నమ్పీ పరిచయం

创建 NumPy ndarray 对象

NumPy 用于处理数组。 NumPy 中的数组对象称为 ndarray。

我们可以使用 array() 函数创建一个 NumPy ndarray 对象。

ప్రకటన

import numpy as np 
arr = np.array([1, 2, 3, 4, 5])
print(arr)
print(type(arr))

ప్రకటన ప్రదర్శించండి

type(): 这个内置的 Python 函数告诉我们传递给它的对象的类型。像上面的代码一样，它表明 arr 是 numpy.ndarray 类型。

要创建 ndarray，我们可以将列表、元组或任何类似数组的对象传递给 array() 方法，然后它将被转换为 ndarray：

ప్రకటన

使用元组创建 NumPy 数组：

import numpy as np 
arr = np.array((1, 2, 3, 4, 5))
print(arr)

ప్రకటన ప్రదర్శించండి

数组中的维

数组中的维是数组深度（嵌套数组）的一个级别。

嵌套数组：指的是将数组作为元素的数组。

0-D 数组

0-D 数组，或标量（Scalars），是数组中的元素。数组中的每个值都是一个 0-D 数组。

ప్రకటన

用值 61 创建 0-D 数组：

import numpy as np
arr = np.array(61)
print(arr)

ప్రకటన ప్రదర్శించండి

1-D 数组

其元素为 0-D 数组的数组，称为一维或 1-D 数组。

这是最常见和基础的数组。

ప్రకటన

创建包含值 1、2、3、4、5、6 的 1-D 数组：

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6])
print(arr)

ప్రకటన ప్రదర్శించండి

2-D 数组

其元素为 1-D 数组的数组，称为 2-D 数组。

它们通常用于表示矩阵或二阶张量。

NumPy 有一个专门用于矩阵运算的完整子模块 numpy.mat。

ప్రకటన

创建包含值 1、2、3 和 4、5、6 两个数组的 2-D 数组：

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)

ప్రకటన ప్రదర్శించండి

3-D 数组

其元素为 2-D 数组的数组，称为 3-D 数组。

ప్రకటన

用两个 2-D 数组创建一个 3-D 数组，这两个数组均包含值 1、2、3 和 4、5、6 的两个数组：

import numpy as np
arr = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])
print(arr)

ప్రకటన ప్రదర్శించండి

检查维数？

NumPy 数组提供了 ndim 属性，该属性返回一个整数，该整数会告诉我们数组有多少维。

ప్రకటన

నమూనా ఎన్ని కొలతలు ఉన్నాయి తనిఖీ చేయండి:

import numpy as np
a = np.array(42)
b = np.array([1, 2, 3, 4, 5])
c = np.array([[1, 2, 3], [4, 5, 6]])
d = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])
print(a.ndim) 
print(b.ndim) 
print(c.ndim) 
print(d.ndim)

ప్రకటన ప్రదర్శించండి

అధిక అంతరాళాలు

అర్రేయికి ఏకైక అంతరాళాలు ఉండవచ్చు.

అర్రేయిని సృష్టించటం సమయంలో ఉపయోగించవచ్చు: ndmin పరిమాణాలు నిర్వచించండి.

ప్రకటన

ఐదు అంతరాళాలు కలిగిన అర్రేయిని సృష్టించండి మరియు అది ఐదు అంతరాళాలను కలిగి ఉందని పరిశీలించండి:

import numpy as np
arr = np.array([1, 2, 3, 4], ndmin=5)
print(arr)
print('number of dimensions :', arr.ndim)

ప్రకటన ప్రదర్శించండి

ఈ అర్రేయిలో అంతరిక్త కోణం (ఐదవ dim) లో 4 అంశాలు ఉన్నాయి, నాలుగవ dim లో 1 అంశం వెక్టర్ గా ఉంది, మూడవ dim లో 1 అంశం వెక్టర్‌తో ఉన్న మాత్రిక ఉంది, రెండవ dim లో 1 అంశం 3D అర్రేయిగా ఉంది, మొదటి dim లో 1 అంశం 4D అర్రేయిగా ఉంది.