NumPy 배열 생성

ndarray 배열은 하이브리드 ndarray 생성자를 사용하여 생성할 수 있으며, 다음과 같은 방식으로 생성할 수도 있습니다.

numpy.empty

numpy.empty 메서드는 지정된 형상(shape), 데이터 타입(dtype) 및 초기화되지 않은 배열을 생성합니다:

numpy.empty(shape, dtype = float, order = 'C')

주어진 형상과 타입의 새 배열을 반환합니다. 항목은 초기화되지 않습니다.

파라미터

prototype - 빈 배열의 형상입니다。dtype(선택 사항) - 배열이 필요한 출력 데이터 유형입니다. 예를 들어 numpy.int8。기본 값은 numpy.float입니다64。order(선택 사항, 기본: 'C') - 두 가지 옵션이 있습니다. "C"와 "F"로, 각각 행 우선과 열 우선으로 컴퓨터 메모리에서 요소를 저장하는 순서를 의미합니다.

반환 값: 주어진 배열의 형상이지만 데이터 타입과 순서가 초기화되지 않은(임의의) 데이터 배열입니다.

>>>　import　numpy　as　np
>>>　np.empty([2,　2])
array([[1,　0.],
　　　　　　　[0.,　1.]])
>>>　np.empty([2,　2],　dtype=int)
array([[4607182418800017408,　0],
　　　　　　　[　0,　4607182418800017408])
>>>

numpy.empty_like

numpy.empty은 주어진 배열의 형상과 유사한 새 배열을 반환합니다.

numpy.empty_like(prototype,　dtype=None,　order='K',　subok=True,　shape=None)

返回形状和类型与给定数组相同的新数组

파라미터

prototype - 源数组的形状和数据类型定义了返回数组的这些相同属性。dtype - 覆盖结果的数据类型。order - 覆盖结果的内存布局。如果prototypeFortran连续，则“ A”表示“ F”，否则为“ C”。“ K”表示prototype 尽可能匹配布局。subok - True이면 새로 생성된 배열은 'a'의 서브클래스 타입을 사용하며, 아니라면 기본 클래스 배열입니다. 기본值为True.shape - 覆盖结果的形状。如果order ='K'并且尺寸数量不变，将尝试保持顺序，否则，则暗示order ='C'。

返回值：形状和类型与原型相同的未初始化（任意）数据数组。

>>>　import　numpy　as　np
>>>　a　=　([1,2,3],　[4,5,6-like
>>>　np.empty_like(a)
array([[　6917529027641081856,　-6917520256071729910,　98],
　　　　　　　[　0,　0,　0]])
>>>　a　=　np.array([[1.　2.　3.],[4.5.6.]])
>>>　np.empty_like(a)
array([[　2.68156159e+154,　2.68156159e+154,　3.32479618e+181],
　　　　　　　[　1.78476163e+185,　-1.73059781e-077,　4.21535080e-309])

numpy.zeros

지정된 크기의 배열을 생성하고, 배열 요소는 0으로 채웁니다：

numpy.zeros(shape, dtype=float, order='C')

파라미터

shape - 빈 배열의 형상입니다。dtype - 배열이 필요한 출력 데이터 유형입니다. 예를 들어 numpy.int8。기본 값은 numpy.float입니다64。order - '{'C'，'F'}，선택 사항，기본 값: 'C'，메모리에 데이터를 행(C) 또는 열(Fortran) 스타일로 저장하는 순서를 나타냅니다。

반환 값: 주어진 배열의 형상, 데이터 유형 및 순서의 0 배열입니다.

>>>　import　numpy　as　np
>>>　np.zeros(5)
array([0.,　0.,　0.,　0.,　0.])
>>>　np.zeros((5,), dtype=int)
array([0,　0,　0,　0,　0])
>>>　np.zeros((2,　1))
array([[0.],
　　　　　　　[0.]])
>>> s = (2,2)
>>>　np.zeros((2,),　dtype=[('x',　'i4'),　('y',　'i4')])　#　custom　dtype
array([(0,　0),　(0,　0)],　dtype=[('x',　'<i4'　),=""　('y',=""　'

numpy.zeros_like

zeros_like는 주어진 배열과 같은 형상과 유형의 0 배열을 반환합니다.

>>>　import　numpy　as　np
>>> x = np.arange(6)
>>> x = x.reshape(2,　3))
>>> print(x)
[[0　1　2]
　[3　4　5]]
>>> np.zeros_like(x)
array([[0, 0, 0],
　　　　　　　[0, 0, 0]]
>>> y = np.arange(3, dtype=float)
>>> y
array([0.,　1.　2.])
>>> np.zeros_like(y)
array([0., 0., 0.])

numpy.ones

지정된 형상의 배열을 생성합니다. 배열의 요소는 1 로 채웁니다:

numpy.ones(shape, dtype=None, order='C')

파라미터

shape - 배열의 형상dtype - 데이터 타입, 선택 사항order - 'C'는 C의 행 배열을 의미하거나, 'F'는 FORTRAN의 열 배열을 의미합니다.

