最近在将一个算法由matlab转成python，初学python，很多地方还不熟悉，总体感觉就是上手容易，实际上很优雅地用python还是蛮难的。目前为止，觉得就算法仿真研究而言，还是matlab用得特别舒服，可能是比较熟悉的缘故吧。matlab直接集成了很多算法工具箱，函数查询、调用、变量查询等非常方便，或许以后用久了python也会感觉很好用。与python相比，最喜欢的莫过于可以直接选中某段代码执行了，操作方便，python也可以实现，就是感觉不是很方便。
言归正传，做算法要用到很多的向量和矩阵运算操作，这些嘛在matlab里面已经很熟悉了，但用python的时候需要用一个查一个，挺烦的，所以在此稍作总结，后续使用过程中会根据使用体验更新。
python的矩阵运算主要依赖numpy包，scipy包以numpy为基础，大大扩展了后者的运算能力。
2.创建一般的多维数组
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
import numpy as np
a = np.array([1,2,3], dtype=int)  # 创建1*3维数组   array([1,2,3])
type(a)  # numpy.ndarray类型
a.shape  # 维数信息(3L,)
a.dtype.name   # 'int32'
a.size   # 元素个数：3
a.itemsize  #每个元素所占用的字节数目:4
b=np.array([[1,2,3],[4,5,6]],dtype=int)  # 创建2*3维数组  array([[1,2,3],[4,5,6]])
b.shape  # 维数信息(2L,3L)
b.size   # 元素个数：6
b.itemsize   # 每个元素所占用的字节数目:4
c=np.array([[1,2,3],[4,5,6]],dtype='int16')  # 创建2*3维数组  array([[1,2,3],[4,5,6]],dtype=int16)
c.shape  # 维数信息(2L,3L)
c.size   # 元素个数：6
c.itemsize   # 每个元素所占用的字节数目:2
c.ndim  # 维数
d=np.array([[1,2,3],[4,5,6]],dtype=complex)    #  复数二维数组
d.itemsize  # 每个元素所占用的字节数目：16
d.dtype.name  # 元素类型：'complex128'
3.创建特殊类型的多维数组
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
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
a1 = np.zeros((3,4))    # 创建3*4全零二维数组
输出：
array([[ 0.,  0.,  0.,  0.],
[ 0.,  0.,  0.,  0.],
[ 0.,  0.,  0.,  0.]])
a1.dtype.name   # 元素类型：'float64'
a1.size  # 元素个数：12
a1.itemsize  # 每个元素所占用的字节个数：8
a2 = np.ones((2,3,4), dtype=np.int16)  # 创建2*3*4全1三维数组
a2 = np.ones((2,3,4), dtype='int16')     # 创建2*3*4全1三维数组
输出：
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]], dtype=int16)
a3 = np.empty((2,3))  # 创建2*3的未初始化二维数组
输出：(may vary)
array([[ 1.,  2.,  3.],
[ 4.,  5.,  6.]])
a4 = np.arange(10,30,5)   # 初始值10，结束值：30(不包含)，步长：5
输出：array([10, 15, 20, 25])
a5 = np.arange(0,2,0.3)    # 初始值0，结束值：2(不包含)，步长：0.2
输出：array([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])
from numpy import pi
np.linspace(0, 2, 9)   # 初始值0，结束值：2(包含)，元素个数：9
输出：
array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])
x = np.linspace(0, 2*pi, 9)
输出：
array([ 0.        ,  0.78539816,  1.57079633,  2.35619449,  3.14159265,
3.92699082,  4.71238898,  5.49778714,  6.28318531])
a = np.arange(6)
输出：
array([0, 1, 2, 3, 4, 5])
b = np.arange(12).reshape(4,3)
输出：
array([[ 0,  1,  2],
[ 3,  4,  5],
[ 6,  7,  8],
[ 9, 10, 11]])
c = np.arange(24).reshape(2,3,4)
输出：
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]]])
使用numpy.set_printoptions可以设置numpy变量的打印格式
在ipython环境下，使用help(numpy.set_printoptions)查询使用帮助和示例
4.多维数组的基本操作
加法和减法操作要求操作双方的维数信息一致，均为M*N为数组方可正确执行操作。
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
27
28
29
a = np.arange(4)
输出：
array([0, 1, 2, 3])
b = a**2
输出：
array([0, 1, 4, 9])
c = 10*np.sin(a)
输出：
array([ 0.        ,  8.41470985,  9.09297427,  1.41120008])
n < 35
输出：
array([ True,  True,  True,  True], dtype=bool)
A = np.array([[1,1],[0,1]])
