1 引言

建议大家使用jupyter notebook进行操作！
在日常生活中数据分析不是简单的一位数组或者列表，更多的情况下是以多维向量矩阵的形式出现。为了高效地处理这些数据，Python的Numpy中提供了多维数组对象ndarray以供使用。首先我们需要引入Numpy：

import numpy as np
1

为了更好地理解多维数组处理的方式，这里给出一个案例。5位学生参加考试，一共7门课。具体数据如下：

2 一维数组对象

2.1 创建一维数组对象

names = np.array(['王微', '肖良英', '方绮雯', '刘旭阳','钱易铭'])
print(names)
subjects = np.array(['Math', 'English', 'Python', 'Chinese','Art', 'Database', 'Physics'])
print(subjects)
1
2
3
4

2.2 查看数组属性

（1）数组纬度

print(names.ndim) 
1

（2）数组元素个数

print(names.size)
1

（3）数组数据类型

print(names.dtype)
1

2.3 单个数组元素访问

类似列表的位置索引，索引范围是 0 ~ n-1 ：

print(names[2])
print(subjects[-3])
1
2

2.4 数组切片

同样类似列表，采用 start🔚step 方式。元素从start开始，end-1结束，step为步长。

print( subjects[ [0,2,4] ] )
print(names[ 1:4 ])
print(subjects[ : -1:2])
1
2
3

2.5 根据条件筛选数组元素

可以使用条件表达式和关系运算符来选择所需要的数据元素。如筛选出names数组中值等于“王微”或“钱易铭”的元素。

print( names[ (names == '王微') | (names== '钱易铭') ] )
1

3 二维数组对象

3.1 创建二维数组对象

scores = np.array([[70,85,77,90,82,84,89],[60,64,80,75,80,92,90],[90,93,88,87,86,90,91],[80,82,91,88,83,86,80],[88,72,78,90,91,73,80]])
print(scores)
1
2

3.2 查看数组属性

与一维类似：

print(scores.ndim)  #数组维数
print(scores.size)  #数组元素总数，行×列
print(scores.shape)  #数组的行数和列数
print(scores.dtype)  #数组元素的类型
1
2
3
4

3.3 二维数组切片

(1)访问指定行、列元素，给出行和列两个索引值

print(scores[1,0])
print(scores[[1,3],[0,1]])
1
2

（2）访问部分行元素，给出行列表即可，列索引的“:”可以省略

print(scores[[1,3]])
1

（3）访问部分列元素

print(scores[: , [0,1]])
1

（4）访问部分行和列数据
如：0和3行中，1~3列的数据

print(scores[ [0,3], 1:4 ])
1

3.4 条件筛选

实质bool型数组筛选！

print( scores[(names == '肖良英') | (names == '方绮雯'), :] )

print( scores[(names == '肖良英') | (names == '方绮雯')][:,(subjects == 'Math') | (subjects == 'Python')] )
1
2
3

4 创建多维数组的常用方法

4.1 arange()

np.arange(0,11)
1

np.arange(3,11,2)
1

np.arange(0.3,1.5,0.3)
1

4.2 reshape()

如将有15个连续整数的一维数组转换为3x5的二维数组

np.arange(0,15).reshape(3,5)
1

4.3 zeros()、ones()

创建元素全0或全1的矩阵

np.zeros((3,4))
1

np.ones((3,4))
1

over，一张美图送给大家~