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：

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：

图1：查看 NumPy 可以使用的函数

运行如下命令，便可查看函数 abs 的详细帮助信息。

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：

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：

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。 

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：

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：

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。 

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：

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：

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：

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：

linspace() 也是 numpy 模块中常用的函数，其格式为：

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：

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。