B = np.array([[2,0],[3,4]])
C = A * B    # 元素点乘
输出：
array([[2, 0],
[0, 4]])
D = A.dot(B)   # 矩阵乘法
输出：
array([[5, 4],
[3, 4]])
E = np.dot(A,B)   # 矩阵乘法
输出：
array([[5, 4],
[3, 4]])
多维数组操作过程中的类型转换
When operating with arrays of different types, the type of the resulting array corresponds to the more general or precise one (a behavior known as upcasting)
即操作不同类型的多维数组时，结果自动转换为精度更高类型的数组，即upcasting
1
2
3
4
a = np.ones((2,3),dtype=int)      # int32
b = np.random.random((2,3))     # float64
b += a  # 正确
a += b  # 错误
1
2
3
4
5
6
7
8
9
10
a = np.ones(3,dtype=np.int32)
b = np.linspace(0,pi,3)
c = a + b
d = np.exp(c*1j)
输出：
array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
-0.54030231-0.84147098j])
d.dtype.name
输出：
'complex128'
多维数组的一元操作，如求和、求最小值、最大值等
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
27
a = np.random.random((2,3))
a.sum()
a.min()
a.max()
b = np.arange(12).reshape(3,4)
输出：
array([[ 0,  1,  2,  3],
[ 4,  5,  6,  7],
[ 8,  9, 10, 11]])
b.sum(axis=0)    # 按列求和
输出：
array([12, 15, 18, 21])
b.sum(axis=1)    # 按行求和
输出：
array([ 6, 22, 38])
b.cumsum(axis=0)   # 按列进行元素累加
输出：
array([[ 0,  1,  2,  3],
[ 4,  6,  8, 10],
[12, 15, 18, 21]])
b.cumsum(axis=1)   # 按行进行元素累加
输出：
array([[ 0,  1,  3,  6],
[ 4,  9, 15, 22],
[ 8, 17, 27, 38]])
universal functions
1
2
3
4
5
B = np.arange(3)
np.exp(B)
np.sqrt(B)
C = np.array([2.,-1.,4.])
np.add(B,C)
其他的ufunc函数包括：
5.数组索引、切片和迭代
1
2
3
4
5
6
a = np.arange(10)**3
a[2]
a[2:5]
a[::-1] # 逆序输出
for i in a:
print (i**(1/3.))
1
2
3
4
5
6
7
8
def f(x,y):
return 10*x+y
b = np.fromfunction(f,(5,4),dtype=int)
b[2,3]
b[0:5,1]
b[:,1]
b[1:3,:]
b[-1]
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
c = np.array([[[0,1,2],[10,11,12]],[[100,101,102],[110,111,112]]])
输出：
array([[[  0,   1,   2],
[ 10,  11,  12]],
[[100, 101, 102],
[110, 111, 112]]])
c.shape
输出：
(2L, 2L, 3L)
c[0,...]
c[0,:,:]
输出：
array([[ 0,  1,  2],
[10, 11, 12]])
c[:,:,2]
c[...,2]
输出：
array([[  2,  12],
[102, 112]])
for row in c:
print(row)
for element in c.flat:
print(element)
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
27
28
29
30
31
32
33
34
35
36
37
a = np.floor(10*np.random.random((3,4)))
输出：
array([[ 3.,  9.,  8.,  4.],
[ 2.,  1.,  4.,  6.],
[ 0.,  6.,  0.,  2.]])
a.ravel()
输出：
array([ 3.,  9.,  8., ...,  6.,  0.,  2.])
a.reshape(6,2)
输出：
array([[ 3.,  9.],
[ 8.,  4.],
[ 2.,  1.],
[ 4.,  6.],
[ 0.,  6.],
[ 0.,  2.]])
a.T
输出：
array([[ 3.,  2.,  0.],
[ 9.,  1.,  6.],
[ 8.,  4.,  0.],
[ 4.,  6.,  2.]])
a.T.shape
输出：
(4L, 3L)
a.resize((2,6))
输出：
array([[ 3.,  9.,  8.,  4.,  2.,  1.],
[ 4.,  6.,  0.,  6.,  0.,  2.]])
a.shape
输出：
(2L, 6L)
a.reshape(3,-1)
输出：
array([[ 3.,  9.,  8.,  4.],
[ 2.,  1.,  4.,  6.],
[ 0.,  6.,  0.,  2.]])
详查以下函数：
6.组合不同的多维数组
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
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
a = np.floor(10*np.random.random((2,2)))
输出：
