1, 0], #显示结果
[0, 1]])
>>> matrix.dtype #查看矩阵二维数组的数据类型
dtype('int32') #显示为32位的整数
>>> np.savetxt('d:\\data\\eys.txt',matrix) #使用np.savetxt()方法写入文本文件
写入文本文件的结果如图1-1所示。
图1-1 使用np.savetxt()方法写入文本文件的结果
从图1-1可以看出，ndarray对象中的元素数据类型原本为整型，但写入文件时转变为浮点型。同样，使用np.loadtxt()方法载入数据时，即使原来文本中数据的类型为整型，载入后转换为ndarray数组的数据类型也会默认变成浮点型，读者可自行试验。