NumPy 现有数据创建数组
说明
NumPy 教程 持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》 和 《Python之光》。
通常，可以通过使用 array() 函数将 Python 中以数组状结构排列的数值数据转换为数组。 最明显的例子是列表和元组。
概览
有以下常用的方法，可以将现有的各类数据创建一个数组（按 np.xxx 格式使用）。
| 方法 | 说明 |
|---|---|
| np.array(object[, dtype, copy, order, subok, ndmin]) | 创建数组的基本方法 |
| np.asarray(a[, dtype, order]) | 将输入转换为数组 |
| np.asanyarray(a[, dtype, order]) | 将输入转换为ndarray，但传递ndarray子类 |
| np.ascontiguousarray(a[, dtype]) | 返回内存中的连续数组（ndim>=1），C 顺序 |
| np.asmatrix(data[, dtype]) | 将输入解释为矩阵 |
| np.copy(a[, order, subok]) | 返回给定对象的数组副本 |
| np.frombuffer(buffer[, dtype, count, offset]) | 将缓冲区解释为一维数组 |
| np.fromfile(file[, dtype, count, sep, offset]) | 从文本或二进制文件中的数据构造数组 |
| np.fromfunction(function, shape, *[, dtype]) | 通过在每个坐标上执行函数来构造数组 |
| np.fromiter(iterable, dtype[, count]) | 从可迭代对象对象创建一个新的一维数组 |
| np.fromstring(string[, dtype, count, sep]) | 从字符串中的文本数据初始化的新一维数组 |
| np.loadtxt(fname[, dtype, comments, delimiter, …]) | 从文本文件加载数据 |
创建数组 numpy.array
np.array 是最为基本的创建数组的方法，返回一个满足指定要求的数组对象 ndarray。
它的语法格式如下：
# 创建一个数组
numpy.array(object, dtype=None, *,
copy=True, order='K',
subok=False, ndmin=0)
参数
-
object: array_like
数组、任何暴露数组接口的对象，对象的__array__方法返回数组或者任何（嵌套的）序列 -
dtype: data-type, optional
数组所需要的数据类型。 如果未给出，则将类型认定为在序列中保存对象所需的最小类型（minimum type） -
copy: bool, optional
如果为 true（默认值），则复制对象。 否则，将仅用__array__返回副本，如果obj 是嵌套序列或满足其他任何要求（dtype，order 等）需要副本时，才创建副本 -
order: {‘K’, ‘A’, ‘C’, ‘F’}, optional
指定数组的内存布局。 如果 object 不是数组，则除非指定为 'F'，否则新创建的数组将以 C 顺序（行为主），在这种情况下，它将以 Fortran 顺序（列为主）。 如果object 是一个数组，则保持以下规则：
| order | copy=False | copy=True |
|---|---|---|
| ‘K’ | unchanged | 保留 F＆C 顺序，否则最相似的顺序 |
| ‘A’ | unchanged | 如果输入是 F 而不是 C，则为 F 顺序，否则为 C 顺序 |
| ‘C’ | C order | C 顺序 |
| ‘F’ | F order | F 顺序 |
注：当顺序为“ A”且对象不是 “ C”或 “ F” 顺序的数组，并且由于 dtype 的变化而强制执行复制时，结果的顺序不一定就是预期的 “ C”。 这可能是一个 bug。
-
subok: bool, optional
如果为 True，则将传递子类，否则，返回的数组将被强制为基类数组（默认） -
ndmin: int, optional
指定结果数组应具有的最小维数，可以根据需要预先添加形状
例子
np.array([1, 2, 3])
# array([1, 2, 3])
向上造型：
np.array([1, 2, 3.0])
# array([ 1., 2., 3.])
多个维度：
np.array([[1, 2], [3, 4]])
'''
array([[1, 2],
[3, 4]])
'''
最小维数为 2：
np.array([1, 2, 3], ndmin=2)
# array([[1, 2, 3]])
指定类型：
np.array([1, 2, 3], dtype=complex)
# array([ 1.+0.j, 2.+0.j, 3.+0.j])
数据类型包含多个元素：
x = np.array([(1,2),(3,4)],dtype=[('a','<i4'),('b','<i4')])
x['a']
# array([1, 3])
从子类创建数组：
np.array(np.mat('1 2; 3 4'))
'''
array([[1, 2],
[3, 4]])
'''
np.array(np.mat('1 2; 3 4'), subok=True)
'''
matrix([[1, 2],
[3, 4]])
'''
转为数组 numpy.asarray
numpy.asarray(a, dtype=None, order=None) 将输入的类似列表的序列转换为数组。返回一个 ndarray。如果输入已经是具有匹配 dtype 和 order 的 ndarray，则不执行复制。 如果 a 是 ndarray 的子类，则返回基类 ndarray。
参数
其中参数为：
-
a: array_like
输入数据，可以转换为数组的任何形式。 这包括列表，元组嵌套列表，元组，元组嵌套元组，列表嵌套元组 和 ndarray -
dtype: data-type, optional
默认情况下，从输入数据中推断出数据类型 -
order: {‘C’, ‘F’}, optional
是使用行优先（C 风格）还是列优先（Fortran 风格）内存表示形式， 默认按“ C”
例子
将列表转换为数组：
a = [1, 2]
np.asarray(a)
# array([1, 2])
现有数组未复制：
a = np.array([1, 2])
np.asarray(a) is a
# True
如果设置了 dtype，则仅当 dtype 不匹配时才复制数组：
a = np.array([1, 2], dtype=np.float32)
np.asarray(a, dtype=np.float32) is a
# True
np.asarray(a, dtype=np.float64) is a
# False
与 asanyarray 相反，ndarray 子类未通过传递：
issubclass(np.recarray, np.ndarray)
# True
a = np.array([(1.0, 2), (3.0, 4)], dtype='f4,i4').view(np.recarray)
np.asarray(a) is a
# False
np.asanyarray(a) is a
# True
作为任意数组 numpy.asanyarray
numpy.asanyarray(a, dtype=None, order=None) 将输入转换为 ndarray，如果 a 是 ndarray 或 ndarray 的子类，则按原样返回它，并且不执行复制。
将列表转换为数组：
a = [1, 2]
np.asanyarray(a)
# array([1, 2])
ndarray 子类的实例按原样传递：
a = np.array([(1.0, 2), (3.0, 4)], dtype='f4,i4').view(np.recarray)
np.asanyarray(a) is a
# True
深拷贝 numpy.copy
返回给定对象的数组副本，相当于 np.array(a, copy=True)。
x = np.array([1, 2, 3])
y = x # 赋值
z = np.copy(x) # 深拷贝
x[0] = 0 # 修改数据
x
# array([0, 2, 3])
y # 随 x 修改而修改
# array([0, 2, 3])
z # 深拷贝未随 x 修改而修改
# array([1, 2, 3])
其他
其他方法有：
x = np.array([[1, 2], [3, 4]])
# 将输入解释为矩阵
m = np.asmatrix(x)
x[0,0] = 5 # 如果输入已经是矩阵或数组则不复制
m
'''
matrix([[5, 2],
[3, 4]])
'''
参考
- https://numpy.org/doc/stable/reference/routines.array-creation.html
更新时间：2021-01-05 00:00:48 标签：numpy array