array([[ 5.,  2.],
[ 6.,  2.]])
b = np.floor(10*np.random.random((2,2)))
输出：
array([[ 0.,  2.],
[ 4.,  1.]])
np.vstack((a,b))
输出：
array([[ 5.,  2.],
[ 6.,  2.],
[ 0.,  2.],
[ 4.,  1.]])
np.hstack((a,b))
输出：
array([[ 5.,  2.,  0.,  2.],
[ 6.,  2.,  4.,  1.]])
from numpy import newaxis
np.column_stack((a,b))
输出：
array([[ 5.,  2.,  0.,  2.],
[ 6.,  2.,  4.,  1.]])
a = np.array([4.,2.])
b = np.array([2.,8.])
a[:,newaxis]
输出：
array([[ 4.],
[ 2.]])
b[:,newaxis]
输出：
array([[ 2.],
[ 8.]])
np.column_stack((a[:,newaxis],b[:,newaxis]))
输出：
array([[ 4.,  2.],
[ 2.,  8.]])
np.vstack((a[:,newaxis],b[:,newaxis]))
输出：
array([[ 4.],
[ 2.],
[ 2.],
[ 8.]])
np.r_[1:4,0,4]
输出：
array([1, 2, 3, 0, 4])
np.c_[np.array([[1,2,3]]),0,0,0,np.array([[4,5,6]])]
输出：
array([[1, 2, 3, 0, 0, 0, 4, 5, 6]])
详细使用请查询以下函数：
7.将较大的多维数组分割成较小的多维数组
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
a = np.floor(10*np.random.random((2,12)))
输出：
array([[ 9.,  7.,  9., ...,  3.,  2.,  4.],
[ 5.,  3.,  3., ...,  9.,  7.,  7.]])
np.hsplit(a,3)
输出：
[array([[ 9.,  7.,  9.,  6.],
[ 5.,  3.,  3.,  1.]]), array([[ 7.,  2.,  1.,  6.],
[ 7.,  5.,  0.,  2.]]), array([[ 9.,  3.,  2.,  4.],
[ 3.,  9.,  7.,  7.]])]
np.hsplit(a,(3,4))
输出：
[array([[ 9.,  7.,  9.],
[ 5.,  3.,  3.]]), array([[ 6.],
[ 1.]]), array([[ 7.,  2.,  1., ...,  3.,  2.,  4.],
[ 7.,  5.,  0., ...,  9.,  7.,  7.]])]
实现类似功能的函数包括：
hsplit,vsplit,array_split
8.多维数组的复制操作
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
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
a = np.arange(12)
输出：
array([ 0,  1,  2, ...,  9, 10, 11])
not copy at all
b = a
b is a    # True
b.shape = 3,4
a.shape  # (3L,4L)
def f(x)   # Python passes mutable objects as references, so function calls make no copy.
print(id(x))   # id是python对象的唯一标识符
id(a)   # 111833936L
id(b)   # 111833936L
f(a)     # 111833936L
浅复制
c = a.view()
c is a   # False
c.base is a   # True
c.flags.owndata    # False
c.shape = 2,6
a.shape   # (3L,4L)
c[0,4] = 1234
print(a)
输出：
array([[   0,    1,    2,    3],
[1234,    5,    6,    7],
[   8,    9,   10,   11]])
s = a[:,1:3]
s[:] = 10
print(a)
输出：
array([[   0,   10,   10,    3],
[1234,   10,   10,    7],
[   8,   10,   10,   11]])
深复制
d = a.copy()
d is a   # False
d.base is a   # False
d[0,0] = 9999
print(a)
输出：
array([[   0,   10,   10,    3],
[1234,   10,   10,    7],
[   8,   10,   10,   11]])
numpy基本函数和方法一览
Array   Creation
Conversions
Manipulations
Ordering
Operations
Basic Statistics
Basic Linear Algebra
完整的函数和方法一览表链接：
https://docs.scipy.org/doc/numpy-dev/reference/routines.html#routines
9.特殊的索引技巧
1 a = np.arange(12)**2
2 输出：
3 array([  0,   1,   4, ...,  81, 100, 121])
4 i = np.array([1,1,3,8,5])
5 a[i]
6 输出：
7 array([ 1,  1,  9, 64, 25])
8
9 j = np.array([[3,4],[9,7]])
10 a[j]
11 输出：
12 array([[ 9, 16],
13        [81, 49]])
14
15
16 palette = np.array([[0,0,0],[255,0,0],[0,255,0],[0,0,255],[255,255,255]])
