NumPy ndarray数组的创建

NumPy 是 Python 的外部库，不在标准库中，若要使用它，需要先导入 NumPy：

import numpy as np

导入 NumPy 库后，可通过np.+Tab键查看可使用的函数，如果对其中一些函数的使用不是很清楚，还可以在对应函数加上?，再运行，就可以很方便地看到如何使用函数的帮助信息。

输入np.然后按 Tab 键，将出现如下界面：

运行如下命令，便可查看函数 abs 的详细帮助信息。

np.abs?

NumPy 不但强大，而且还非常友好。下面将介绍Numpy的一些常用方法，尤其是与机器学习、深度学习相关的一些内容。

NumPy 封装了一个新的数据类型 ndarray（N-dimensional Array），它是一个多维数组对象。该对象封装了许多常用的数学运算函数，方便我们做数据处理、数据分析等。那么，如何生成 ndarray 呢？这里介绍生成 ndarray 的几种方式，包括：

• 从已有数据中创建；
• 利用 random 创建；
• 创建特定形状的多维数组；
• 利用 arange、linspace 函数生成等。

从已有数据中创建数组

直接对 Python 的基础数据类型（如列表、元组等）进行转换来生成 ndarray：

1) 将列表转换成 ndarray：

import numpy as np

ls1 = [10, 42, 0, -17, 30]
nd1 =np.array(ls1)
print(nd1)
print(type(nd1))

运行结果：

[ 10  42   0 -17  30]
<class 'numpy.ndarray'>

2) 嵌套列表可以转换成多维 ndarray：

import numpy as np

ls2 = [[8, -2, 0, 34, 7], [6, 7, 8, 9, 10]]
nd2 =np.array(ls2)
print(nd2)
print(type(nd2))

运行结果：

[[ 8 -2  0 34  7]
[ 6  7  8  9 10]]
<class 'numpy.ndarray'>

对于上面两个例子，也可以把列表换成元组，同样也适用。

利用 random 模块生成数组

在深度学习中，我们经常需要对一些参数进行初始化，因此为了更有效地训练模型，提高模型的性能，有些初始化还需要满足一定的条件，如满足正态分布或均匀分布等。这里介绍了几种 np.random 模块中常用的方法，如下表所示。

表1：np.random 模块常用函数

函数	描述
np.random.random	生成0到1之间的随机数
np.random.uniform	生成均勻分布的随机数
np.random.randn	生成标准正态的随机数
np.random.randint	生成随机的整数
np.random.normal	生成正态分布
np.random.shuffle	随机打乱顺序
np.random.seed	设置随机数种子
random_sample	生成随机的浮点数

下面来看一些函数的具体使用：

import numpy as np

nd3 =np.random.random([4, 3])  #生成4行3列的数组
print(nd3)
print("nd3的形状为：",nd3.shape)

运行结果：

[[0.59115057 0.52022516 0.05992361]
 [0.5077815  0.81313999 0.70061259]
 [0.24654561 0.11705634 0.71399966]
 [0.73964407 0.57138345 0.89284498]]
nd3的形状为： (4, 3)

为了每次生成同一份数据，可以指定一个随机种子，使用 shuffle() 函数打乱生成的随机数。

import numpy as np

np.random.seed(123)
nd4 = np.random.randn(4, 3)
print(nd4)
np.random.shuffle(nd4)
print("随机打乱后数据:")
print(nd4)
print(type(nd4))

运行结果：

[[-1.0856306   0.99734545  0.2829785 ]
 [-1.50629471 -0.57860025  1.65143654]
 [-2.42667924 -0.42891263  1.26593626]
 [-0.8667404  -0.67888615 -0.09470897]]
随机打乱后数据:
[[-1.50629471 -0.57860025  1.65143654]
 [-2.42667924 -0.42891263  1.26593626]
 [-0.8667404  -0.67888615 -0.09470897]
 [-1.0856306   0.99734545  0.2829785 ]]
<class 'numpy.ndarray'>

创建特定形状的多维数组

参数初始化时，有时需要生成一些特殊矩阵，如全是 0 或 1 的数组或矩阵，这时我们可以利用 np.zeros、np.ones、np.diag 来实现，如下表所示。

