精华内容
下载资源
问答
  • 2022-03-13 14:12:10

    描述

    请补全JavaScript代码,要求返回一个长度为参数值并且每一项值都为参数值的数组。
    注意:
    1. 请勿直接使用for/while

    <!DOCTYPE html>
    <html>
        <head>
            <meta charset=utf-8>
        </head>
        <body>
        	
            <script type="text/javascript">
                const _createArray = (number) => {
                   //1、通过new Array函数构造实例的时候带入参数,可以生成该参数长度的空数组
                   //2、通过Array.fill函数可以将数组的每一项都改编为参数值
                   //3、或Array.from函数接收两个参数即可,第一个参数为数组或对象,都表示返回数组的长度
                   //当参数为数组时它确定了返回的新数组长度,当参数为对象时,需要添加“length”属性表明数组长度
                   //4、第二个参数为一个函数,即第一个数组参数中的每一项都调用该函数
                    return Array(number).fill(number);
                }
                
                //第二种方法
                const _createArray = (number) =>{
                    return Array(number).from({length:number},()=>number)
                }
            </script>
        </body>
    </html>

    更多相关内容
  • numpy创建array方法汇总

    千次阅读 2020-12-01 14:37:34
    创建numpy.array,是使用numpy这个核武器的基础,本文尽量汇总常用创建numpy.array方法array函数>>> import numpy as np>>> a = np.array([1,2,3,4,5])>>> aarray([1, 2, 3, 4, 5])&...

    创建numpy.array,是使用numpy这个核武器的基础,本文尽量汇总常用创建numpy.array的方法。

    array函数

    >>> import numpy as np

    >>> a = np.array([1,2,3,4,5])

    >>> a

    array([1, 2, 3, 4, 5])

    >>> a.shape

    (5,)

    >>> a.ndim

    1

    >>> a.dtype

    dtype('int32')

    >>>

    >>> b = np.array((1,2,3,4,5.0))

    >>> b

    array([1., 2., 3., 4., 5.])

    >>> b.shape

    (5,)

    >>> b.ndim

    1

    >>> b.dtype

    dtype('float64')

    a用list创建,b用tuple创建,都一样。注意创建b时,tuple中有一个float,这时numpy将所有数据都转换成了它自己的float64类型。numpy.array中不允许有不同类型的数据同时存在。

    我们还可以通过array函数创建多维数组:

    >>> c = np.array(([1,2,3],[4,5,6],[7,8,9]))

    >>> c

    array([[1, 2, 3],

    [4, 5, 6],

    [7, 8, 9]])

    >>> c.shape

    (3, 3)

    >>> c.ndim

    2

    >>>

    >>> d = np.array([[1,2,3],[4,5,6],[7,8,9.0]])

    >>> d.dtype

    dtype('float64')

    >>> d

    array([[1., 2., 3.],

    [4., 5., 6.],

    [7., 8., 9.]])

    创建array时,可以指定dtype:

    >>> e = np.array((1,2,3), dtype=np.int64)

    >>> e

    array([1, 2, 3], dtype=int64)

    >>>

    >>> f = np.array((1,2,3), dtype=np.float16)

    >>> f

    array([1., 2., 3.], dtype=float16)

    zeros函数

    用zeros函数创建全0的array:

    >>> a = np.zeros((2,3))

    >>> a

    array([[0., 0., 0.],

    [0., 0., 0.]])

    >>>

    >>> b = np.zeros((3,5), dtype=np.int8)

    >>> b

    array([[0, 0, 0, 0, 0],

    [0, 0, 0, 0, 0],

    [0, 0, 0, 0, 0]], dtype=int8)

    zeros_like函数

    创建一个全0的,跟输入的array的shape一样的:

    >>> a = np.array([[1,2,3],[4,5,6]])

    >>> a

    array([[1, 2, 3],

    [4, 5, 6]])

    >>> b = np.zeros_like(a)

    >>> b

    array([[0, 0, 0],

    [0, 0, 0]])

    >>> a.shape

    (2, 3)

    >>> b.shape

    (2, 3)

    >>> c = np.zeros_like(a, dtype=np.uint8)

    >>> c

    array([[0, 0, 0],

    [0, 0, 0]], dtype=uint8)

    >>> c.shape

    (2, 3)

    ones函数

    跟zeros函数一样,创建全1的numpy.array,代码略。

    ones_like函数

    跟zeros_like函数一样,全1而已,注意这些函数都可以指定dtype。

    empty函数

    跟zeros和ones一样,不一样的地方在于,empty函数不对数据做初始化,即所有的内部数据都是随机的,看内存什么样子。有的时候使用empty函数,不做初始化,还可以进一步提高计算速度。

