numpy——使用array创建（1）

 标准Python的列表(list)中，元素本质是对象。
 如：L = [1, 2, 3]，需要3个指针和三个整数对象，对于数值运算比较浪费内存和CPU。
 因此，Numpy提供了ndarray(N-dimensional array object)对象：存储单一数据类型的多维数组。
tips：np.set_printoptions(linewidth = 200)//设置在控制台显示的数据长度，更美观

# # # 通过array函数传递list对象
     L = [1, 2, 3, 4, 5, 6]
     print "L = ", L
     a = np.array(L)
     print "a = ", a           # # >>array([1, 2, 3, 4, 5, 6])
     print type(a),type(L)     # # >><class 'numpy.ndarray'> <class 'list'>
# # # 若传递的是多层嵌套的list，将创建多维数组
     b = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
     print b
    
# # # # 数组大小(即长宽)可以通过其shape属性获得
     print a.shape
     print b.shape     #3,4
   
# # # 也可以强制修改shape
     b.shape = 4, 3
     print b
    ##>> array([[ 1,  2,  3],
                    # [ 4,  5,  6],
                    # [ 7,  8,  9],
                    # [10, 11, 12]])
    # # # # 注：从(3,4)改为(4,3)并不是对数组进行转置，而只是改变每个轴的大小，数组元素在内存中的位置并没有改变
    # # #
# # # 当某个轴为-1时，将根据数组元素的个数自动计算此轴的长度
     b.shape = 2, -1
     print b
     print b.shape
      # #>>array([[ 1,  2,  3,  4,  5,  6],
      ##          [ 7,  8,  9, 10, 11, 12]]) 
    
      # # # 使用reshape方法，可以创建改变了尺寸的新数组，原数组的shape保持不变
     c = b.reshape((4, -1))
     print "b = 
", b 
     #>> b = array([[ 1,  2,  3,  4,  5,  6],
     #             [ 7,  8,  9, 10, 11, 12]])
     print 'c = 
', c
    # #>>c = array([[ 1,  2,  3],
        #              [ 4,  5,  6],
        #              [ 7,  8,  9],
        #              [10, 11, 12]])
    # #

# # # 数组b和c共享内存，修改任意一个将影响另外一个
     b[0][1] = 20
     print "b = 
", b
    #>>b = array([[ 1, 20,  3,  4,  5,  6],
      #         [ 7,  8,  9, 10, 11, 12]])
     print "c = 
", c
     #  >> c = array([[ 1,  2,  3],
     #               [ 4,  5,  6],
     #              [ 7,  8,  9],
     #             [10, 11, 12]])
    
# # # 数组的元素类型可以通过dtype属性获得
     print a.dtype
     print b.dtype
     #>> dtype('int32')


    # # #
# # # # 可以通过dtype参数在创建时指定元素类型
     d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.float)
     f = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.complex)
     print d
     #>>array([[ 1.,  2.,  3.,  4.],
       #      [ 5.,  6.,  7.,  8.],
        #     [ 9., 10., 11., 12.]])
    
     print f
     #>>array([[ 1.+0.j,  2.+0.j,  3.+0.j,  4.+0.j],
       #      [ 5.+0.j,  6.+0.j,  7.+0.j,  8.+0.j],
        #     [ 9.+0.j, 10.+0.j, 11.+0.j, 12.+0.j]])
    # # #


# # # 如果更改元素类型，可以使用astype安全的转换
     f = d.astype(np.int)
     print f
    # #


# # # 但不要强制仅修改元素类型，如下面这句，将会以int来解释单精度float类型
     d.dtype = np.int
     print d
　　　　#>>array([[         0, 1072693248,          0, 1073741824,          0,        1074266112,          0, 1074790400],
　　　　#       [         0, 1075052544,          0, 1075314688,          0,        1075576832,          0, 1075838976],
　　　　#       [         0, 1075970048,          0, 1076101120,          0,       1076232192,          0, 1076363264]])
    #