17 image = np.array([[0,1,2,0],[0,3,4,0]])
18 palette[image]
19 输出：
20 array([[[  0,   0,   0],
21         [255,   0,   0],
22         [  0, 255,   0],
23         [  0,   0,   0]],
24
25        [[  0,   0,   0],
26         [  0,   0, 255],
27         [255, 255, 255],
28         [  0,   0,   0]]])
29
30
31 i = np.array([[0,1],[1,2]])
32 j = np.array([[2,1],[3,3]])
33 a[i,j]
34 输出：
35 array([[ 2,  5],
36        [ 7, 11]])
37 l = [i,j]
38 a[l]
39 输出：
40 array([[ 2,  5],
41        [ 7, 11]])
42
43
44 a[i,2]
45 输出：
46 array([[ 2,  6],
47        [ 6, 10]])
48
49 a[:,j]
50 输出：
51 array([[[ 2,  1],
52         [ 3,  3]],
53
54        [[ 6,  5],
55         [ 7,  7]],
56
57        [[10,  9],
58         [11, 11]]])
s = np.array([i,j])
print(s)
array([[[0, 1],
[1, 2]],
[[2, 1],
[3, 3]]])
a[tuple(s)]
输出：
array([[ 2,  5],
[ 7, 11]])
print(tupe(s))
输出：
(array([[0, 1],
[1, 2]]), array([[2, 1],
[3, 3]]))
10.寻找最大值/最小值及其对应索引值
time = np.linspace(20, 145, 5)
输出：
array([  20.  ,   51.25,   82.5 ,  113.75,  145.  ])
data = np.sin(np.arange(20)).reshape(5,4)
输出：
array([[ 0.        ,  0.84147098,  0.90929743,  0.14112001],
[-0.7568025 , -0.95892427, -0.2794155 ,  0.6569866 ],
[ 0.98935825,  0.41211849, -0.54402111, -0.99999021],
[-0.53657292,  0.42016704,  0.99060736,  0.65028784],
[-0.28790332, -0.96139749, -0.75098725,  0.14987721]])
ind = data.argmax(axis=0)
输出：
array([2, 0, 3, 1], dtype=int64)
time_max = time[ind]
输出：
array([  82.5 ,   20.  ,  113.75,   51.25])
data_max = data[ind, xrange(data.shape[1])]
输出：
array([ 0.98935825,  0.84147098,  0.99060736,  0.6569866 ])
np.all(data_max == data.max(axis=0))
输出：
True
a = np.arange(5)
a[[1,3,4]] = 0
print(a)
输出：
array([0, 0, 2, 0, 0])
a = np.arange(5)
a[[0,0,2]] = [1,2,3]
print(a)
输出：
array([2, 1, 3, 3, 4])
a = np.arange(5)
a[[0,0,2]] += 1
print(a)
输出：
array([1, 1, 3, 3, 4])
a = np.arange(12).reshape(3,4)
b = a > 4
输出：
array([[False, False, False, False],
[False,  True,  True,  True],
[ True,  True,  True,  True]], dtype=bool)
a[b]
输出：
array([ 5,  6,  7,  8,  9, 10, 11])
a[b] = 0
print(a)
输出：
array([[0, 1, 2, 3],
[4, 0, 0, 0],
[0, 0, 0, 0]])
a = np.arange(12).reshape(3,4)
b1 = np.array([False,True,True])
b2 = n.array([True,False,True,False])
a[b1,:]
输出：
array([[ 4,  5,  6,  7],
[ 8,  9, 10, 11]])
a[b1]
输出：
array([[ 4,  5,  6,  7],
[ 8,  9, 10, 11]])
a[:,b2]
输出：
array([[ 0,  2],
[ 4,  6],
[ 8, 10]])
a[b1,b2]
输出：
array([ 4, 10])
11. ix_() function
1 a = np.array([2,3,4,5])
2 b = np.array([8,5,4])
3 c = np.array([5,4,6,8,3])
4 ax,bx,cx = np.ix_(a,b,c)
5 print(ax)   # (4L, 1L, 1L)
6 输出：
7 array([[[2]],
8
9        [[3]],
10
11        [[4]],
12
13        [[5]]])
14 print(bx)    # (1L, 3L, 1L)
15 输出：
16 array([[[8],
17         [5],
18         [4]]])
19 print(cx)   # (1L, 1L, 5L)
20 输出：
21 array([[[5, 4, 6, 8, 3]]])
22
23
24 result = ax + bx*cx
25 输出：
26 array([[[42, 34, 50, 66, 26],