    >>> a = np.empty((5,5))

    >>> a

    array([[0.00000000e+000, 2.30226697e-307, 2.30240278e-307,

    2.30259291e-307, 2.30275588e-307],

    [2.13425923e-307, 2.13439504e-307, 2.13453085e-307,

    2.13473456e-307, 2.13493827e-307],

    [2.13504692e-307, 2.13527779e-307, 2.13554940e-307,

    2.13572595e-307, 2.13591609e-307],

    [2.51437149e-307, 2.51456162e-307, 2.51476533e-307,

    2.51500978e-307, 2.51517275e-307],

    [2.51537647e-307, 2.51562092e-307, 2.51582463e-307,

    2.51598760e-307, 2.28647257e-317]])

    empty_like函数

    跟其它*_like函数一样,也跟自己的empty一样,不做初始化。代码略。

    arange函数

    a range,一个范围,就像python内置的range一样:

    >>> a = np.arange(10)

    >>> a

    array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

    >>> b = np.arange(0,100,5)

    >>> b

    array([ 0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80,

    85, 90, 95])

    >>> c = np.arange(20).reshape(5,4)

    >>> c

    array([[ 0, 1, 2, 3],

    [ 4, 5, 6, 7],

    [ 8, 9, 10, 11],

    [12, 13, 14, 15],

    [16, 17, 18, 19]])

    >>> c.shape

    (5, 4)

    >>>

    >>> d = np.arange(0,1,0.01).reshape(10,10)

    >>> d

    array([[0. , 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09],

    [0.1 , 0.11, 0.12, 0.13, 0.14, 0.15, 0.16, 0.17, 0.18, 0.19],

    [0.2 , 0.21, 0.22, 0.23, 0.24, 0.25, 0.26, 0.27, 0.28, 0.29],

    [0.3 , 0.31, 0.32, 0.33, 0.34, 0.35, 0.36, 0.37, 0.38, 0.39],

    [0.4 , 0.41, 0.42, 0.43, 0.44, 0.45, 0.46, 0.47, 0.48, 0.49],

    [0.5 , 0.51, 0.52, 0.53, 0.54, 0.55, 0.56, 0.57, 0.58, 0.59],

    [0.6 , 0.61, 0.62, 0.63, 0.64, 0.65, 0.66, 0.67, 0.68, 0.69],

    [0.7 , 0.71, 0.72, 0.73, 0.74, 0.75, 0.76, 0.77, 0.78, 0.79],

    [0.8 , 0.81, 0.82, 0.83, 0.84, 0.85, 0.86, 0.87, 0.88, 0.89],

    [0.9 , 0.91, 0.92, 0.93, 0.94, 0.95, 0.96, 0.97, 0.98, 0.99]])

    跟python内置的range不一样的地方是,step可以是小数,不过一般不建议这样用,要产生均匀间隔的数据,建议使用下面这个函数:linspace

    linspace函数

    设置起点和终点,设置一共取多少个数:

    >>> a = np.linspace(0,1,100).reshape(10,10)

    >>> a

    array([[0. , 0.01010101, 0.02020202, 0.03030303, 0.04040404,

    0.05050505, 0.06060606, 0.07070707, 0.08080808, 0.09090909],

    [0.1010101 , 0.11111111, 0.12121212, 0.13131313, 0.14141414,

    0.15151515, 0.16161616, 0.17171717, 0.18181818, 0.19191919],

    [0.2020202 , 0.21212121, 0.22222222, 0.23232323, 0.24242424,

    0.25252525, 0.26262626, 0.27272727, 0.28282828, 0.29292929],

    [0.3030303 , 0.31313131, 0.32323232, 0.33333333, 0.34343434,

    0.35353535, 0.36363636, 0.37373737, 0.38383838, 0.39393939],

    [0.4040404 , 0.41414141, 0.42424242, 0.43434343, 0.44444444,

    0.45454545, 0.46464646, 0.47474747, 0.48484848, 0.49494949],

    [0.50505051, 0.51515152, 0.52525253, 0.53535354, 0.54545455,

    0.55555556, 0.56565657, 0.57575758, 0.58585859, 0.5959596 ],

    [0.60606061, 0.61616162, 0.62626263, 0.63636364, 0.64646465,

    0.65656566, 0.66666667, 0.67676768, 0.68686869, 0.6969697 ],

    [0.70707071, 0.71717172, 0.72727273, 0.73737374, 0.74747475,

    0.75757576, 0.76767677, 0.77777778, 0.78787879, 0.7979798 ],

    [0.80808081, 0.81818182, 0.82828283, 0.83838384, 0.84848485,

    0.85858586, 0.86868687, 0.87878788, 0.88888889, 0.8989899 ],

    [0.90909091, 0.91919192, 0.92929293, 0.93939394, 0.94949495,

    0.95959596, 0.96969697, 0.97979798, 0.98989899, 1. ]])

