Một số trong ngoặc đơn theo sau bởi dấu phẩy biểu thị một bộ có một phần tử. Dấu phẩy ở cuối phân biệt một bộ một phần tử với một
>>> a[...,0].shape [2, 3]4 được đặt trong ngoặc đơn-1
Trong một mục nhập thứ nguyên, hướng dẫn NumPy chọn độ dài sẽ giữ nguyên tổng số phần tử mảng
>>> np.arange[12].reshape[4, -1].shape [4, 3]
Trong một chỉ mục, bất kỳ giá trị âm nào được lập chỉ mục từ bên phải
Một
Khi lập chỉ mục một mảng, hãy viết tắt rằng các trục bị thiếu, nếu chúng tồn tại, là các lát cắt đầy đủ
>>> a = np.arange[24].reshape[2,3,4]
>>> a[...].shape [2, 3, 4]
>>> a[...,0].shape [2, 3]
>>> a[0,...].shape [3, 4]
>>> a[0,...,0].shape [3,]
Nó có thể được sử dụng nhiều nhất một lần;
Trong bản in, NumPy thay thế
>>> a[...,0].shape [2, 3]
8 cho các phần tử ở giữa của mảng lớn. Để xem toàn bộ mảng, hãy sử dụng
Toán tử Python. Trong ndarrays, việc cắt lát có thể được áp dụng cho mọi trục
>>> a = np.arange[24].reshape[2,3,4] >>> a 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]]]] >>> a[1:,-2:,:-1] array[[[[16, 17, 18], [20, 21, 22]]]]
Các lát cắt có thể được bỏ qua
>>> np.arange[12].reshape[4, -1].shape [4, 3]0
Ngược lại với Python, trong đó việc cắt lát tạo ra một bản sao, trong NumPy cắt lát tạo ra một
Để biết chi tiết, xem
>> np.arange[12].reshape[4, -1].shape [4, 3] 1>Trong một khai báo dtype, chỉ ra rằng dữ liệu là [dấu ngoặc lớn ở bên trái]
>>> np.arange[12].reshape[4, -1].shape [4, 3]2lập chỉ mục nâng cao
Thay vì sử dụng vô hướng hoặc lát làm chỉ mục, một trục có thể được lập chỉ mục bằng một mảng, cung cấp lựa chọn chi tiết. Điều này được gọi là hoặc "lập chỉ mục ưa thích".
dọc theo một trụcMột thao tác dọc theo trục n của mảng
>>> a[0,...].shape [3, 4]0 hoạt động như thể đối số của nó là một mảng gồm các lát của
>>> a[0,...].shape [3, 4]0 trong đó mỗi lát có chỉ số kế tiếp của trục n
Ví dụ: nếu
>>> a[0,...].shape [3, 4]0 là một mảng 3 x N, thì một thao tác dọc theo trục 0 hoạt động như thể đối số của nó là một mảng chứa các lát của mỗi hàng
>>> a = np.arange[24].reshape[2,3,4]0
Để làm cho nó cụ thể, chúng ta có thể chọn hoạt động là hàm đảo ngược mảng, chấp nhận đối số
>>> a[0,...].shape [3, 4]4. Chúng tôi xây dựng một mảng 3 x 4
>>> a[0,...].shape [3, 4]0
>>> a = np.arange[24].reshape[2,3,4]1
Đảo ngược dọc theo trục 0 [trục hàng] mang lại
>>> a = np.arange[24].reshape[2,3,4]2
Nhớ lại định nghĩa của dọc theo một trục,
>>> a[0,...].shape [3, 4]6 dọc theo trục 0 đang xử lý đối số của nó như thể nó là
>>> a = np.arange[24].reshape[2,3,4]3
và kết quả của
>>> a[0,...].shape [3, 4]7 là đảo ngược các lát cắt
>>> a = np.arange[24].reshape[2,3,4]4mảng
Được sử dụng đồng nghĩa trong các tài liệu NumPy với
mảng_likeMọi vô hướng hoặc có thể được hiểu là một ndarray. Ngoài các ndarray và vô hướng, danh mục này bao gồm các danh sách [có thể được lồng vào nhau và có các loại phần tử khác nhau] và các bộ. Bất kỳ đối số nào được chấp nhận bởi numpy. mảng giống như mảng.