27         [27, 22, 32, 42, 17],
28         [22, 18, 26, 34, 14]],
29
30        [[43, 35, 51, 67, 27],
31         [28, 23, 33, 43, 18],
32         [23, 19, 27, 35, 15]],
33
34        [[44, 36, 52, 68, 28],
35         [29, 24, 34, 44, 19],
36         [24, 20, 28, 36, 16]],
37
38        [[45, 37, 53, 69, 29],
39         [30, 25, 35, 45, 20],
40         [25, 21, 29, 37, 17]]])
41
42 result[3,2,4]
43 输出：17
12.线性代数运算
a = np.array([[1.,2.],[3.,4.]])
a.transpose()   # 转置
np.linalg.inv(a)   # 求逆
u = np.eye(2)   # 产生单位矩阵
np.dot(a,a)    # 矩阵乘积
np.trace(a)    # 求矩阵的迹
y = np.array([5.],[7.]])
np.linalg.solve(a,y)  # 求解线性方程组
np.linalg.eig(a)   # 特征分解
“Automatic” Reshaping
1 a = np.arange(30)
2 a.shape = 2,-1,3
3 a.shape   #  (2L, 5L, 3L)
4 print(a)
5 array([[[ 0,  1,  2],
6         [ 3,  4,  5],
7         [ 6,  7,  8],
8         [ 9, 10, 11],
9         [12, 13, 14]],
10
11        [[15, 16, 17],
12         [18, 19, 20],
13         [21, 22, 23],
14         [24, 25, 26],
15         [27, 28, 29]]])
1 x = np.arange(0,10,2)
2 y = np.arange(5)
3 m = np.vstack([x,y])
4 输出：
5 array([[0, 2, 4, 6, 8],
6        [0, 1, 2, 3, 4]])
7 n = np.hstack([x,y])
8 输出：
9 array([0, 2, 4, 6, 8, 0, 1, 2, 3, 4])
13.矩阵的创建
a = np.array([1,2,3])
a1 = np.mat(a)
输出：
matrix([[1, 2, 3]])
type(a1)
输出：
numpy.matrixlib.defmatrix.matrix
a1.shape
输出：
(1L, 3L)
a.shape
输出：
(3L,)
b=np.matrix([1,2,3])
输出：
matrix([[1, 2, 3]])
from numpy import *
data1 = mat(zeros((3,3)))
data2 = mat(ones((2,4)))
data3 = mat(random.rand(2,2))
data4 = mat(random.randint(2,8,size=(2,5)))
data5 = mat(eye(2,2,dtype=int))
14.常见的矩阵运算
1 a1 = mat([1,2])
2 a2 = mat([[1],[2]])
3 a3 = a1 * a2
4 print(a3)
5 输出：
6 matrix([[5]])
7
8 print(a1*2)
9 输出：
10 matrix([[2, 4]])
11
12 a1 = mat(eye(2,2)*0.5)
13 print(a1.I)
14 输出：
15 matrix([[ 2.,  0.],
16         [ 0.,  2.]])
17
18
19 a1 = mat([[1,2],[2,3],[4,2]])
20 a1.sum(axis=0)
21 输出：
22 matrix([[7, 7]])
23 a1.sum(axis=1)
24 输出：
25 matrix([[3],
26         [5],
27         [6]])
28 a1.max()  # 求矩阵元素最大值
29 输出：
30 4
31 a1.min()  # 求矩阵元素最小值
32 输出：
33 1
34
35 np.max(a1,0)  # 求矩阵每列元素最大值
36 输出：
37 matrix([[4, 3]])
38 np.max(a1,1)  # 求矩阵每行元素最大值
39 输出：
40 matrix([[2],
41         [3],
42         [4]])
43
44
45 a = mat(ones((2,2)))
46 b = mat(eye((2)))
47 c = hstack((a,b))
48 输出：
49 matrix([[ 1.,  1.,  1.,  0.],
50         [ 1.,  1.,  0.,  1.]])
51 d = vstack((a,b))
52 输出：
53 matrix([[ 1.,  1.],
54         [ 1.,  1.],
55         [ 1.,  0.],
56         [ 0.,  1.]])
15.矩阵、数组、列表之间的互相转换
1 aa = [[1,2],[3,4],[5,6]]
2 bb = array(aa)
3 cc = mat(bb)
4
5 cc.getA()  # 矩阵转换为数组
6 cc.tolist()  # 矩阵转换为列表
7 bb.tolist() # 数组转换为列表
8
9
10 # 当列表为一维时，情况有点特殊
11 aa = [1,2,3,4]
12 bb = array(aa)
13 输出：
14 array([1, 2, 3, 4])
15 cc = mat(bb)
16 输出：
17 matrix([[1, 2, 3, 4]])
18
19 cc.tolist()
20 输出：
21 [[1, 2, 3, 4]]
22
23 bb.tolist()
24 输出：
25 [1, 2, 3, 4]
26
27 cc.tolist()[0]
28 输出：
29 [1, 2, 3, 4]