    从0到1,100个数。

    reshape函数

    顾名思义吧,就是一个数组重新变换一下形状,变成多维的。上面的代码已经有很多地方在直接使用reshape函数了,请参考。

    再给一个用reshape将一维转四维的示例:

    >>> a = np.linspace(0,1,100).reshape(2,5,2,5)

    >>> a

    array([[[[0. , 0.01010101, 0.02020202, 0.03030303, 0.04040404],

    [0.05050505, 0.06060606, 0.07070707, 0.08080808, 0.09090909]],

    [[0.1010101 , 0.11111111, 0.12121212, 0.13131313, 0.14141414],

    [0.15151515, 0.16161616, 0.17171717, 0.18181818, 0.19191919]],

    [[0.2020202 , 0.21212121, 0.22222222, 0.23232323, 0.24242424],

    [0.25252525, 0.26262626, 0.27272727, 0.28282828, 0.29292929]],

    [[0.3030303 , 0.31313131, 0.32323232, 0.33333333, 0.34343434],

    [0.35353535, 0.36363636, 0.37373737, 0.38383838, 0.39393939]],

    [[0.4040404 , 0.41414141, 0.42424242, 0.43434343, 0.44444444],

    [0.45454545, 0.46464646, 0.47474747, 0.48484848, 0.49494949]]],

    [[[0.50505051, 0.51515152, 0.52525253, 0.53535354, 0.54545455],

    [0.55555556, 0.56565657, 0.57575758, 0.58585859, 0.5959596 ]],

    [[0.60606061, 0.61616162, 0.62626263, 0.63636364, 0.64646465],

    [0.65656566, 0.66666667, 0.67676768, 0.68686869, 0.6969697 ]],

    [[0.70707071, 0.71717172, 0.72727273, 0.73737374, 0.74747475],

    [0.75757576, 0.76767677, 0.77777778, 0.78787879, 0.7979798 ]],

    [[0.80808081, 0.81818182, 0.82828283, 0.83838384, 0.84848485],

    [0.85858586, 0.86868687, 0.87878788, 0.88888889, 0.8989899 ]],

    [[0.90909091, 0.91919192, 0.92929293, 0.93939394, 0.94949495],

    [0.95959596, 0.96969697, 0.97979798, 0.98989899, 1. ]]]])

    eye函数

    eye函数应该是取I的谐音,用于创建单位矩阵(Identity matrix):

    >>> a = np.eye(5)

    >>> a

    array([[1., 0., 0., 0., 0.],

    [0., 1., 0., 0., 0.],

    [0., 0., 1., 0., 0.],

    [0., 0., 0., 1., 0.],

    [0., 0., 0., 0., 1.]])

    >>>

    >>> a = np.eye(7)

    >>> a

    array([[1., 0., 0., 0., 0., 0., 0.],

    [0., 1., 0., 0., 0., 0., 0.],

    [0., 0., 1., 0., 0., 0., 0.],

    [0., 0., 0., 1., 0., 0., 0.],

    [0., 0., 0., 0., 1., 0., 0.],

    [0., 0., 0., 0., 0., 1., 0.],

    [0., 0., 0., 0., 0., 0., 1.]])

    >>>

    >>> a = np.eye(7, dtype=np.uint8)

    >>> a

    array([[1, 0, 0, 0, 0, 0, 0],

    [0, 1, 0, 0, 0, 0, 0],

    [0, 0, 1, 0, 0, 0, 0],

    [0, 0, 0, 1, 0, 0, 0],

    [0, 0, 0, 0, 1, 0, 0],

    [0, 0, 0, 0, 0, 1, 0],

    [0, 0, 0, 0, 0, 0, 1]], dtype=uint8)

    full函数

    用同一个固定的数字来填满array中所有的空隙,zeros是用0填,ones是用1填,empty是不填,随机。

    >>> a = np.full((3,4), 8)

    >>> a

    array([[8, 8, 8, 8],

    [8, 8, 8, 8],

    [8, 8, 8, 8]])

    >>> a

    array([[8, 8, 8, 8],

    [8, 8, 8, 8],

    [8, 8, 8, 8]])

    >>>

    >>> a = np.full((3,4), 8, dtype=np.float64)

    >>> a

    array([[8., 8., 8., 8.],

    [8., 8., 8., 8.],

    [8., 8., 8., 8.]])

