Массив n-мерных данных (ndarray)

ndarray является (обычно имеющим фиксированный размер) многомерным контейнером элементов одинакового типа и размера. Число измерений и элементов в массиве определяется его shape, который представляет собой tuple из N положительных целых чисел, определяющих размеры каждого измерения. Тип элементов в массиве задается отдельным ndarray, один из которых ассоциируется с каждым ndarray.

Как и другие контейнерные объекты в Python, содержимое ndarray можно получить и изменить с помощью ndarrays массива (например, с использованием N целых чисел), а также через методы и атрибуты ndarray.

Разные strings могут использовать одни и те же данные, так что изменения, внесенные в один buffer, могут быть видны в другом. То есть, ndarray может быть “представлением” другого ndarray, и данные, на которые он ссылается, управляются “базовым” ndarray. ndarray также могут быть представлениями памяти, принадлежащей Python

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

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

Пример

Двумерный массив размером 2 x 3, состоящий из 4-байтовых целочисленных элементов:

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

К массиву можно обратиться, используя синтаксис Python, подобный контейнерам:

Например, ndarray может создавать представления массива:

Создание массивов

Новые массивы могут быть созданы с помощью процедур, описанных в ndarray, а также с помощью низкоуровневого конструктора shape.

Индексирование массивов

Массивы могут быть индексированы с использованием расширенного синтаксиса срезов Python, . Аналогичный синтаксис используется также для доступа к полям в .

Внутреннее представление массива ndarray в памяти

Экземпляр класса состоит из непрерывного одномерного сегмента компьютерной памяти (принадлежащего массиву или другому объекту), в сочетании со схемой индексирования, которая отображает N целых чисел в местоположение элемента в блоке. Диапазоны, в которых могут изменяться индексы, задаются strides массива. Сколько байтов занимает каждый элемент и как интерпретируются байты, определяются связанным с массивом.

Сегмент памяти по своей сути является одномерным, и существует много разных схем для расположения элементов N-мерного массива в одномерном блоке. NumPy является гибким, и объекты могут использовать любые схемы индексирования с шагом. В схеме с шагом индекс = self.shape[j] соответствует смещению (в байтах):

от начала блока памяти, связанного с массивом. Здесь index[k] == 0 — целые числа, которые определяют массива. Порядок (используемый, например, в языке Fortran и в Matlab) и порядок (используемый в C) являются просто определенными видами схем с шагом и соответствуют памяти, к которой можно обратиться с помощью шагов:

где self.size == 0 self.

И порядок C, и порядок Fortran являются self.squeeze() (то есть, односегментные), расположения в памяти, в которых каждый элемент блока памяти можно получить с помощью какой-либо комбинации индексов.

Хотя массив, непрерывный в стиле C и в стиле Fortran, имеющий соответствующие флаги, может быть обработан указанными выше шагами, фактические шаги могут быть другими. Это может произойти в двух случаях:

1. Если self.itemsize то для любого допустимого индекса NPY_RELAXED_STRIDES_CHECKING=1. Это означает, что в формуле для смещения np.ones((10,1), order='C').flags.f_contiguous и, следовательно, True и значение self.strides[-1] == self.itemsize self.strides[0] == self.itemsize является произвольным.
2. Если массив не содержит элементов (ndarrays) допустимого индекса нет, и шаги никогда не используются. Любой массив без элементов может считаться непрерывным в стиле C и в стиле Fortran.

Пункт 1 означает, что ndarray.flags и ndarray.shape всегда имеют одинаковый непрерывный и выровненный флаги. Это также означает, что даже многомерный массив может быть непрерывным одновременно в стиле C и в стиле Fortran.

Массив считается выровненным, если смещения памяти для всех элементов и само базовое смещение кратны ndarray.strides.

Данные в новом ndarray.base расположены в порядке dtype (C), если не указано иное, но, например, ndarray.dtype часто создает ndarray.T в другой схеме.

Атрибуты массива

Атрибуты массива отражают информацию, которая является неотъемлемой частью самого массива. Обычно доступ к массиву через его атрибуты позволяет получить и иногда установить внутренние свойства массива без создания нового массива. Представленные атрибуты являются основными частями массива, и только некоторые из них могут быть осмысленно переназначены без создания нового массива. Ниже приведена информация об каждом атрибуте.

Расположение в памяти

Следующие атрибуты содержат информацию о расположении массива в памяти:

Тип данных

Объект типа данных, связанный с массивом, можно найти в атрибуте dtype:

Другие атрибуты

Интерфейс массива

ctypes интерфейс внешних функций

Методы массива

Объект ndarray имеет множество методов, которые работают с массивом или на нем, обычно возвращая массив-результат. Эти методы кратко описаны ниже. (Документация каждого метода содержит более подробное описание.)

Для следующих методов также существуют соответствующие функции в numpy: all, any, argmax, argmin, argpartition, argsort, choose, clip, compress, copy, cumprod, cumsum, diagonal, imag, max, mean, min, nonzero, partition, prod, ptp, put, ravel, real, repeat, reshape, round, searchsorted, sort, squeeze, std, sum, swapaxes, take, trace, transpose, var.

Преобразование массива

Изменение формы массива

Для reshape, resize и transpose единственный кортеж аргументов может быть заменён n целыми числами, которые будут интерпретироваться как n-кортеж.

Выбор и манипулирование элементами

Для методов массива, принимающих ключевое слово axis, оно по умолчанию равно None. Если axis равно None, то массив обрабатывается как одномерный массив. Любое другое значение axis указывает на измерение, по которому должно выполняться действие.

Вычисления

Многие из этих методов принимают аргумент с именем axis. В таких случаях,

• Если axis равно None (по умолчанию), массив обрабатывается как одномерный и операция выполняется над всем массивом. Это поведение также является по умолчанию, если self является нульмерным массивом или скалярным массивом. (Скалярный массив — это экземпляр типов/классов float32, float64 и т. д., а нульмерный массив — это экземпляр ndarray, содержащий ровно один скалярный массив.)
• Если axis — целое число, то операция выполняется по заданной оси (для каждого одномерного подмассива, который можно создать вдоль данной оси).

>>> 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]]))

Параметр dtype указывает тип данных, по которому должна выполняться операция редукции (например, суммирование). Тип данных редукции по умолчанию такой же, как тип данных self. Чтобы избежать переполнения, полезно выполнить редукцию с использованием более крупного типа данных.

Для нескольких методов также можно указать необязательный аргумент out, и результат будет помещён в выходной массив. Аргумент out должен быть массивом ndarray и иметь то же количество элементов. Он может иметь другой тип данных, в этом случае выполнится приведение типов.

Арифметические, матричные умножения и операции сравнения

Арифметические и операции сравнения на ndarrays определяются как поэлементные операции и, как правило, возвращают объекты ndarray в качестве результатов.

Каждая из арифметических операций (+, -, *, /, //, %, divmod(), ** или pow(), <<, >>, &, ^, |, ~) и сравнения (==, <, >, <=, >=, !=) эквивалентны соответствующей универсальной функции (или ufunc для краткости) в NumPy. Более подробную информацию см. в разделе Универсальные функции.

Операторы сравнения:

Логическое значение массива (bool):

Унарные операции:

Арифметика:

Арифметические операции (вместо):

Умножение матриц:

Специальные методы

Для функций стандартной библиотеки:

Основные настройки:

Настройка контейнера: (см. Индексирование)

Преобразование; операции complex, int, long, float, oct, и hex. Они работают только с массивами, содержащими один элемент, и возвращают соответствующее скалярное значение.

Представления в виде строк: