开篇

numpy库作为科学计算的基础库，其地位相当重要，它是对数组操作的基石。它的存在使得线性代数以及矩阵论等相关知识在计算机上的表达更加方便与简单，集中体现出了人想办法，计算机去工作。

Python的numpy库的安装百度一下即可解决，部分Python3已将numpy库作为内置库，可以不安装。

我将不定期更新Python3NumPy库全系列文章，均以图解方式阐述，其目标让初学者入门简单，快速理解，读者可采用文章后的代码验证即可，也可根据介绍自己举一反三，达到融汇贯通的境界。

本系列文章集中在Numpy库，这也是为后续数据处理打下坚实的基础，适合零基础的数据处理的人员。

1导入模块库numpy

import numpy as np

2一维数组的简单创建

注：np.arange()直接可以根据参数生成一维数组。np.arange(起始, 终止, 步长)

3二维数组的简单创建

注：np.array()可以根据参数对象（列表、元组等）生成数组。

3三维数组的创建-采用嵌套方案

4代码验证吧

>>> import numpy as np
>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a = np.arange(1,10)
>>> a
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a = np.arange(1,10,3)
>>> a
array([1, 4, 7])
>>> #2D
>>> M = np.array([[1,2],[3,4]]) #参数为列表
>>> M
array([[1, 2],
       [3, 4]])
>>> M = np.array(([1,2],[3,4])) #参数为元组
>>> M
array([[1, 2],
       [3, 4]])
>>> M = np.array(((1,2),(3,4))) #参数为元组
>>> M
array([[1, 2],
       [3, 4]])

>>> M = np.array(((np.arange(3)), (np.arange(3))))
>>> M
array([[0, 1, 2],
       [0, 1, 2]])
>>> M.shape
(2, 3)
>>> M = np.array(([np.arange(2)],[np.arange(3)]))
>>> M
array([[array([0, 1])],
       [array([0, 1, 2])]], dtype=object)
>>> M.shape
(2, 1)
>>> #3D
>>> M = np.array(([np.arange(2)],[np.arange(2)]))
>>> M
array([[[0, 1]],

       [[0, 1]]])
>>> M.shape
(2, 1, 2)

 

版权声明：本文为brightyuxl原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://www.cnblogs.com/brightyuxl/p/8846701.html