    >>> a = np.full((3,4,5), 8, dtype=np.float64)

    >>> a

    array([[[8., 8., 8., 8., 8.],

    [8., 8., 8., 8., 8.],

    [8., 8., 8., 8., 8.],

    [8., 8., 8., 8., 8.]],

    [[8., 8., 8., 8., 8.],

    [8., 8., 8., 8., 8.],

    [8., 8., 8., 8., 8.],

    [8., 8., 8., 8., 8.]],

    [[8., 8., 8., 8., 8.],

    [8., 8., 8., 8., 8.],

    [8., 8., 8., 8., 8.],

    [8., 8., 8., 8., 8.]]])

    -- EOF --

    展开全文
  • 文章目录 创建数据 array本身的属性 创建array方法 生成随机数的np.random模块构建 array本身支持的大量操作和函数   Numerical Python(Numpy)是一个开源的Python科学计算库,使用Numpy可以方便的使用数组、矩阵...

      Numerical Python(Numpy)是一个开源的Python科学计算库,使用Numpy可以方便的使用数组、矩阵进行计算,包含线性代数、傅里叶变换、随机数生成等大量函数。

      与原生的Python实现相比,使用Numpy是直接以数组、矩阵为粒度计算,并且支持大量的数学函数,而Python需要用for循环从底层实现。并且Numpy的数组存储效率和输入输出计算性能,比Python使用List或者嵌套List好很多。

      Numpy的数据存储和Python原生的List是不一样的,Numpy的大部分代码都是C语言实现的,这也是Numpy代码更高效的原因。NumpyarrayPythonList的一个区别,Numpyarray的元素必须都是同一种数据类型,比如都是数字int类型,这也是Numpy高性能的一个原因。

    创建数据

    import numpy as np
    x = np.array([1,2,3,4,5]) # 创建一个一维数组
    
    import numpy as np
    x = np.array([[1,2,3,4,5],
                  [2,3,4,5,6]]) # 创建一个二维数组
    

    array本身的属性

    • shape:返回一个元组,表示array的维度
    • ndim:一个数字,表示array的维度的数目
    • size:一个数字,表示array中所有数据元素的数目
    • dtype:array中元素的数据类型
    import numpy as np
    x = np.array([[1,2,3,4,5],
                  [2,3,4,5,6]])
    print(x.shape) # 输出:(2, 5)
    
    import numpy as np
    x = np.array([[1,2,3,4,5],
                  [2,3,4,5,6]])
    print(x.ndim) # 输出 2
    
    import numpy as np
    x = np.array([[1,2,3,4,5],
                  [2,3,4,5,6]])
    print(x.size) # 输出 10
    
    import numpy as np
    x = np.array([[1,2,3,4,5],
                  [2,3,4,5,6]])
    print(x.dtype) # 输出 int64
    

    创建array的方法

      从Python的列表List和嵌套列表创建array。使用预定函数arangeones/ones_likezeros/zeros_likeempty/empty_likfull/full_likeeye等函数创建

    1. 使用arange创建数字序列

      语法arange(start, stop, step, dtype=None)

    import numpy as np
    x = np.arange(2, 10, 2)
    print(x) # 输出 [2 4 6 8]
    
    1. 使用ones创建全是1的数组

      语法np.ones(shape, dtype=None, order='C');shape : int or tuple of ints Shape of the new array, e.g., (2, 3) or 2。

    import numpy as np
    x = np.ones([2, 3]) 
    # 输出: [[1. 1. 1.]
    #        [1. 1. 1.]]
    
    1. 使用ones_like创建形状相同的数组

      语法ones_like(a, dtype=float, order='C')

    import numpy as np
    x = np.arange(2, 10, 2)
    y = np.ones_like(x) # 输出:[1 1 1 1]
    
    1. 使用zeros创建全是0的数组

      语法np.zeros(shape, dtype=None, order='C')

    import numpy as np
    x = np.zeros(5) # [0. 0. 0. 0. 0.]
    
    import numpy as np
    x = np.zeros([2,3])
    # 输出: [[0. 0. 0.]
    #        [0. 0. 0.]]
    
