Python numpy.array详解：创建、读取与操作

"numpy.array函数简介" 在Python的科学计算库Numpy中，`numpy.array`是核心的构造函数，用于创建多维数组，也被称为数组对象或 Ndarray。Ndarray 是一种高效的数据结构，它能够存储同类型的元素，包括整数、浮点数、复数甚至字符串。`numpy.array` 函数允许我们以多种方式创建数组，并提供了丰富的操作和功能。 ### 创建数组 1. **基础创建**：通过列表或其他序列创建数组，如 `np.array([[1,2,3,4],[4,5,6,7],[7,8,9,10]], dtype=np.float)` 创建了一个3x4的浮点数数组。 2. **arange**：使用 `np.arange(start, stop, step)` 创建等差序列，例如 `np.arange(0, 1, 0.1)` 生成0到1（不包含1）之间，步长为0.1的数组。 3. **linspace**：`np.linspace(start, stop, num)` 创建等差序列，其中`num`是元素个数。如 `np.linspace(0, 1, 5)` 返回五个均匀间隔的点。 4. **logspace**：`np.logspace(start, stop, num)` 生成对数等比序列，如 `np.logspace(0, 1, 5)` 产生10的幂次方的等比序列。 5. **fromstring**：使用字符串创建数组，`np.fromstring(s, dtype=np.int8)` 把字符串`s`转换成整型数组。 6. **fromfunction**：`np.fromfunction(function, shape)` 根据给定的函数和形状生成数组。例如，`np.fromfunction(func2, (9, 9))` 用函数`func2`的值填充9x9的数组。 7. **ones** 和 **zeros**：`np.ones(shape)` 和 `np.zeros(shape)` 分别创建全1和全0的数组，如 `np.ones((2,2))` 和 `np.zeros((2,2))`。 ### 数组属性 - **dtype**：数组元素的数据类型，如 `np.array(..., dtype=np.float)` 指定为浮点型。 - **shape**：数组的维度和大小，可以通过 `.shape` 属性访问。例如，一个3x4数组的`.shape`为 `(3, 4)`。可以通过 `.reshape(new_shape)` 改变数组的形状，但需保证元素总数不变。 ### 数组操作 - **索引和切片**：数组的索引和切片操作与Python列表类似，但多维数组支持更复杂的切片，如 `arr[1:3, 2:]`。 - **布尔索引**：可以使用布尔数组或条件表达式（如 `arr > 0.5`）来选择满足条件的元素。 ### 其他知识点 - **内存共享**：通过切片或方法如 `reshape` 创建的新数组与原始数组共享内存，这意味着修改其中一个会影响另一个。 - **广播机制**：当进行数组运算时，如果两个数组的形状不匹配，Numpy会尝试“广播”较小的数组以适应较大的数组，以便进行计算。 - **ufuncs**：通用函数（Uniformed Function），如加法、乘法等，可以应用于整个数组，实现高效的向量化操作。 `numpy.array` 是Numpy库的基础，它提供了一种高效的方式来存储和处理大量数据，结合其他Numpy函数和方法，可以进行复杂的数值计算和数据分析。掌握 `numpy.array` 的使用对于任何需要处理大量数据的Python程序员都是至关重要的。