总是让二维数组绕迷糊该怎么办？

快和小乔一起来用一个超具体、好理解的例子一起学习吧~

保证让你看后收获满满！！

文章目录
一、视频讲解
二、多维数组的介绍
三、多维数组的使用（以二维数组为例）
（一）静态初始化——指定数组内容
1.一般格式：
2.简便格式：
（二）动态初始化——指定数组长度
四、二维数组的遍历
1.代码：
2.讲解
五、练习题彩蛋

一、视频讲解

                        
                        
【本期视频图文讲解会放在专栏里】||【新手友好型视频】全面讲解Java二维数组（内含带答案和讲解的练习题喔）
                    

点击这里即可去B站观看
二、多维数组的介绍

Java中所谓的多维数组，实际上是由一维数组嵌套而成。
即一维数组的元素是另外一个一维数组时则称为二维数组
以此类推，一维数组的多次嵌套就构成了二维数组

三、多维数组的使用（以二维数组为例）
（一）静态初始化——指定数组内容

以下面图片为例子，便于大家理解


1.一般格式：
数据类型 [ ] [ ]  数组名称 = new 数据类型 [ ] [ ] {{元素1,元素2,…},{元素1,元素2,…},{…}};

eg:String [ ] [ ]  wodeaidou = new String [ ] [ ] {{“易烊千玺”,“男”},{“小乔”,“女”},{“小乔1”,“女”},{“小乔2”,“女”},{“小乔3”,“女”}};
2.简便格式：
数据类型 [ ] [ ]  数组名称 ={{元素1,元素2,…},{元素1,元素2,…},{…}};

eg:String [ ] [ ]  wodeaidou ={{“易烊千玺”,“男”},{“小乔”,“女”},{“小乔1”,“女”},{“小乔2”,“女”},{“小乔3”,“女”}};
（二）动态初始化——指定数组长度

以下面图片为例子，便于大家理解





eg:String [ ] [ ] wodeaidou = new String [5] [4];


eg:String [ ] [ ] wodeaidou = new String [5] [ ];
四、二维数组的遍历
1.代码：
package Sort;

public class ArrayExerciseT {

	public static void main(String[] args) {
		String wodeaidou[][] = new String[5][2];// 创建5个一维数组，每一一维数组中存放2个元素
		wodeaidou[0][0] = "易烊千玺";
		wodeaidou[0][1] = "男";
		wodeaidou[1][0] = "小乔";
		wodeaidou[1][1] = "女";
		wodeaidou[2][0] = "小乔1";
		wodeaidou[2][1] = "女";
		wodeaidou[3][0] = "小乔2";
		wodeaidou[3][1] = "女";
		wodeaidou[4][0] = "小乔3";
		wodeaidou[4][1] = "女";
		for (int i = 0; i < wodeaidou.length; i++) {// 遍历一维数组的个数即wodeaidou.length为5（行数）
			for (int j = 0; j < wodeaidou[i].length; j++) {// 遍历每个一维数组中元素的个数即wodeaidou[i].length为2（列数）
				System.out.print(wodeaidou[i][j]);// 每遍历一次输出一次
			}
			System.out.println();
		}
	}
}


2.讲解
（1）执行  String wodeaidou[][] = new String[5][2];  后结果如下图：

（因为此时没有初始化，所以存储的是String类型数组的默认值null）



（2）执行下面代码，执行完后得到如下图片：
		wodeaidou[0][0] = "易烊千玺";
		wodeaidou[0][1] = "男";
		wodeaidou[1][0] = "小乔";
		wodeaidou[1][1] = "女";
		wodeaidou[2][0] = "小乔1";
		wodeaidou[2][1] = "女";
		wodeaidou[3][0] = "小乔2";
		wodeaidou[3][1] = "女";
		wodeaidou[4][0] = "小乔3";
		wodeaidou[4][1] = "女";

