在线时间:8:00-16:00
迪恩网络APP
随时随地掌握行业动态
扫描二维码
关注迪恩网络微信公众号
[:]和[::]的区别蛮大的,用的好可以节省时间,下面以实例进行分析 array([:])>>> import numpy as np >>> >>> x=np.array([1,2,3,4,5,6,7,8,9,10,11,12]) >>> print(x[1:5])#打印index为1~5的数组,范围是左闭右开 [2 3 4 5] >>> print(x[3:])#打印index=3之后的数组,包含index=3 [ 4 5 6 7 8 9 10 11 12] >>> print(x[:9])#打印index=9之前的数组,不包含index=9 [1 2 3 4 5 6 7 8 9] >>> print(x[1:-2])#打印index=1到倒数第2个index之间的数组 [ 2 3 4 5 6 7 8 9 10] >>> print(x[-9:-2])#打印倒数第9个index和倒数第2个index之间的数组,左开右闭 [ 4 5 6 7 8 9 10] array([::])>>> print(x[1::3])#以index=1为起始位置,间隔3 [ 2 5 8 11] >>> print(x[::3])#默认从index=0开始,间隔3 [ 1 4 7 10] >>> print(x[3::])#和[3:]一样 [ 4 5 6 7 8 9 10 11 12] >>> print(x[::-1])#反向打印数据,从最后一个index开始,间隔为1 [12 11 10 9 8 7 6 5 4 3 2 1] >>> print(x[::-3])#反向打印数据,从最后一个index开始,间隔为3 [12 9 6 3] >>> print(x[7:2:-1])#反向打印index=2(不包含)到index=7之间的数据 [8 7 6 5 4] 也是碰到这方面的问题,没搞明白,干脆试了试就清楚了,应该[:]和[::]还有很多有趣的地方。 补充:Numpy.array()详解 、np.array与np.asarray辨析、 np.array和np.ndarry的区别 记录一下numpy.array()的详细用法,以及与np.asarray()和np.ndarray()的区别。 1. Numpy.array()详解该函数的作用一言蔽之就是用来产生数组。 1.1 函数形式numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0) 1.2 参数详解
返回对象
1.3 具体用法简单示例 import numpy as np arr01 = np.array([1,2,3]) print(arr01) #[1 2 3] print(type(arr01)) #<class 'numpy.ndarray'> print(arr01.dtype) #int32 #Upcasting arr02 = np.array([1.,2.,3.]) print(arr02) #[1. 2. 3.] print(arr02.dtype) #float64 #More than one dimension: arr03 = np.array([[1,2],[3,4]]) print(arr03) """ [[1 2] [3 4]] """ dtype参数使用示例 import numpy as np #指定数组元素类型为复数类型 DYX= np.array([1,2,3],dtype = complex) print(DYX) #[1.+0.j 2.+0.j 3.+0.j] print(DYX.dtype) #complex128 #由多个元素组成的数据类型: HXH = np.array([(1,2),(3,4)],dtype=[('a','<i4'),('b','<i8')]) print(HXH) #[(1, 2) (3, 4)] #下面的输出有点神奇,我也只能记住规律了。 print(HXH["a"]) #[1 3] print(HXH["b"]) #[2 4] print(HXH.dtype) #[('a', '<i4'), ('b', '<i8')] print(HXH["a"].dtype) #int32 print(HXH["b"].dtype) #int64 TSL = np.array([(1,2,3),(4,5,6)],dtype=[("a","i"),("b","i"),("c","i")]) print(TSL["a"]) #[1 4] print(TSL["a"].dtype) #int32 上述代码中,numpy的数据类型,可以百度下 subok参数使用示例 import numpy as np DYX = np.array(np.mat('1 2; 3 4')) #没有显示的写出subok的值,但是默认为False print(DYX) #数组类型 print(type(DYX)) #<class 'numpy.ndarray'> """ [[1 2] [3 4]] """ HXH = np.array(np.mat('1 2; 3 4'), subok=True) print(HXH) #矩阵类型 print(type(HXH)) #<class 'numpy.matrixlib.defmatrix.matrix'> """ [[1 2] [3 4]] """ 前文对subok的描述是这样的:“如果为True,则子类将被传递,否则返回的数组将被强制为基类数组(默认)”。 在上文的代码中“np.mat('1 2; 3 4')”,就是子类,是矩阵类型。DYX = np.array(np.mat('1 2; 3 4'))中subok为False,返回的数组类型被强制为基类数组,所以DYX的类型是<class 'numpy.ndarray'>,是数组;HXH = np.array(np.mat('1 2; 3 4'), subok=True)中subok为True,子类被传递,所以HXH的类型是矩阵<class 'numpy.matrixlib.defmatrix.matrix'>。 