N 维数组 (ndarray)#

ndarray 是一个(通常是固定大小的)多维容器,包含相同类型和大小的项目。数组的维度和项目数由其 shape 定义,shape 是一个包含 N 个非负整数的 tuple,指定每个维度的尺寸。数组中项目的类型由单独的 数据类型对象 (dtype) 指定,每个 ndarray 都关联一个数据类型对象。

与 Python 中的其他容器对象一样,可以通过 索引或切片 数组(例如,使用 N 个整数)以及 ndarray 的方法和属性来访问和修改 ndarray 的内容。

不同的 ndarrays 可以共享相同的数据,因此在一个 ndarray 中进行的更改可能会在另一个 ndarray 中可见。也就是说,ndarray 可以是另一个 ndarray 的 “视图”,它引用的数据由 “基础” ndarray 管理。ndarrays 也可以是 Python 字符串 或实现 memoryview数组 接口的对象所拥有的内存的视图。

示例

一个大小为 2 x 3 的二维数组,由 4 字节整数元素组成

>>> import numpy as np
>>> x = np.array([[1, 2, 3], [4, 5, 6]], np.int32)
>>> type(x)
<class 'numpy.ndarray'>
>>> x.shape
(2, 3)
>>> x.dtype
dtype('int32')

可以使用 Python 容器式语法对数组进行索引

>>> # The element of x in the *second* row, *third* column, namely, 6.
>>> x[1, 2]
   6

例如,切片 可以生成数组的视图

>>> y = x[:,1]
>>> y
array([2, 5], dtype=int32)
>>> y[0] = 9 # this also changes the corresponding element in x
>>> y
array([9, 5], dtype=int32)
>>> x
array([[1, 9, 3],
       [4, 5, 6]], dtype=int32)

构建数组#

可以使用 数组创建例程 中详述的例程以及低级 ndarray 构造函数来构建新的数组

ndarray(shape[, dtype, buffer, offset, ...])

数组对象表示一个多维、同构的固定大小项目数组。

索引数组#

可以使用扩展的 Python 切片语法 array[selection] 对数组进行索引。类似的语法也用于访问 结构化数据类型 中的字段。

另请参阅

数组索引.

ndarray 的内部内存布局#

ndarray 的实例由计算机内存的一个连续的一维片段(由数组或其他对象拥有)以及一个索引方案组成,该索引方案将 N 个整数映射到块中项目的地址。索引可以变化的范围由数组的 shape 指定。每个项目占用多少字节以及如何解释这些字节由与数组关联的 数据类型对象 定义。

内存段本质上是一维的,并且有许多不同的方案用于在连续的一维块中排列 N 维数组的项目。NumPy 具有灵活性,ndarray 对象可以适应任何 步长索引方案。在步长方案中,N 维索引 \((n_0, n_1, ..., n_{N-1})\) 对应于偏移量(以字节为单位)

\[n_{\mathrm{offset}} = \sum_{k=0}^{N-1} s_k n_k\]

从与数组关联的内存块的开头开始。这里,\(s_k\) 是指定数组 strides 的整数。列主序(例如,在 Fortran 语言和 Matlab 中使用)和 行主序(在 C 中使用)方案只是特定类型的步长方案,并且对应于可以通过步长 寻址 的内存

\[s_k^{\mathrm{column}} = \mathrm{itemsize} \prod_{j=0}^{k-1} d_j , \quad s_k^{\mathrm{row}} = \mathrm{itemsize} \prod_{j=k+1}^{N-1} d_j .\]

其中 \(d_j\) = self.shape[j]

C 和 Fortran 顺序都是 连续的,单段内存布局,其中内存块的每个部分都可以通过索引的某种组合来访问。

注意

连续数组单段数组是同义词,在整个文档中可以互换使用。

虽然设置了相应标志的 C 样式和 Fortran 样式的连续数组可以通过上述步长进行寻址,但实际的步长可能不同。这可能发生在以下两种情况下

  1. 如果 self.shape[k] == 1,则对于任何合法索引 index[k] == 0。这意味着在偏移量公式中 \(n_k = 0\),因此 \(s_k n_k = 0\),并且 \(s_k\) = self.strides[k] 的值是任意的。

  2. 如果数组没有元素 (self.size == 0),则没有合法索引,并且步长从未使用过。任何没有元素的数组都可以被认为是 C 样式和 Fortran 样式的连续的。

第 1 点意味着 selfself.squeeze() 始终具有相同的连续性和 aligned 标志值。这也意味着,即使是高维数组也可以同时是 C 样式和 Fortran 样式的连续的。