>>> a = np.arange[24].reshape[2,3,4]5mảng vô hướng
Một mảng vô hướng là một thể hiện của các loại/lớp float32, float64, v.v. Để thống nhất trong việc xử lý các toán hạng, NumPy coi một vô hướng là một mảng có kích thước bằng 0. Ngược lại, mảng 0 chiều là một thể hiện ndarray chứa chính xác một giá trị.
trụcMột thuật ngữ khác cho kích thước mảng. Các trục được đánh số từ trái sang phải;
Trong một vectơ hai chiều, các phần tử của trục 0 là các hàng và các phần tử của trục 1 là các cột
Ở kích thước cao hơn, hình ảnh thay đổi. NumPy in các vectơ chiều cao hơn dưới dạng bản sao của các khối xây dựng theo hàng, như trong vectơ ba chiều này
>>> a = np.arange[24].reshape[2,3,4]6
>>> a[0,...].shape [3, 4]0 được mô tả dưới dạng một mảng hai phần tử có các phần tử là vectơ 2x3. Theo quan điểm này, hàng và cột lần lượt là hai trục cuối cùng trong bất kỳ hình dạng nào.
Quy tắc này giúp bạn đoán trước cách in một vectơ và ngược lại cách tìm chỉ mục của bất kỳ phần tử in nào. Chẳng hạn, trong ví dụ, hai giá trị cuối cùng của chỉ số 8 phải là 0 và 2. Vì 8 xuất hiện ở vị trí thứ hai trong hai ô 2x3 nên chỉ số đầu tiên phải là 1
>>> a = np.arange[24].reshape[2,3,4]7
Một cách thuận tiện để đếm kích thước trong một vectơ được in là đếm các ký hiệu
>>> a[0,...].shape [3, 4]9 sau dấu ngoặc đơn mở. Điều này rất hữu ích trong việc phân biệt, giả sử, hình dạng [1,2,3] với hình dạng [2,3]
>>> a = np.arange[24].reshape[2,3,4]8
>>> a = np.arange[24].reshape[2,3,4]9cơ sở
Nếu một mảng không sở hữu bộ nhớ của nó, thì thuộc tính base của nó trả về đối tượng có bộ nhớ mà mảng đang tham chiếu. Đối tượng đó có thể đang tham chiếu bộ nhớ từ một đối tượng khác, vì vậy đối tượng sở hữu có thể là
>>> a[0,...,0].shape [3,]0. Một số tác giả tuyên bố sai rằng việc kiểm tra
>>> a[0,...,0].shape [3,]1 xác định xem các mảng có phải là. Để biết cách chính xác, hãy xem. người lớn
Xem độ bền
BLASChương trình con đại số tuyến tính cơ bản
phát tinphát sóng trong khả năng NumPy để xử lý các mảng np có kích thước khác nhau như thể tất cả đều có cùng kích thước
Nó cho phép một hành vi tao nhã làm theo ý tôi, ví dụ, thêm một vô hướng vào một vectơ sẽ thêm giá trị vô hướng cho mọi phần tử
>>> a[...].shape [2, 3, 4]0
>>> a[...].shape [2, 3, 4]1
>>> a[...].shape [2, 3, 4]2
Thông thường, tất cả các toán hạng vectơ phải có cùng kích thước, vì NumPy hoạt động theo từng phần tử – ví dụ, ________ 63 là
>>> a[...].shape [2, 3, 4]3
Nhưng trong một số trường hợp hữu ích nhất định, NumPy có thể sao chép dữ liệu dọc theo trục “thiếu” hoặc kích thước “quá ngắn” để hình dạng khớp với nhau. Việc sao chép không tốn bộ nhớ hoặc thời gian. Để biết chi tiết, hãy xem Phát sóng.