    1. 使用zeros_like创建形状相同的数组

      语法np.zeros_like(a, dtype=None)

    import numpy as np
    x = np.arange(2, 10, 2)
    y = np.zeros_like(x) # 输出:[0 0 0 0]
    
    1. 使用empty创建全是0的数组

      语法empty(shape, dtype=float, order='C');注意:数据是未初始化的,里面的值可能是随机值不要用:

    import numpy as np
    x = np.empty(2) # 输出:[-5.73021895e-300  6.94067723e-310]
    
    import numpy as np
    x = np.empty((1,2)) # 输出 [[-5.73021895e-300  6.90355282e-310]]
    
    1. 使用empty_like创建形状相同的数组

      语法empty_like(prototype, dtype=None)

    import numpy as np
    x = np.empty((1,2))
    y = np.empty_like(x) # 输出 [[-5.73021895e-300  6.90023394e-310]]
    
    1. 使用full创建指定值的数组

      语法np.full(shape, fill_value, dtype=None, order='C')

    import numpy as np
    x = np.full(2, 10) # 输出:[10 10]
    
    1. 使用full_like创建形状相同的数组

      语法np.full_like(a, fill_value, dtype=None)

    import numpy as np
    x = np.full(2, 10)
    y = np.full_like(x, 20) # 输出:[20 20]
    

    生成随机数的np.random模块构建

    1. 使用random模块生成随机数的数组
    import numpy as np
    x = np.random.randn(2) # 输出:[-0.83420278 -0.74489849]
    
    import numpy as np
    x = np.random.randn(2,2,2)
    

      输出:

    [[[ 1.57009273  2.7144515 ]
      [-0.63920122 -0.69983059]]
    
     [[ 0.54429723 -0.02818363]
      [ 0.36522726  1.71868176]]]
    

    array本身支持的大量操作和函数

    1. 直接逐元素的加减乘除等算数操作
    2. 更好用的面向多维的数组索引
    3. sum/mean等聚合函数
    4. 线性代数函数,比如求解逆矩阵、求解方程组
    import numpy as np
    x = np.arange(10).reshape(2,5)
    

      输出:

    [[0 1 2 3 4]
     [5 6 7 8 9]]
    

      通过广播机制实现数组中每个元素加1:

    import numpy as np
    x = np.arange(10).reshape(2,5)
    print(x+1)
    

      输出:

    [[ 1  2  3  4  5]
     [ 6  7  8  9 10]]
    

      对数组中每个元素做个运算:

    import numpy as np
    x = np.arange(10).reshape(2,5)
    print(np.sin(x))
    

      输出:

    [[ 0.          0.84147098  0.90929743  0.14112001 -0.7568025 ]
     [-0.95892427 -0.2794155   0.6569866   0.98935825  0.41211849]]
    
    import numpy as np
    x = np.arange(10).reshape(2,5)
    x1 = np.arange(10).reshape(2,5)
    print(x*x1)
    

      输出:

    [[ 0  1  4  9 16]
     [25 36 49 64 81]]
    
    展开全文
  • 创建array方法3.array本身支持的大量操作和函数三、array的基本操作1.使用python的list和嵌套list创建一维的array和二维的array2.数组array的属性3.创建array的便捷函数<1>.使用arange创建数字序列<2>...



    提示:以下是本篇文章正文内容,下面案例可供参考

    一.Numpy的认知

    1.Numpy是什么

    1.一个开源的Python科学计算库
    2.使用Numpy可以方便的使用数组,矩阵进行计算
    3.包含线性代数,傅里叶变换,随机数生成等大量函数
    

    2.Numpy的优点

    代码更简洁:Numpy直接以数组,矩阵为粒度(一个单元)计算并且支持大量的数学函数,而python需要用for循环从底层实现
    性能更高效:Numpy的数组存储效率和输入输出计算性能,比python使用list或者嵌套list好很多
            注:(Numpy的数据存储和python原生的list是不一样的)
            注:Numpy的大部分代码都是c语言实现的,这是Numpy比纯python代码高效的原因
    

    Numpy是Python各种数据科学类库的基础库
    比如SciPy,SCikit-Learn,Tensorflow,PaddlePaddle
    如果不会Numpy,那么这些库的深入理解都会遇到障碍

    二、array的基本知识

    1.array本身的属性

    shape:返回一个元组,表示array的维度
    ndim:一个数字,表示array的维度的数目
    size:一个数字,表示array元素的个数
    dtpye:array中元素的数据类型
    

    2.创建array的方法

    1.从python的列表list和嵌套列表创建array
    2.使用预定函数arrange,ones/ones_like,zeros/zeros_like,full/full_like,eye等函数创建
    3.生成随机数的np.random模块构建
    

    3.array本身支持的大量操作和函数

    1.直接逐元素的加减乘除等算术操作
    2.更好用的面向多维的数组索引
    3.求sum/mean的等聚合函数
    4.线性代数函数,比如求解逆矩阵,求解方程组
    

