Python科学计算：NumPy入门与ndarray详解

"ndarray对象-hls协议官方文档" 在Python的科学计算领域，NumPy库是不可或缺的一部分，其中的核心对象就是`ndarray`（n-dimensional array，多维数组）。这个对象允许我们高效地处理大量的数据，并且支持各种数学运算。在本节中，我们将深入探讨`ndarray`对象的创建、元素存取、多维数组、结构数组以及内存结构。 2.1.1 创建`ndarray` 创建`ndarray`通常通过几种方式实现：一是使用`numpy.array()`函数，可以传入列表、元组或其他序列类型的数据；二是使用`numpy.zeros()`或`numpy.ones()`创建指定形状和数据类型的全零或全一数组；三是使用`numpy.empty()`创建未初始化的数组，其内容是随机的。 例如： ```python import numpy as np # 从列表创建数组 arr1 = np.array([1, 2, 3, 4]) # 创建全零数组 arr2 = np.zeros((3, 4)) # 创建全一数组 arr3 = np.ones((2, 3)) # 创建未初始化的数组 arr4 = np.empty((2, 2)) ``` 2.1.2 存取元素 `ndarray`中的元素可以通过索引来访问。一维数组的索引类似于列表，而多维数组则使用括号进行逐维度的索引。切片操作同样适用，可以提取子数组。 ```python # 访问一维数组的元素 print(arr1[0]) # 访问二维数组的元素 print(arr2[1, 2]) # 切片操作 print(arr2[:2, :2]) ``` 2.1.3 多维数组 `ndarray`支持多维数组，这使得处理矩阵和其他高维数据变得方便。数组的维度由形状属性`shape`表示，例如`(3, 4)`表示3行4列的二维数组。数组的秩（rank）是其维度的数量。 2.1.4 结构数组 结构数组（structured arrays）允许将不同数据类型的元素组合成一个数组。每个元素可以看作是一个小记录，包含多个字段，每个字段有自己的名称和数据类型。 ```python # 创建结构数组 dt = np.dtype([('name', 'U10'), ('age', 'i4'), ('score', 'f4')]) people = np.array([('Alice', 25, 85.5), ('Bob', 30, 90)], dtype=dt) # 访问结构数组的字段 print(people['name']) print(people['score']) ``` 2.1.5 内存结构 `ndarray`在内存中是连续存储的，这意味着所有元素都在内存的同一块区域。数组的步长（strides）是移动到下一个元素所需的字节数。了解内存结构对于优化代码和理解数据访问效率至关重要。 NumPy的`ndarray`对象是进行科学计算的强大工具，它的高效内存管理、丰富的数学运算功能以及对多维数据的支持，使得它成为Python中处理数组数据的标准选择。结合其他库如SciPy、SymPy和matplotlib，可以实现复杂的数值计算、符号运算和数据可视化。