讲到NumPy，不得不提ndarray这个核心组件

在Python的数据科学和数值计算领域，NumPy库扮演着不可或缺的角色。核心组件ndarray是NumPy提供的多维数组对象，它是探索NumPy强大功能的入口。本文将带你走近ndarray，深入了解它的结构、特性和如何在数据科学中发挥关键作用。

NumPy的ndarray是一个多维数组对象，提供了统一的数据类型来存储同类型数据的集合。与Python原生的数据结构相比，ndarray具有更高的存储和计算效率，是进行科学计算的基础。

创建ndarray对象最直接的方法是使用numpy.array函数，它可以将Python列表或元组转换成ndarray对象。

import numpy as np

# 使用列表创建一维数组
arr1 = np.array([1, 2, 3, 4])

# 使用列表的列表创建二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])

print(arr1)
print(arr2)

此外，NumPy还提供了一系列函数来创建特殊的数组，如全零数组zeros、全一数组ones、空数组empty等。

ndarray支持多种数据类型，包括但不限于整数（int32、int64）、浮点数（float32、float64）、复数等。在创建数组时，可以通过dtype参数显式指定数据类型：

arr = np.array([1, 2, 3, 4], dtype=np.float64)
print(arr.dtype)  # 输出: float64

ndarray的形状由其各个维度上的元素数量决定，可以通过shape属性获得。更改数组的形状可以使用reshape方法，它返回一个新形状的数组而不改变原数组的数据。

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape)  # 输出: (2, 3)

# 重塑数组
new_arr = arr.reshape((3, 2))
print(new_arr)

ndarray支持多种索引方式，包括基本的切片、整数索引、布尔索引等，使得数据的提取和操作变得灵活方便。

arr = np.array([1, 2, 3, 4, 5])

# 使用切片
print(arr[1:4])  # 输出: [2 3 4]

# 使用布尔索引
print(arr[arr > 3])  # 输出: [4 5]

NumPy的ndarray提供了一个强大

且灵活的方式来处理和分析数据。掌握ndarray的使用是进入Python数据科学世界的关键。通过本文的介绍，希望你能对ndarray有一个初步的了解，并鼓励你继续探索更多的NumPy功能，解锁数据分析和科学计算的无限可能。

原文始发于微信公众号（跟着布布学Python）：讲到NumPy，不得不提ndarray这个核心组件

文章由极客之家整理，本文链接：https://www.bmabk.com/index.php/post/256455.html