结果：



（3）遍历数组：




i = 0
i < wodeaidou.length(即i<5)
j=0
j < wodeaidou[0].length(即j<2)
输出wodeaidou[0] [0]即"易烊千玺"




i = 0
i < wodeaidou.length(即i<5)
j=1
j < wodeaidou[0].length(即j<2)
输出wodeaidou[0] [1]即"男"


i = 1
i < wodeaidou.length(即i<5)
j=0
j < wodeaidou[1].length(即j<2)
输出wodeaidou[1] [0]即"小乔"


i = 1
i < wodeaidou.length(即i<5)
j=1
j < wodeaidou[1].length(即j<2)
输出wodeaidou[1] [1]即"女"


i = 2
i < wodeaidou.length(即i<5)
j=0
j < wodeaidou[2].length(即j<2)
输出wodeaidou[2] [0]即"小乔1"


i = 2
i < wodeaidou.length(即i<5)
j=1
j < wodeaidou[2].length(即j<2)
输出wodeaidou[2] [1]即"女"


i = 3
i < wodeaidou.length(即i<5)
j=0
j < wodeaidou[3].length(即j<2)
输出wodeaidou[3] [0]即"小乔2"


i = 3
i < wodeaidou.length(即i<5)
j=1
j < wodeaidou[3].length(即j<2)
输出wodeaidou[3] [1]即"女"


i = 4
i < wodeaidou.length(即i<5)
j=0
j < wodeaidou[4].length(即j<2)
输出wodeaidou[4] [0]即"小乔3"


i = 4
i < wodeaidou.length(即i<5)
j=1
j < wodeaidou[4].length(即j<2)
输出wodeaidou[4] [1]即"女"


（4）输出结果：



（5）总结：

二维数组的遍历需要使用双重for循环
第一个for循环得到一维数组的个数（即行数）
第二个for循环得到每个一维数组中存放的元素的个数（即每行的列数）

for (int i = 0; i < wodeaidou.length; i++) {// 遍历一维数组的个数即wodeaidou.length为5（行数）
			for (int j = 0; j < wodeaidou[i].length; j++) {// 遍历每个一维数组中元素的个数即wodeaidou[i].length为2（列数）

五、练习题彩蛋


推荐你看：


【图文+视频新手也友好】Java一维数组详细讲解（内含练习题答案+详解）点击这里即可查看


双重for循环【视频+图文】讲解传输门：点击这里即可查看


【视频+图文】新手友好型Java return语句用法 讲解传输门：点击这里即可查看


【视频+图文新手也友好】Java ++i(前自增)和i++(后自增)用法详解）


带continue语句的双重for循环【视频+图文】讲解传输门：点击这里即可查看


带break语句的双重for循环【视频+图文】讲解传输门：点击这里即可查看


【你需要的各种数据类型转换，这里都有~】传输门：点击这里即可查看


新手友好型Eclipse快捷键大全（解密为什么他们的代码写的又快又好~）


如果你觉得这篇文章还不错，麻烦帮我点个赞鸭！可以让更多人看到这篇文章。让我有动力继续更技术文~

在程序中可以使用下标变量，即说明这些变量的整体为数组，数组中的每个变量的数据类型是相同的。

当数组中每个元素都只带有一个下标时，称这样的数组为一维数组。

一维数组是由数字组成的以单纯的排序结构排列的结构单一的数组。一维数组是计算机程序中最基本的数组。二维及多维数组可以看作是一维数组的多次叠加产生的。

数组是计算机编程中的重要概念，运用数组可以方便地处理大规模的数据。

PHP 中的数组实际上是一个有序映射。映射是一种把 values 关联到 keys 的类型。此类型在很多方面做了优化，因此可以把它当成真正的数组，或列表（向量），散列表（是映射的一种实现），字典，集合，栈，队列以及更多可能性。由于数组元素的值也可以是另一个数组，树形结构和多维数组也是允许的。

下面我来介绍一个简单的一维数组求最大值、最小值、平均值；代码如下



结果如下：



本篇文章就是关于求一维数组98,23,76,99,88,68的最大值、最小值和平均值的具体介绍，仅供参考，希望对有需要的朋友有所帮助！

二维数组的初识及初始化
二维数组定义的形式是数组名[常量表达式][常量表达式] 。本质上多维数组与一维数组是一样的，他们在内存中是线性排列的，这里对多维的定义实际上是反复递归对一维的定义，即N维数组是一个集合，包含多个元素，每个元素又是一个N-1维数组。

对于多维数组，我们约定方括号越往左边成为高维，越往右边称为低维，最左边的是第一维，其每一维的长度由方括号内的常量表达式决定，如a[3][4]，表示有三个一维数组，每个一位数组里有4个元素.