    三、array的基本操作

    导入模块:

    import numpy as np
    

    1.使用python的list和嵌套list创建一维的array和二维的array

    # 创建一个一维的数组,也就是python的单元素list
    x=np.array([1,2,3,4,5,6,7,8])
    # 创建一个二维的数组,也就是python的嵌套list
    X=np.array([[1,2,3,4],[5,6,7,8]])
    print("x=",x)
    print("X=",X)
    

    运行结果:
    在这里插入图片描述

    2.数组array的属性

    print(x.shape)#返回一个元组,表示维度和元素个数
    print(X.shape)
    print(x.ndim)#返回一个值,表示维度
    print(X.ndim)
    print(x.size)#返回一个值,表示数组中所有元素的个数
    print(X.size)
    print(x.dtype)#返回一个值,表示数组内元素的数据类型
    print(X.dtype)
    

    运行结果:
    在这里插入图片描述

    3.创建array的便捷函数

    <1>.使用arange创建数字序列

    arange([起始值(取得到)],[终止值(取不到)],[步长],dtype=None)

    print(np.arange(10))#创建一个0-10的一维数组(取不到10)
    print(np.arange(2,10,2))#创建一个2-10,步长为2的一维数组(取不到10)
    

    运行结果:
    在这里插入图片描述

    <2>使用ones创建单位数组

    np.ones(shape,dtype=None,order=‘C’)
    shape:int or tuple of ints Shape of the new array . eg:(2,3) or 2
    dtype:数据类型,默认的是自己从输入的数据自动获得
    order:有"C"和"F"两个选项,分别代表,行优先和列优先,在计算机内存中的存储元素的顺序

    print(np.ones(10))#创建一个一行十列的单位数组
    print(np.ones((2,3)))#创建一个二行三列的单位数组
    

    运行结果:
    在这里插入图片描述

    <3>使用ones_like创建与某个数组形状相同的单位数组

    ones_like(a(数组),dtype=float,order=‘C’)

    print(np.ones_like(x))#创建一个和x相同形状的单位数组
    print(np.ones_like(X))#创建一个和X相同形状的单位数组
    print(np.ones_like([2,3]))#创建一个和[2,3]数组形状相同的单位数组
    print(np.ones_like([[1,2,3],[4,5,6]]))#创建一个和[[1,2,3],[4,5,6]]数组形状相同的单位数组
    

    运行结果:
    在这里插入图片描述

    <4>使用zeros创建全是0的数组

    np.zeros(shape,dtype=None,order=‘C’)

    print(np.zeros(3))#创建一个一行三列的零数组
    print(np.zeros((2,4)))#创建一个二行四列的零数组
    

    运行结果:
    在这里插入图片描述

    <5>使用zeros_like创建与某个数组形状相同的零数组

    np.zeros_like(a(数组),dtype=None,order=‘C’)

    print(np.zeros_like(x))#创建一个和x数组形状相同的零数组
    print(np.zeros_like(X))#创建一个和X数组形状相同的零数组
    print(np.zeros_like([2,3]))#创建一个和[2,3]数组形状相同的零数组
    print(np.zeros_like([[1,2,3],[4,5,6]]))#创建一个和[[1,2,3],[4,5,6]]数组形状相同的零数组
    

    运行结果:
    在这里插入图片描述

    <6>使用empty创建全是0的数组

    np.empty(shape,dtype=Nome,order=‘C’)
    注意:数据是未初始化的,里面的值可能是随机值,不要用

    print(np.empty(5))
    print(np.empty((2,3)))
    

    运行结果:
    在这里插入图片描述

    <7>使用empty_like创建形状相同的零数组

    np.empty_like(prototype,dtype=None)(也有可能是未初始化数据,为随机值)

    print(np.empty_like(x))
    print(np.empty_like(X))
    print(np.empty_like([2,3]))
    print(np.empty_like([[1,2,3],[4,5,6]]))
    

    运行结果:
    在这里插入图片描述

    <8>使用full创建指定值的数组

    np.full(shape,fill_value,dtype=None,order=‘C’)

    print(np.full(4,9))#创建一个一行四列,元素为9的数组
    print(np.full((2,3),9))#创建一个二行三列,元素为9的数组
    
    

    运行结果:
    在这里插入图片描述

    <9>使用full_like创建形状相同的数组

    np.full_like(a(数组),fill_value,dtype=None)

    print(np.full_like(x,9))#创建一个与x形状相同,元素为9的数组
    print(np.full_like(X,9))#创建一个与X形状相同,元素为9的元素
    print(np.full_like([2,3,4],9))#创建一个与[2,3,4]形状相同,元素为9的数组
    print(np.full_like([[1,2,3],[4,5,6]],9))#创建一个与[[1,2,3],[4,5,6]]形状相同,元素为9的数组
    