如果所有元素的内存偏移量以及基础偏移量本身都是 self.itemsize 的倍数,则认为数组是已对齐的。了解 内存对齐 可以在大多数硬件上获得更好的性能。

警告

通常情况下,self.strides[-1] == self.itemsize 对于 C 样式的连续数组或 self.strides[0] == self.itemsize 对于 Fortran 样式的连续数组是成立的。

ndarrays 中的数据按 行主序(C)排序,除非另有指定,但是,例如,基本数组切片 通常会生成采用不同方案的 视图

注意

NumPy 中的几种算法适用于任意步长的数组。但是,某些算法需要单段数组。当将不规则步长的数组传递给此类算法时,会自动创建副本。

数组属性#

数组属性反映了数组本身固有的信息。通常,通过其属性访问数组允许您获取并有时设置数组的固有属性,而无需创建新的数组。公开的属性是数组的核心部分,并且只有其中一些属性可以在不创建新数组的情况下有意义地重置。下面提供了有关每个属性的信息。

内存布局#

以下属性包含有关数组内存布局的信息

ndarray.flags

有关数组内存布局的信息。

ndarray.shape

数组维度的元组。

ndarray.strides

遍历数组时每个维度需要步进的字节数的元组。

ndarray.ndim

数组维度的数量。

ndarray.data

指向数组数据开头的 Python 缓冲区对象。

ndarray.size

数组中元素的数量。

ndarray.itemsize

一个数组元素的字节长度。

ndarray.nbytes

数组元素消耗的总字节数。

ndarray.base

如果内存来自其他对象,则为基对象。

数据类型#

另请参阅

数据类型对象

与数组关联的数据类型对象可以在dtype属性中找到

ndarray.dtype

数组元素的数据类型。

其他属性#

ndarray.T

转置数组的视图。

ndarray.real

数组的实部。

ndarray.imag

数组的虚部。

ndarray.flat

数组的 1 维迭代器。

数组接口#

另请参阅

数组接口协议.

__array_interface__

数组接口的 Python 端

__array_struct__

数组接口的 C 端

ctypes 外部函数接口#

ndarray.ctypes

一个用于简化数组与 ctypes 模块交互的对象。

数组方法#

一个ndarray对象有许多方法可以以某种方式操作数组或与数组一起操作,通常返回数组结果。这些方法在下面简要说明。(每个方法的文档字符串都有更完整的描述。)

对于以下方法,在numpy中也有相应的函数:allanyargmaxargminargpartitionargsortchooseclipcompresscopycumprodcumsumdiagonalimagmaxmeanminnonzeropartitionprodputravelrealrepeatreshaperoundsearchsortedsortsqueezestdsumswapaxestaketracetransposevar

数组转换#

ndarray.item(*args)

将数组的一个元素复制到标准 Python 标量并返回它。

ndarray.tolist()

将数组作为a.ndim级深度的嵌套 Python 标量列表返回。

ndarray.tostring([order])

tobytes完全相同的行为的兼容别名。

ndarray.tobytes([order])

构造包含数组中原始数据字节的 Python 字节。

ndarray.tofile(fid[, sep, format])

将数组作为文本或二进制(默认)写入文件。

ndarray.dump(file)

将数组的 pickle 存储到指定的文件中。

ndarray.dumps()

将数组的 pickle 作为字符串返回。

ndarray.astype(dtype[, order, casting, ...])

数组的副本,转换为指定的类型。

ndarray.byteswap([inplace])

交换数组元素的字节

ndarray.copy([order])

返回数组的副本。

ndarray.view([dtype][, type])

具有相同数据的数组的新视图。

ndarray.getfield(dtype[, offset])

将给定数组的字段作为特定类型返回。

ndarray.setflags([write, align, uic])

分别设置数组标志 WRITEABLE、ALIGNED、WRITEBACKIFCOPY。

ndarray.fill(value)

用标量值填充数组。

形状操作#

对于 reshape、resize 和 transpose,单个元组参数可以用n个整数替换,这些整数将被解释为 n 元组。

ndarray.reshape(shape, /, *[, order, copy])

返回一个包含相同数据但具有新形状的数组。

ndarray.resize(new_shape[, refcheck])

就地更改数组的形状和大小。

ndarray.transpose(*axes)

返回具有转置轴的数组的视图。

ndarray.swapaxes(axis1, axis2)

返回一个交换了axis1axis2的数组视图。

ndarray.flatten([order])

返回折叠成一维的数组的副本。

ndarray.ravel([order])

返回一个扁平化的数组。

ndarray.squeeze([axis])

a中删除长度为一的轴。

项目选择和操作#

对于采用axis关键字的数组方法,它默认为None。如果 axis 为None,则数组被视为一维数组。axis的任何其他值都表示操作应进行的维度。

ndarray.take(indices[, axis, out, mode])

返回一个由给定索引处的a元素组成的数组。

ndarray.put(indices, values[, mode])

