NumPy中的ndarray对象

NumPy模块提供的最重要的对象是ndarray（N-dimensional array，N维数组）。

NumPy ndarray是一系列具有相同数据类型数据元素的集合。

每个数据元素占有的内存区域大小相同，并由称为dtype数据类型的对象表示。

NumPy ndarray数组的索引从0开始。

从ndarray对象中提取的任何数据项（通过切片获取到的）都由数组标量类型之一的Python对象表示。

ndarray、dtype和数组标量类型之间的关系如下图所示：

NumPy ndarray的维数和数据元素数量由其shape属性进行定义，该属性是包含N个非负整数的元组对象，每个非负整数代表NumPy ndarray数组每维的数据元素数量

不同的ndarray可以共享相同的数据，因此在一个ndarray中所做的修改可能在另一个ndarray中可见。

ndarray数组的创建

使用NumPy中的array函数可以创建一个ndarray数组。其基本语法形式如下：

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

各参数的含义如下表所示：

为了更好的理解该函数，下面举一些例子用于说明相关参数的作用。

一维数组的创建

下面是一个使用array函数创建一维数组的例子。

import numpy as np
arr1 = np.array([1, 2, 3])
print(arr1)

输出结果如下：

[1 2 3]

在上面的程序代码中，import numpy as np用于导入NumPy库，并定义一个名为np的别名。这种导入NumPy库的写法在使用中是常见的。这种写法避免了与Python或其他库中的同名标识符产生冲突。

多维数组的创建

下面是一个创建二维数组的例子：

import numpy as np
arr2 = np.array([[1, 2], [3, 4]])
print(arr2)

输出结果如下

[[1 2]
 [3 4]]

下面是一个创建三维数组的例子：

import numpy as np
arr3 = np.array([[[1, 2], [3, 4]],[[5, 6], [7, 8]]])
print(arr3)

输出结果如下

[[[1 2]
  [3 4]]

 [[5 6]
 [7 8]]]

创建数组时指定dtype参数

下面是在定义数组时指定dtype参数的例子：

import numpy as np
arr4 = np.array([1, 2, 3, 4], dtype=np.int8)
arr5 = np.array([1, 2, 3, 4], dtype=complex)
print(arr4)
print(arr5)

输出结果为：

[1 2 3 4]
[1.+0.j 2.+0.j 3.+0.j 4.+0.j]

在上面的例子中，在定义arr4时，指定数组数据元素的数据类型为8位的整型数，其取值范围为：-128~127，如果数组的数据元素值超过这个范围，程序会抛出OverflowError错误。

指定order参数

import numpy as np
arr6 = np.array([[1, 2], [3, 4]], order='C')
arr7 = np.array([[1, 2], [3, 4]], order='F')
print(arr6)
print(arr7)

输出结果如下：

[[1 2]
 [3 4]]
[[1 2]
 [3 4]]

从上面的输出结果可以看出，两者并没有区别。但是其在内存中存储时是有区别的：在指定order参数值为'C'时，其表示为C语言风格的存储顺序，即行优先的顺序，在上面的例子中，行优先顺序的内存存储布局为：1，2，3，4。

在指定order参数值为'F'时，其表示为Fortran风格的存储顺序，即列优先的顺序。在上面的例子中，列优先顺序的内存存储布局为：1，3，2，4。

指定ndmin参数

下面是在定义数组时指定ndmin的例子：

import numpy as np
arr8 = np.array([1, 2, 3, 4, 5, 6], ndmin=2)
arr9 = np.array([1, 2, 3, 4, 5, 6], ndmin=3)
print(arr8)
print(arr9)

输出结果如下：

[[1 2 3 4 5 6]]
[[[1 2 3 4 5 6]]]

从上面的输出结果可以看出，对于同样的数据序列，因为指定ndmin参数值不同，其生成的数组维度是不同的。