    运行结果:
    在这里插入图片描述

    <10>使用random模块生成随机数的数组

    np.random.randn(d0,d1,…,dn)

    print(np.random.randn())#生成一个随机数
    print(np.random.randn(3))#随机生成一个一行三列的数组
    print(np.random.randn(2,3))#随机生成一个二行三列的数组
    print(np.random.randn(2,3,4))#随机生成一个三维的数组,有两块三行四列的数组组成
    

    运行结果:
    在这里插入图片描述

    4.array本身支持的大量操作和函数

    A=np.arange(10).reshape(2,5)#创建一个0-10的二行五列的数组
    print(A)
    print(A.shape)#数组的形状
    print(A+1)#对A数组每个元素加一
    print(A*2)#对A数组每个元素都乘2
    print(np.sin(A))#对A数组每个元素求sin值,还可求其他三角函数值
    print(np.exp(A))#对A数组每个元素求ln值
    print(np.exp2(A))#对A数组每个元素求log2值
    

    运行结果:
    在这里插入图片描述

    B=np.random.randn(2,5)#随机生成一个二行五列的数组
    print(A+B)#将数组A和数组B对应元素相加
    print(A-B)#将数组A和数组B对应元素相减
    

    运行结果:
    在这里插入图片描述

    展开全文
  • Numpy 的创建 array

    千次阅读 2020-12-24 09:07:00
    关键字array创建数组dtype:指定数据类型zeros:创建数据全为0ones:创建数据全为1empty:创建数据接近0arrange:按指定范围创建数据linspace:创建线段创建数组a = np.array([2,23,4]) # list 1dprint(a)# [2 23 ...
  • 学习Python的童鞋,对numpy都不陌生...如何创建array?可以用tuple也可用list. 其中,dtype用来指定数据类型,int32指,存放int类型最高32位,不过也可以去掉32,直接写int。数据类型float都可以定义数据的长度,也...
  • 之前,我们有提到如何下载Numpy并且添加到Pycharm的解释器中,这次,我们来看看numpy中最基础的数组创建。 首先,我们来看看数组的如何创建的 import numpy as np a = np.array([1, 2, 3, 4]) 简简单单,一个数组就...
  • java.lang.reflect.Array类提供了通过静态方法来动态创建和访问Java数组的操作。 1.主要的静态方法 java.lang.reflect.Array提供以下几类静态方法操作: Array.newInstance() :创建引用类型的数组 Array.set...
  • JS中常见的Array方法

    千次阅读 2020-04-07 21:01:36
    ​对于JS中的数组(Array)我们经常使用,今天总结了一下常见的Array方法。 1. length 数组长度 let arr = ['a', 'b', 'c', 'd']; console.log(arr.length); 2. join() 以指定的字符将数组连接起来,变成字符串 ...
  • JS Es6 Array方法

    千次阅读 2019-02-21 10:49:32
    JS array es6方法 定义数组 const array = [1, 2, 3]; 或者 const array = new Array(); array[0] = ‘1’; 建议尽量使用第一种形式定义数组,采用new的形式在大量的数组定义时,会比较耗时。 new关键字的使用,除了...
  • Array对象常用的方法

    万次阅读 2018-04-01 09:35:10
    Array对象常用的方法 不改变原数组的方法 1、concat() 语法:arrayObject.concat(arrayX,arrayX,......,arrayX)  输入值: 输入值可以是单个元素(多个元素),也可以是单个数组(多个数组) 功能:连接两个或...
  • 有5种方法可以创建数组: 从python的其他数据类型 转换 过来,比如 列表list , 元组tuple 等 numpy 数组创建的 内置函数 ,比如 arange,linspace,ones 等 从磁盘里,或者从其他标准和自定义的格式里 读入...
  • java创建数组的两种方法

    千次阅读 2022-02-10 15:47:25
    java创建数组的两种方法 1,静态初始化 int[] array={1,2,3,4,5}; 2,动态初始化 1)先分配空间再给数组元素赋值 int[] array=new int[10]; //需指定数组中的元素个数 for (int i = 0; i < array.length; i++) {...
  • 方法1:for循环 for循环其实是标准的C风格语法。 let someArray = [1, "string", false]; ​ for (var i = 0; i &lt; someArray.length; i ++) { ​  console.log(someArray[i]); // 1, "...
  • numpy可以快速的实现多维度的矩阵计算,本文介绍python中使用numpy.array函数创建数组的有关内容。1、numpy.array函数是由N个非负整数组成的tuple(元组),用于指定每个维度的大小。数组中项目的类型由单独的data-...
  • js Array 原生方法