对于所有n在索引中,将a.flat[n] = values[n]

ndarray.repeat(repeats[, axis])

重复数组的元素。

ndarray.choose(choices[, out, mode])

使用索引数组从一组选项中构造一个新数组。

ndarray.sort([axis, kind, order])

就地排序数组。

ndarray.argsort([axis, kind, order])

返回将此数组排序的索引。

ndarray.partition(kth[, axis, kind, order])

部分排序数组中的元素,以便第 k 个位置的元素的值位于它在已排序数组中的位置。

ndarray.argpartition(kth[, axis, kind, order])

返回将此数组分区的索引。

ndarray.searchsorted(v[, side, sorter])

查找应在 a 中插入 v 的元素以保持顺序的索引。

ndarray.nonzero()

返回非零元素的索引。

ndarray.compress(condition[, axis, out])

沿给定轴返回此数组的选定切片。

ndarray.diagonal([offset, axis1, axis2])

返回指定的对角线。

计算#

许多这些方法都采用名为axis的参数。在这种情况下,

  • 如果axisNone(默认值),则数组被视为一维数组,并且操作在整个数组上执行。如果self是一个零维数组或数组标量,此行为也是默认行为。(数组标量是类型/类float32、float64等的实例,而零维数组是包含精确一个数组标量的ndarray实例。)

  • 如果axis是一个整数,则操作在给定的轴上执行(对于沿给定轴可以创建的每个一维子数组)。

axis参数示例

一个大小为3 x 3 x 3的三维数组,在其三个轴上分别求和

>>> import numpy as np
>>> x = np.arange(27).reshape((3,3,3))
>>> x
array([[[ 0,  1,  2],
      [ 3,  4,  5],
      [ 6,  7,  8]],
      [[ 9, 10, 11],
      [12, 13, 14],
      [15, 16, 17]],
      [[18, 19, 20],
      [21, 22, 23],
      [24, 25, 26]]])
>>> x.sum(axis=0)
array([[27, 30, 33],
      [36, 39, 42],
      [45, 48, 51]])
>>> # for sum, axis is the first keyword, so we may omit it,
>>> # specifying only its value
>>> x.sum(0), x.sum(1), x.sum(2)
(array([[27, 30, 33],
      [36, 39, 42],
      [45, 48, 51]]),
array([[ 9, 12, 15],
      [36, 39, 42],
      [63, 66, 69]]),
array([[ 3, 12, 21],
      [30, 39, 48],
      [57, 66, 75]]))

参数dtype指定应在其上进行归约操作(如求和)的数据类型。默认的归约数据类型与self的数据类型相同。为了避免溢出,可以使用更大的数据类型执行归约操作。

对于几种方法,还可以提供一个可选的out参数,结果将放置到给定的输出数组中。out参数必须是ndarray,并且具有相同数量的元素。它可以具有不同的数据类型,在这种情况下将执行强制转换。

ndarray.max([axis, out, keepdims, initial, ...])

返回沿给定轴的最大值。

ndarray.argmax([axis, out, keepdims])

返回沿给定轴的最大值的索引。

ndarray.min([axis, out, keepdims, initial, ...])

返回沿给定轴的最小值。

ndarray.argmin([axis, out, keepdims])

返回沿给定轴的最小值的索引。

ndarray.clip([min, max, out])

返回一个数组,其值限制在[min, max]

ndarray.conj()

对所有元素进行复共轭。

ndarray.round([decimals, out])

返回a,其中每个元素都四舍五入到给定的十进制位数。

ndarray.trace([offset, axis1, axis2, dtype, out])

返回数组对角线上的元素之和。

ndarray.sum([axis, dtype, out, keepdims, ...])

返回数组元素沿给定轴的和。

ndarray.cumsum([axis, dtype, out])

返回数组元素沿给定轴的累积和。

ndarray.mean([axis, dtype, out, keepdims, where])

返回数组元素沿给定轴的平均值。

ndarray.var([axis, dtype, out, ddof, ...])

返回数组元素沿给定轴的方差。

ndarray.std([axis, dtype, out, ddof, ...])

返回数组元素沿给定轴的标准差。

ndarray.prod([axis, dtype, out, keepdims, ...])