>>>　import　numpy　as　np
>>> np.ones(5)
array([1.　1.　1.　1.　1.])
>>> np.ones(5,), dtype=int)
array([1,　1,　1,　1,　1])
>>> np.ones(2,　1))
array([[1.],
　　　　　　　[1.]])
>>> s = (2,2)
>>> np.ones(s)
array([[1.　1.],
　　　　　　　[1.　1.]])

numpy.ones_like

zeros_like는 주어진 배열과 같은 형상과 타입을 가진 배열을 반환합니다.

numpy.ones_like(a, dtype=None, order='K', subok=True, shape=None)

파라미터

a - 정의된 반환 배열의 형상과 데이터 타입을 제한하는 속성입니다.dtype - 배열이 필요로 하는 출력 데이터 타입입니다.order - 결과의 메모리 레이아웃을 덮어씁니다.subok - True이면 새로 생성된 배열은 'a'의 서브클래스 타입을 사용하며, 아니라면 기본 클래스 배열입니다. 기본值为True.shape - 결과의 형상을 덮어씁니다.

반환 값: 같은 형상과 타입을 가진 0의 배열입니다.

>>>　import　numpy　as　np
>>> x = np.arange(6)
>>> x = x.reshape(2,　3))
>>> x
array([[0,　1,　2],
　　　　　　　[3,　4,　5])
>>> np.ones_like(x)
array([[1,　1,　1],
　　　　　　　[1,　1,　1])
>>> y = np.arange(3, dtype=float)
>>> y
array([0.,　1.　2.])
>>> np.ones_like(y)
array([1.　1.　1.])

numpy.arange

numpy.arange([start]，stop，[step]，dtype=None)

주어진 간격 내의 균일 간격의 값을 반환합니다.
반개간격(즉, start를 포함하지만 stop를 포함하지 않는 간격) 내에서 값을 생성합니다. 정수 파라미터에 대해, 이 함수는 Python 내장의 range 함수와 동일하지만 ndarray를 반환합니다. [start, stop)

파라미터

start - 간격의 시작입니다. 간격은 이 값을 포함합니다. 기본 시작 값은 0입니다.stop - 간격이 끝났습니다. 이 간격은 기본적으로 값을 포함하지 않지만, step이 정수가 아니거나 소수점 표현이 out의 길이에 영향을 미칠 경우에만 포함됩니다.step - 값 사이의 간격. 어떤 출력이든 이는 두 가장 가까운 값 사이의 거리이며, 기본 단계는1。dtype - 출력 배열의 타입.

반환 값: 균일 간격의 값을 가진 배열.

>>>　import　numpy　as　np
>>>　np.arange(3)
array([0.,　1,　2])
>>>　np.arange(3.0)
array([0.,　1.　2.])
>>>　np.arange(3,7)
array([3,　4,　5,　6])
>>>　np.arange(3,7,2)
array([3,　5])

numpy.linspace

numpy.linspace 함수는 일维 배열을 생성하며, 배열은 등비 수열로 구성되어 있습니다. 다음과 같은 형식으로 있습니다：

np.linspace(start, stop, num=50,　endpoint=True,　retstep=False,　dtype=None)

파라미터

start - 시리즈의 시작 값.stop - 시리즈의 종료 값, endpoint가 true일 때 이 값이 시리즈에 포함됩니다.num - 생성할 수 있는 동일 간격의 샘플 수, 기본值为50。endpoint - 이 값이 true일 때 시리즈에 stop 값이 포함되며, 그렇지 않으면 포함되지 않습니다. 기본 값은 True입니다.retstep - True로 설정되면 생성된 배열에 간격이 표시되며, 그렇지 않으면 표시되지 않습니다.dtype - ndarray의 데이터 타입.

다음 예제에서는 세 가지 매개변수를 사용하여 시작점을 설정합니다 1 종료점은 10시리즈의 개수는 10。

>>>　import　numpy　as　np
>>>　a　=　np.linspace(1,10,10)
>>> print(a)
[　1.　2.　3.　4.　5.　6.　7.　8.　9.　10.]
>>>　a　=　np.linspace(10,　20,　5,　endpoint　=　　False)
>>> print(a)
[10.　12.　14.　16.　18.]
>>>　a　=np.linspace(1,10,10,retstep=　True)
>>> print(a)
(array([　1.　2.　3.　4.　5.　6.　7.　8.　9.　10.]),　1.0)
>>>　b　=np.linspace(1,10,10).reshape([10,1])
>>>　print(b)
[[　1.]
　[　2.]
　[　3.]
　[　4.]
　[　5.]
　[　6.]
　[　7.]
　[　8.]
　[　9.]
　[10.]]