đơn hàng CGiống như
cột chínhXem Thứ tự chính của hàng và cột
tiếp giápMột mảng liền kề nếu
nó chiếm một khối bộ nhớ không bị gián đoạn và
các phần tử mảng có chỉ số cao hơn chiếm địa chỉ cao hơn [nghĩa là không có giá trị âm]
Có hai loại mảng NumPy liền kề thích hợp
Các mảng tiếp giáp Fortran đề cập đến dữ liệu được lưu trữ theo cột, i. e. việc lập chỉ mục dữ liệu được lưu trữ trong bộ nhớ bắt đầu từ kích thước thấp nhất;
Các mảng liền kề C, hoặc đơn giản là các mảng liền kề, đề cập đến dữ liệu được lưu trữ theo hàng, i. e. việc lập chỉ mục dữ liệu như được lưu trữ trong bộ nhớ bắt đầu từ thứ nguyên cao nhất
Đối với mảng một chiều, các khái niệm này trùng nhau
Ví dụ: một mảng 2x2
>>> a[0,...,0].shape [3,]4 là liên tục Fortran nếu các phần tử của nó được lưu trữ trong bộ nhớ theo thứ tự sau
>>> a[...].shape [2, 3, 4]4
và C-tiếp giáp nếu thứ tự như sau
>>> a[...].shape [2, 3, 4]5
Để kiểm tra xem một mảng có liền kề với C hay không, hãy sử dụng thuộc tính
>>> a[0,...,0].shape [3,]5 của mảng NumPy. Để kiểm tra tính liên tục của Fortran, hãy sử dụng thuộc tính
>>> a[0,...,0].shape [3,]6sao chép
Nhìn thấy
kích thướcNhìn thấy
gõKiểu dữ liệu mô tả các phần tử [được nhập giống hệt nhau] trong một ndarray. Nó có thể được thay đổi để diễn giải lại nội dung mảng. Để biết chi tiết, hãy xem Đối tượng kiểu dữ liệu [dtype].
lập chỉ mục ưa thíchMột thuật ngữ khác cho
đồng ruộngTrong một , mỗi kiểu con được gọi là một trường. Trường có tên [một chuỗi], một loại [bất kỳ dtype hợp lệ nào] và một tiêu đề tùy chọn. Nhìn thấy
đặt hàng FortranGiống như
làm phẳngNhìn thấy
đồng nhấtTất cả các phần tử của một mảng đồng nhất có cùng kiểu. ndarrays, trái ngược với danh sách Python, là đồng nhất. Loại có thể phức tạp, như trong a , nhưng tất cả các phần tử đều có loại đó
NumPy , chứa các tham chiếu đến các đối tượng Python, đóng vai trò là các mảng không đồng nhất
kích thước mụcKích thước của phần tử dtype tính bằng byte
người tí honXem độ bền
mặt nạMột mảng boolean được sử dụng để chỉ chọn một số phần tử nhất định cho một thao tác
>>> a[...].shape [2, 3, 4]6
>>> a[...].shape [2, 3, 4]7
>>> a[...].shape [2, 3, 4]8mảng che
Dữ liệu xấu hoặc bị thiếu có thể được bỏ qua hoàn toàn bằng cách đặt nó vào một mảng được che dấu, có một mảng boolean bên trong cho biết các mục nhập không hợp lệ. Các hoạt động với các mảng bị che khuất sẽ bỏ qua các mục này
>>> a[...].shape [2, 3, 4]9
Để biết chi tiết, hãy xem Mảng ẩn.
ma trậnLớp ma trận hai chiều của NumPy không còn được sử dụng nữa; .
ndarrayCấu trúc cơ bản của NumPy .
mảng đối tượngMột mảng có dtype là
>>> a[0,...,0].shape [3,]7; . Lập chỉ mục cho mảng dereferences các đối tượng Python, do đó, không giống như các ndarray khác, một mảng đối tượng có khả năng chứa các đối tượng không đồng nhấtnói tục
numpy. ravel and numpy. làm phẳng cả hai đều làm phẳng một ndarray.
>>> a[0,...,0].shape [3,]8 sẽ trả về một lượt xem nếu có thể; .
Làm phẳng thu gọn một mảng nhiều chiều thành một chiều duy nhất;
ghi mảngA với việc cho phép truy cập theo kiểu thuộc tính [
>>> a = np.arange[24].reshape[2,3,4] >>> a 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]]]] >>> a[1:,-2:,:-1] array[[[[16, 17, 18], [20, 21, 22]]]]1] ngoài
>>> a = np.arange[24].reshape[2,3,4] >>> a 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]]]] >>> a[1:,-2:,:-1] array[[[[16, 17, 18], [20, 21, 22]]]]2. Để biết chi tiết, hãy xem numpy. sửa lại. hàng lớn
Xem Thứ tự chính của hàng và cột. NumPy tạo các mảng theo thứ tự hàng chính theo mặc định
vô hướngTrong NumPy, thường là một từ đồng nghĩa với
hình dạngMột bộ hiển thị độ dài của mỗi chiều của ndarray. Độ dài của chính bộ dữ liệu là số thứ nguyên [ numpy. đim ]. Tích của các phần tử bộ dữ liệu là số phần tử trong mảng. Để biết chi tiết, hãy xem numpy. ndarray. hình dạng .
