核心数据结构详解

什么是 Numpy？

NumPy 是用于 Python 中科学计算的一个基础包。它提供了一个多维度的数组对象（稍后展开），以及针对数组对象的各种快速操作，例如排序、变换，选择等。

用 conda 安装 NumPy 的命令：

conda install numpy

由于我们之前已经安装过 PyTorch 了，numpy 自然也自动安装好了，通过 pip list 或者 conda list 可以查看到。

NumPy 数组

NumPy 数组从逻辑上来看，与其他编程语言中的数组是一样的，索引也是从 0 开始。而 Python 中的列表，其实也可以达到与 NumPy 数组相同的功能，但它们又有差异，做个对比你就能体会到 NumPy 数组的特点了。

• Python 中的列表可以动态地改变，而 NumPy 数组是不可以的，它在创建时就有固定大小了。改变 Numpy 数组长度的话，会新创建一个新的数组并且删除原数组。

• NumPy 数组中的数据类型必须是一样的，而列表中的元素可以是多样的。

• NumPy 针对 NumPy 数组一系列的运算进行了优化，使得其速度特别快，并且相对于 Python 中的列表，同等操作只需使用更少的内存。

NumPy 数组的创建

最简单的方法就是把一个列表传入到 np.array() 或 np.asarray() 中，这个列表可以是任意维度的。np.array() 属于深拷贝，np.asarray() 则是浅拷贝。

import numpy as nparr_1_d = np.asarray([1])print(arr_1_d)arr_2_d = np.asarray([[1, 2], [3, 4]])print(arr_2_d)

数组的属性

• ndim: ndim 表示数组维度（或轴）的个数。刚才创建的数组 arr_1_d 的轴的个数就是 1，arr_2_d 的轴的个数就是 2。

• shape: shape 表示数组的维度或形状， 是一个整数的元组，元组的长度等于 ndim。arr_1_d 的形状就是（1，）（一个向量）， arr_2_d 的形状就是 (2, 2)（一个矩阵）。

在实际的工作当中，我们经常需要对数组的形状进行变换，就可以使用 arr.reshape() 函数，在不改变数组元素内容的情况下变换数组的形状。但是你需要注意的是，变换前与变换后数组的元素个数需要是一样的。

• size：size，也就是数组元素的总数，它就等于 shape 属性中元素的乘积。

• dtype: 它是一个描述数组中元素类型的对象。使用 dtype 属性可以查看数组所属的数据类型。

我们可以使用 astype() 改变数组的数据类型，不过改变数据类型会创建一个新的数组，而不是改变原数组的数据类型。

其他方式

np.ones() 用来创建一个全 1 的数组，必须参数是指定数组的形状，可选参数是数组的数据类型。创建全 0 的数组是 np.zeros()。

们还可以使用 np.arange([start, ]stop, [step, ]dtype=None) 创建一个在[start, stop) 区间的数组，元素之间的跨度是 step。

我们也可以用 np.linspace（start, stop, num=50, endpoint=True, retstep=False, dtype=None）创建一个数组，具体就是创建一个从开始数值到结束数值的等差数列。

• start：必须参数，序列的起始值。

• stop：必须参数，序列的终点。

• num：序列中元素的个数，默认是 50。

• endpoint：默认为 True，如果为 True，则数组最后一个元素是 stop。

• retstep：默认为 False，如果为 True，则返回数组与公差。

学习来源：极客时间

我们今天的内容就是这些了，如果对你有所帮助欢迎转发给你的朋友。

我是 Tango，一个热于分享的程序猿我们下期见