numpy.asarray

Python의 기본 데이터 타입(리스트, 튜플 등)을 직접 변환하여 ndarray를 생성합니다：

>>>　import　numpy　as　np
>>>　ls1　=　[10,　42,　0,　-17,　30]
>>>　nd1　=np.array(ls1)
>>>　print(nd1)
[　10　42　0　-17　30]
>>>
>>>　print(type(nd1))

numpy.asarray유사 numpy.array하지만 numpy.asarray 매개변수는 numpy.array보다 두 개 적습니다.

numpy.asarray(a, dtype = None, order = None)

파라미터

a - 다양한 형태의 입력 매개변수가 될 수 있습니다. 예를 들어, 리스트, 리스트의 튜플, 튜플, 튜플의 튜플, 튜플의 리스트, 다차원 배열.dtype - 데이터 타입, 선택 사항.order - 생성할 수 있는 동일 간격의 샘플 수, 기본值为50。endpoint - 선택할 수 있는 "C"와 "F" 두 가지 옵션이 있으며, 각각 행 우선과 열 우선을 의미하며, 컴퓨터 메모리에서 저장된 요소의 순서를 나타냅니다.

>>>　import　numpy　as　np
>>> x = [1,2,3]
>>> a = np.asarray(x)
>>>　a
array([1,　2,　3])
>>> x = (1,2,3)
>>> a = np.asarray(x)
>>> print(a)
[1　2　3]
>>> x = [(1,2,3),(4,5)]
>>> a = np.asarray(x)
>>> print(a)
[(1,　2,　3) (4,　5)]
>>> x = [1,2,3]
>>> a = np.asarray(x, dtype=float)
>>> print(a)
[1.　2.　3.]

numpy.frombuffer

numpy.frombuffer는 동적 배열을 구현합니다.
numpy.frombuffer는 buffer 입력 매개변수를 받아 스트림 형태로 읽어들여 ndarray 객체로 변환합니다.

numpy.frombuffer(buffer, dtype=float, count=　-1, offset = 0)

파라미터

buffer - 상이할 수 있는 어떤 객체도, 스트림 형태로 읽어 들입니다.dtype - 배열의 데이터 타입을 반환합니다. 선택 사항count - 읽은 데이터 수, 기본적으로-1모든 데이터를 읽습니다.offset - 읽은 시작 위치, 기본적으로 0입니다.

>>>　import　numpy　as　np
>>> s = b'Hello　w3codebox'
>>> a = np.frombuffer(s, dtype='S1)
>>> print(a)
[b'H' b'e' b'l' b'l' b'o' b' ' b'L' b'i' b'd' b'i' b'h' b'u' b'o']

numpy.fromiter

numpy.fromiter 메서드는 반복 가능 객체에서 ndarray 객체를 생성하고, 일维 배열을 반환합니다.

numpy.fromiter(iterable, dtype, count=-1)

파라미터

iterable - 반복 가능 객체dtype - 배열의 데이터 타입을 반환합니다count - 읽은 데이터 수, 기본적으로-1모든 데이터를 읽습니다.

>>>　import　numpy　as　np
>>> # range 함수를 사용하여 리스트 객체 생성
>>> list=range(5)
>>> it=iter(list)
>>> x=np.fromiter(it, dtype=float)
>>> print(x)
[0.　1.　2.　3.　4.]

random 모듈을 사용하여 배열 생성

모델을 더 효율적으로 훈련하고 모델 성능을 높이기 위해, 초기화가 일정한 조건을 충족해야 합니다. 예를 들어, 정규 분포나 평균 분포와 같은 조건입니다. 여기서는 np.random 모듈에서 자주 사용하는 몇 가지 방법을 소개합니다. 다음 표와 같이 나타냅니다.

>>>　import　numpy　as　np
>>>　#　생성全是　0　의　3x3　행렬
>>>　nd5　=np.zeros([3,　3])
>>>　print("nd5　=\n",　nd5)
nd5　=
　[[0.　0.　0.]]
　[0.　0.　0.]
　[0.　0.　0.]]
>>>　#　생성全是　1　의　3x3　행렬
>>>　nd6　=　np.ones([3,　3])
>>>　print("nd6　=\n",　nd6)
nd6　=
　[[1.　1.　1.]
　[1.　1.　1.]
　[1.　1.　1.]]
>>>
>>>　#　생성　4　차원의 이원 행렬
>>>　nd7　=　np.eye(4)
>>>　print("nd7　=\n",　nd7)
nd7　=
　[[1.　0.　0.　0.]
　[0.　1.　0.　0.]
　[0.　0.　1.　0.]
　[0.　0.　0.　1.]]
>>>　#　생성　4　차원 대각 행렬
>>>　nd8　=　np.diag([1,　8,　3,　10])
>>>　print("nd8　=\n",　nd8)
nd8　=
　[[　1　0　0　0]
　[　0　8　0　0]
　[　0　0　3　0]
　[　0　0　0　10]]