返回数组元素沿给定轴的乘积。

ndarray.cumprod([axis, dtype, out])

返回数组元素沿给定轴的累积乘积。

ndarray.all([axis, out, keepdims, where])

如果所有元素都计算为True,则返回True。

ndarray.any([axis, out, keepdims, where])

如果a的任何元素计算为True,则返回True。

算术运算、矩阵乘法和比较运算#

ndarrays上的算术和比较运算被定义为逐元素运算,并且通常会产生ndarray对象作为结果。

每个算术运算(+-*///%divmod()**pow()<<>>&^|~)和比较运算(==<><=>=!=)等价于NumPy中相应的通用函数(或简称ufunc)。有关更多信息,请参见有关通用函数的部分。

比较运算符

ndarray.__lt__(value, /)

返回self<value。

ndarray.__le__(value, /)

返回self<=value。

ndarray.__gt__(value, /)

返回self>value。

ndarray.__ge__(value, /)

返回self>=value。

ndarray.__eq__(value, /)

返回self==value。

ndarray.__ne__(value, /)

返回self!=value。

数组的真值(bool())

ndarray.__bool__(/)

如果self则为True,否则为False

注意

数组的真值测试调用ndarray.__bool__,如果数组中的元素数量大于1,则会引发错误,因为此类数组的真值不明确。使用.any().all()来明确在这种情况下意味着什么。(如果元素数量为0,则数组计算为False。)

一元运算

算术运算

ndarray.__add__(value, /)

返回self+value。

ndarray.__sub__(value, /)

返回self-value。

ndarray.__mul__(value, /)

返回self*value。

ndarray.__truediv__(value, /)

返回self/value。

ndarray.__floordiv__(value, /)

返回self//value。

ndarray.__mod__(value, /)

返回self%value。

ndarray.__divmod__(value, /)

返回divmod(self, value)。

ndarray.__pow__(value[, mod])

返回pow(self, value, mod)。

ndarray.__lshift__(value, /)

返回self<<value。

ndarray.__rshift__(value, /)

返回self>>value。

ndarray.__and__(value, /)

返回self&value。

ndarray.__or__(value, /)

返回self|value。

ndarray.__xor__(value, /)

返回self^value。

注意

  • pow的任何第三个参数都会被静默忽略,因为底层的ufunc只接受两个参数。

  • 因为ndarray是内置类型(用C编写),所以__r{op}__特殊方法没有直接定义。

  • 用于实现数组的许多算术特殊方法的函数可以使用__array_ufunc__修改。

算术运算,就地运算

ndarray.__iadd__(value, /)

返回self+=value。

ndarray.__isub__(value, /)

返回self-=value。

ndarray.__imul__(value, /)

返回self*=value。

ndarray.__itruediv__(value, /)

返回self/=value。

ndarray.__ifloordiv__(value, /)

返回self//=value。

ndarray.__imod__(value, /)

返回self%=value。

ndarray.__ipow__(value, /)

返回self**=value。

ndarray.__ilshift__(value, /)

返回self<<=value。

ndarray.__irshift__(value, /)

返回self>>=value。

ndarray.__iand__(value, /)

返回self&=value。

ndarray.__ior__(value, /)

返回 self|=value。

ndarray.__ixor__(value, /)

返回 self^=value。

警告

就地操作将使用两个操作数的数据类型决定的精度执行计算,但会(如果需要)静默地向下转换结果,以便使其可以放回数组中。因此,对于混合精度计算,A {op}= B 可能与 A = A {op} B 不同。例如,假设 a = ones((3,3))。那么,a += 3ja = a + 3j 不同:虽然它们都执行相同的计算,但 a += 3 会将结果转换为适合放回 a 中的类型,而 a = a + 3j 会将名称 a 重新绑定到结果上。

矩阵乘法

ndarray.__matmul__(value, /)

返回 self@value

注意

矩阵运算符 @@= 是在 Python 3.5 中引入的,遵循 PEP 465,并且 @ 运算符已在 NumPy 1.10.0 中引入。更多信息可以在 matmul 文档中找到。

特殊方法#

对于标准库函数

ndarray.__copy__()

如果在数组上调用 copy.copy,则使用此方法。

ndarray.__deepcopy__(memo, /)

如果在数组上调用 copy.deepcopy,则使用此方法。

ndarray.__reduce__()

用于序列化。

ndarray.__setstate__(state, /)

用于反序列化。

基本定制

ndarray.__new__(*args, **kwargs)

ndarray.__array__([dtype], *[, copy])

对于 dtype 参数,如果未给出 dtype 或其与数组的数据类型匹配,则返回对 self 的新引用。

ndarray.__array_wrap__(array[, context], /)

返回 array 的视图,其类型与 self 相同。

容器定制:(参见 索引)

ndarray.__len__(/)

返回 len(self)。

ndarray.__getitem__(key, /)

返回 self[key]。

ndarray.__setitem__(key, value, /)

将 self[key] 设置为 value。

ndarray.__contains__(key, /)

返回 key in self。

转换;操作 int()float()complex()。它们仅适用于包含一个元素的数组,并返回相应的标量。

字符串表示

ndarray.__str__(/)

返回 str(self)。

ndarray.__repr__(/)

返回 repr(self)。

用于类型的实用程序方法

ndarray.__class_getitem__(item, /)

返回围绕 ndarray 类型的参数化包装器。