表2：NumPy 自带的数组创建函数

函数	描述
np.zeros((3, 4))	创建 3×4 的元素全为 0 的数组
np.ones((3, 4))	创建 3×4 的元素全为 1 的数组
np.empty((2, 3))	创建 2×3 的空数组，空数据中的值并不为 0，而是未初始化的垃圾值
np.zeros_like(ndarr)	以 ndarr 相同维度创建元素全为  0数组
np.ones_like(ndarr)	以 ndarr 相同维度创建元素全为 1 数组
np.empty_like(ndarr)	以 ndarr 相同维度创建空数组
np.eye(5)	该函数用于创建一个 5×5 的矩阵，对角线为 1，其余为 0
np.full((3,5), 10)	创建 3×5 的元素全为 10 的数组，10 为指定值

下面通过几个示例说明：

import numpy as np

# 生成全是 0 的 3x3 矩阵
nd5 =np.zeros([3, 3])
# 生成全是 1 的 3x3 矩阵
nd6 = np.ones([3, 3])
# 生成 4 阶的单位矩阵
nd7 = np.eye(4)
# 生成 4 阶对角矩阵
nd8 = np.diag([1, 8, 3, 10])

print("nd5 =/n", nd5)
print("nd6 =/n", nd6)
print("nd7 =/n", nd7)
print("nd8 =/n", nd8)

运行结果：

nd5 =
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
nd6 =
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
nd7 =
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
nd8 =
[[ 1  0  0  0]
[ 0  8  0  0]
[ 0  0  3  0]
[ 0  0  0 10]]

有时还可能需要把生成的数据暂时保存到文件中，以备后续使用。

import numpy as np

nd9 =np.random.random([3, 5])
np.savetxt(X=nd9, fname='./data.txt')
nd10 = np.loadtxt('./data.txt')
print(nd10)

运行结果：

[[0.1744383  0.15515217 0.74885812 0.57633094 0.06300636]
[0.24340527 0.65213913 0.07284238 0.52232677 0.58538849]
[0.83611286 0.76508018 0.26018483 0.20485587 0.95476232]]

打开当前目录下的 data.txt 也可以看到格式化的数据。

利用 arange() 和 linspace() 函数生成数组

arange() 是 numpy 模块中的函数，其格式为：

arange([start,] stop[,step,], dtype=None)

其中，start 与 stop 用来指定范围，step 用来设定步长。在生成一个 ndarray 时，start 默认为0，步长 step 可为小数。Python 有个内置函数 range，其功能与此类似。

请看下面的代码：

import numpy as np

print(np.arange(10))
print(np.arange(0, 10))
print(np.arange(1, 4, 0.5))
print(np.arange(9, -1, -1))

运行结果：

[0 1 2 3 4 5 6 7 8 9]
[0 1 2 3 4 5 6 7 8 9]
[1.  1.5 2.  2.5 3.  3.5]
[9 8 7 6 5 4 3 2 1 0]

linspace() 也是 numpy 模块中常用的函数，其格式为：

np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

linspace() 可以根据输入的指定数据范围以及等份数量，自动生成一个线性等分向量，其中 endpoint（包含终点）默认为 True，等分数量 num 默认为 50。如果将 retstep 设置为True，则会返回一个带步长的 ndarray。

请看下面的代码：

import numpy as np

print(np.linspace(0, 1, 10))

运行结果：

[0.         0.11111111 0.22222222 0.33333333 0.44444444 0.55555556
0.66666667 0.77777778 0.88888889 1.        ]

值得一提的是，这里并没有像我们预期的那样，生成 0.1,0.2,…,1.0 这样步长为 0.1 的 ndarray，这是因为 linspace 必定会包含数据起点和终点，那么其步长则为 (1-0)/9=0.11111111。如果需要产生 0.1,0.2,…,1.0 这样的数据，只需要将数据起点 0 修改为 0.1 即可。

除了上面介绍到的 arange() 和 linspace()，NumPy 还提供了 logspace() 函数，该函数的使用方法与 linspace() 的使用方法一样，读者不妨自己动手试一下。