sải bướcBộ nhớ vật lý là một chiều; . Đối với một mảng N chiều, thuộc tính
>>> a = np.arange[24].reshape[2,3,4] >>> a 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]]]] >>> a[1:,-2:,:-1] array[[[[16, 17, 18], [20, 21, 22]]]]3 của nó là một bộ N phần tử;
Sải được tính toán tự động từ kiểu và hình dạng của mảng, nhưng có thể được chỉ định trực tiếp bằng cách sử dụng as_strided.
Để biết chi tiết, hãy xem numpy. ndarray. sải bước .
Để xem cách sải bước làm nền tảng cho sức mạnh của chế độ xem NumPy, hãy xem Mảng NumPy. một cấu trúc để tính toán số hiệu quả
mảng cấu trúcMảng có một
kiểu dữ liệu có cấu trúcNgười dùng có thể tạo phức hợp tùy ý có thể bao gồm các mảng và kiểu dữ liệu khác. Các kiểu kết hợp này được gọi là kiểu dữ liệu có cấu trúc.
mảng conMột mảng được lồng trong một , như ở đây có
>>> a = np.arange[24].reshape[2,3,4] >>> a 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]]]] >>> a[1:,-2:,:-1] array[[[[16, 17, 18], [20, 21, 22]]]]8
>>> a[...,0].shape [2, 3]0kiểu dữ liệu mảng con
Một phần tử của kiểu dữ liệu có cấu trúc hoạt động giống như một ndarray
Tiêu đềBí danh cho tên trường trong kiểu dữ liệu có cấu trúc
loại hìnhTrong NumPy, thường là một từ đồng nghĩa với. Đối với ý nghĩa Python tổng quát hơn,
ufuncTính toán nhanh từng phần tử của NumPy [] đưa ra lựa chọn hàm nào được áp dụng. Số hạng chung của hàm là
>>> a = np.arange[24].reshape[2,3,4] >>> a 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]]]] >>> a[1:,-2:,:-1] array[[[[16, 17, 18], [20, 21, 22]]]]9, viết tắt của
>>> np.arange[12].reshape[4, -1].shape [4, 3]00. Các quy trình NumPy có ufunc tích hợp sẵn nhưng người dùng cũng có thể viết của riêng họ. véc tơ hóa
NumPy chuyển giao xử lý mảng cho C, trong đó vòng lặp và tính toán nhanh hơn nhiều so với Python. Để khai thác điều này, các lập trình viên sử dụng NumPy loại bỏ các vòng lặp Python để ưu tiên các hoạt động từ mảng đến mảng. có thể đề cập đến cả giảm tải C và cấu trúc mã NumPy để tận dụng nó
lượt xemKhông cần chạm vào dữ liệu cơ bản, NumPy có thể làm cho một mảng xuất hiện để thay đổi kiểu dữ liệu và hình dạng của nó
Một mảng được tạo theo cách này là một dạng xem và NumPy thường khai thác hiệu suất đạt được khi sử dụng một dạng xem so với việc tạo một mảng mới
Một nhược điểm tiềm ẩn là việc ghi vào chế độ xem cũng có thể thay đổi bản gốc. Nếu đây là một vấn đề, thay vào đó, NumPy cần tạo một mảng vật lý riêng biệt – một
Một số quy trình NumPy luôn trả về chế độ xem, một số luôn trả về bản sao, một số có thể trả về cái này hoặc cái kia và đối với một số lựa chọn có thể được chỉ định. Trách nhiệm quản lý lượt xem và bản sao thuộc về lập trình viên. sẽ kiểm tra xem
>>> a = np.arange[24].reshape[2,3,4] >>> a 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]]]] >>> a[1:,-2:,:-1] array[[[[16, 17, 18], [20, 21, 22]]]]8 có phải là chế độ xem của
>>> a[0,...].shape [3, 4]0 hay không, nhưng câu trả lời chính xác không phải lúc nào cũng khả thi, như trang tài liệu giải thích