让我们看下面的这个例子：
#include<stdio.h>
int b[4][4];  //在函数体外定义的全局变量自动初始化为零 
int main(void)
{
	int a[4][4] = {{1},{1,2},{1,2,3},{1,2,3,4}};  //在函数体内定义的变量需要自己初始化，注意多维数组初始化的格式 
	int i , j ;
	for(i = 0; i <= 3; i++ )
		{for(j = 0; j <= 3; j++ )
			printf("a[%d][%d] %d  ", i , j, a[i][j] );
		}
	for(i = 0; i <= 3; i++ )
		{for(j = 0; j <= 3; j++ )
			printf("b[%d][%d] %d  ", i , j, b[i][j] );
		}
	return 0;
}

对于多维数组的初始化，我们有两种方法一种是按多维数组初始化，另外一种是按一维数组初始化。



另外，在函数体内初始化和在函数体外初始化也是不同的，在上面的例子中，在函数体外定义的b数组自动初始化为零，不需额外操作，而在函数体内定义的a数组则需要自己初始化，要注意多维数组初始化的格式。并且，在函数体内定义的数组如果只初始化了一部分，剩下的元素都会被初始化为零。

在已经给出初值列表的情况下，定义多维数时可以不用说明第一维数组的长度，编译器会根据列出的元素自动给出能容纳元素的最小数组长度。


二维数组的引用与遍历
#include<stdio.h>
int main(void)
{
	int i , j , n ;
	printf("Please input how many dimensional array you want to create\n");
	scanf("%d",&n);
	int a[n][n] ;
	printf("Please input your Multidimensional array\n");
	for(i =0 ; i < n ; i++ )
		for(j =0 ; j < n ; j++ )
			scanf("%d",&a[i][j]);
	printf("\n");
	for(i =0 ; i < n ; i++ )
		{for(j =0 ; j < n ; j++ )
			{printf("%d  ",a[i][j]);
			if(j == n-1)
			printf("\n");
			}
		}
	return 0;
} 

在引用二维数组时，和一维数组一样，我们不能直接引用整个数组，而是只能引用其中的元素，要注意每个元素的下标。
#include<stdio.h>
int main(void)
{
	int a[4][4] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16} ;
	int i , j , sum ; 
	//主对角线元素遍历 
	for( sum = 0 , i = 0 ; i < 4 ; i++ )
		{j = i ;
		printf("%d ", a[i][j] );
		sum += a[i][j] ;
		}
	printf("\n主对角线元素之和为%d\n",sum) ;
	//副对角线元素遍历
	for( sum = 0 , i = 0 ; i < 4 ; i++ )
		{j = 3-i ;
		printf("%d ", a[i][j] );
		sum += a[i][j] ; 
		}
	printf("\n副对角线元素之和为%d\n",sum) ;
	//左上三角元素遍历
	for( sum = 0 , i = 0 ; i < 4 ; i++ )
		{for( j = 0 ; j < 4-i ; j++ )
			{printf("%d ", a[i][j] );
			sum += a[i][j] ;
			}
		}
	printf("\n左上三角元素之和为%d\n",sum) ;
	//左下三角元素遍历
	for( sum = 0 , i = 0 ; i < 4 ; i++ )
		{for( j = 0 ; j < i+1 ; j++ )
			{printf("%d ", a[i][j] );
			sum += a[i][j] ;
			}
		}
	printf("\n左下三角元素之和为%d\n",sum) ;
	//右下三角元素遍历
	for( sum = 0 , i = 0 ; i < 4 ; i++ )
		{for( j = 3-i ; j < 4 ; j++ )
			{printf("%d ", a[i][j] );
			sum += a[i][j] ;
			}
		}
	printf("\n右下三角元素之和为%d\n",sum) ;
	//右上三角元素遍历
	for( sum = 0 , i = 0 ; i < 4 ; i++ )
		{for( j = i ; j < 4 ; j++ )
			{printf("%d ", a[i][j] );
			sum += a[i][j] ;
			}
		}
	printf("\n右上三角元素之和为%d\n",sum) ;
	//内部元素遍历 
	for( sum = 0 , i = 1 ; i < 3 ; i++ )
		{for( j = 1 ; j < 3 ; j++ )
			{printf("%d ", a[i][j] );
			sum += a[i][j] ;
			}
		}
	printf("\n内部元素之和为%d\n",sum) ;
	//外部元素遍历 
	for( sum = 0 , i = 0 ; i < 4 ; i++ )
		{for( j = 0 ; j < 4 ; j++ )
			{printf("%d ", a[i][j] );
			sum += a[i][j] ;
			}
		}
	printf("\n外部元素之和为%d\n",sum) ;
	return 0;
}

通过对下表的条件限制，我们可以实现对二维数组中元素的遍历，进而实现求和求积等操作。