    千次阅读 2016-09-18 22:14:00
    比较有用的原生js数组方法
  • 它的计算速度非常快所以经常被用来做底层的数据运算,numpy运算的所用的数据结构叫做ndarray,也叫做数组(array),那么我们怎么创建一个数组,也就是对数组进行初始化呢,这里就要用到np.array()这个方法,...
  • C++ array使用方法详细介绍

    万次阅读 多人点赞 2019-11-04 11:20:36
    由于array创建的时候必须明确指定大小,而且array为固定容器,因此max_size()与size()的返回值相同。 通常使用 size() 函数。 返回值类型为size_t 即无符号整数 使用size()可以有效避免使用for遍历数组时...
  • 问题乍看之下,创建全0数组应该是一件不能再简单的事情了:var arr = [0,0,0,0,0,0];...所以今天创建全0数组的时候,我用了以下方法:var arr = new Array(10);//这里等同于//var arr = [];arr.length = 10;arr ...
  • 1、创建Array对象 Array用于创建数组对象及对数组进行处理操作。 创建Array对象的方式有三种: var arr1 = new Array(); //创建空数组 var arr2 = new Array(4); //创建4个长度的数组 var arr3 = new Array(1,2,3,5)...
  • JavaScript数组Array常用方法汇总

    千次阅读 多人点赞 2021-10-31 15:24:19
    一.JavaScript中创建数组的方式 (1)使用 Array 构造函数: var arr1 = new Array(); //创建一个空数组 var arr2 = new Array(20); // 创建一个包含20项的数组 var arr3 = new Array("lily","lucy","Tom"); // ...
  • TIA博途中数组Array的基本使用方法详解 ARRAY类型是由数目固定且数据类型相同的元素组成的数据结构。 ARRAY类型的定义和使用需要注意以下几点: • ARRAY类型可以在DB、OB/FC/FB接口区、PLC数据类型处定义;无法在...
  • 前两天在刷leetcode时,遇到一个设计题,需要设计一个哈希集合,当时的想法就是创建一个链表数组,用链表来解决哈希冲突问题。 然而在编写时,编译器报错,如下图所示。 分析 为什么会出现编译错误呢?这里就是泛型...
  • Kotlin - 数组 Array

    千次阅读 2021-12-10 23:40:46
    创建方式 Array arrayOfXXX () arrayOf () val array1:Array<String> = arrayOf("你", "我", "他") val array2:Array<Person> = arrayOf(person1, person2) ...
  • 利用 Array.from 动态创建数组

    千次阅读 2019-01-28 15:23:04
    需求 1、参数是一个数组的个数,比如 7 2、希望得到的结果如下 [{ label: ‘1’, value: 1 }, { label: ‘2’, ...Array.from({ length: 7}, ( k, v ) => ({ label: v+1, value: v+1 }))
  • python3:numpy的基本属性以及创建array

    千次阅读 2018-08-06 11:02:31
    各种版本的操作系统安装方法不一。 官网:https://pypi.org/project/numpy/#files 我使用的是pycharm+Anaconda,anaconda是python中管理包的工具,在我们安装好anaconda的时候,会自带很多python的包。当我们在...
  • Scala之Array方法

    万次阅读 多人点赞 2018-08-05 11:06:14
    Scala:Array(集合、序列) Scala开篇(目录) 数组是一种可变的、可索引的数据集合。在Scala中用Array[T]的形式来表示Java中的数组形式 T[]。 val numbers = Array(1, 2, 3, 4) //声明一个数组对象 val first =...
  • Array.from() 作用:从一个类似数组或可迭代对象中创建一个新的,浅拷贝的数组实例。 (1):这里讲一下深拷贝和浅拷贝的区别 浅拷贝:只复制指向某个对象的指针,而不复制对象本身,新旧对象还是共享同一块内存。 ...
  • 【Scala】Scala 之 Array方法详解

    千次阅读 2019-12-24 19:21:17
    Scala:Array(集合、序列) Scala开篇(目录) 数组是一种可变的、可索引的数据集合。在Scala中用Array[T]的形式来表示Java中的数组形式 T[]。 val numbers = Array(1, 2, 3, 4) //声明一个数组对象 val first = ...
  • Pandas中把dataframe转成array方法

    千次阅读 2020-12-06 13:45:38
    Pandas中把dataframe转成array方法使用df=df.values,可以把Pandas中的dataframe转成numpy中的array以上这篇Pandas中把dataframe转成array方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 842,656
精华内容 337,062
关键字:

创建array的方法