这就是区别所在。 ndmin参数使用示例 import numpy as np DYX = np.array([1,2,3],ndmin=0) print(DYX,DYX.shape) #[1 2 3] (3,) HXH = np.array([1,2,3],ndmin=1) print(HXH,HXH.shape) #[1 2 3] (3,) TSL = np.array([1,2,3],ndmin=2) print(TSL,TSL.shape) #[[1 2 3]] (1, 3) 其他两个参数copy和order,我至今还没有遇到过,所以暂且不表。谁有介绍这两个参数用法的博客吗? 2. Asarray和Array辨析Numpy.asaray的用法不再赘述,主要介绍一下二者的区别。 2.1 object对象是普通迭代序列时import numpy as np data = [1,1,1] print(type(data)) #<class 'list'> 列表类型 arr_ar = np.array(data) arr_as = np.asarray(data) #输出上没有区别 print(arr_ar) #[1 1 1] print(arr_as) #[1 1 1] data[1]=2 #改变原序列对arr_ar和arr_as没影响 print(arr_ar) #[1 1 1] print(arr_as) #[1 1 1] #此时data是[1, 2, 1] #改变arr_ar和arr_as对原序列没有影响 arr_ar[1]=3 print(data) #[1, 2, 1] arr_as[1]=3 print(data) #[1, 2, 1] 可见在参数对象是普通迭代序列时,asarray和array没有区别(在我的理解范围内)。 2.2 object对象是ndarray对象时import numpy as np data = np.ones((3,)) #print(type(data)) #<class 'numpy.ndarray'> 数组类型 arr_ar = np.array(data) arr_as = np.asarray(data) print(arr_ar) #[1. 1. 1.] print(arr_as) #[1. 1. 1.] """ 这边区别就出来了。修改原始序列后, np.array()产生的数组不变, 但是np.asarray()产生的数组发生了变化 """ data[1]=2 print(arr_ar) #[1. 1. 1.] print(arr_as) #[1. 2. 1.] !!! """ 这边也有区别,修改array产生的数组,不影响原始序列 修改asarray产生的数组,会影响原始序列 """ #此时data=[1. 2. 1.] arr_ar[2]=3 print(data) #[1. 2. 1.] arr_as[2]=3 print(data) #[1. 2. 3.] 我们总结一下: 相同点:array和asarray都可以将数组转化为ndarray对象。 区别:当参数为一般数组时,两个函数结果相同;当参数本身就是ndarray类型时,array会新建一个ndarray对象,作为参数的副本,但是asarray不会新建,而是与参数共享同一个内存。重点就是这个共享内存。 3.Numpy.ndarray()这是最近在一个项目里看到的用法,搜索了一下用法,只在stackoverflow看到了一个问题:“What is the difference between ndarray and array in numpy?”。 numpy.array只是一个创建ndarray的便利函数;它本身不是一个类。他讲到也可以使用numpy.ndarray创建一个数组,但这不是推荐的方法。 numpy.ndarray() 是一个类,而numpy.array() 是一个创建ndarray的方法/函数。 在numpy docs中,如果你想从ndarray类创建一个数组,你可以用引用的2种方式来做:(1).using array(), zeros() or empty() methods: Arrays should be constructed using array, zeros or empty (refer to the See Also section below). The parameters given here refer to a low-level method (ndarray(…)) for instantiating an array.【1-使用array(), zeros()或empty()方法:数组应该使用array, zeros()或empty()构造。这里给出的参数引用用于实例化数组的低级方法(ndarray(…))。】 (2).from ndarray class directly: There are two modes of creating an array using new: If buffer is None, then only shape, dtype, and order are used. If buffer is an object exposing the buffer interface, then all keywords are interpreted.【2-来自ndarray类:使用new创建数组有两种模式:如果buffer是None,则只使用shape,dtype和order。 如果buffer是公开buffer接口的对象,则解释所有关键字。】 所以说老老实实用numpy.array()吧。 以上为个人经验,希望能给大家一个参考,也希望大家多多支持极客世界。 |
2022-05-27
2022-05-27
2022-05-27
2022-05-27
2022-05-27
请发表评论