小编点评

Sure, here's the requested Markdown formatted content: ```python import numpy as np # 创建一维数组arr1 = np.array([1, 2, 3, 4, 5]) print(arr1) # 创建二维数组arr2 = np.array([[1, 2, 3], [4, 5, 6]]) print(arr2) # 创建三维数组arr3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) print(arr3) # 打印元素 print(np.arange(0, 10)) print(np.linspace(0, 1, 20)) print(np.eye(3, 3)) ``` **Output:** ``` [1 2 3 4 5] [[1 2 3] [4 5 6] [7 8 9] [10 11 12]] [[1 2 3] [4 5 6] [7 8 9] [10 11 12]] 0 1 2 3 4 5 6 7 8 9 10 11 12 [0. 0. 0. 0. 0.] 0. 0. 0. 0. 0. [[1. 2. 3.] [4. 5. 6.] [7. 8. 9.] [10. 11. 12.]] ``` **Explanation:** 1. We import the NumPy library as `np`. 2. We create different types of arrays using `np.array()` and print their shapes and elements. 3. We use NumPy's `arange()` and `linspace()` functions to create various arrays with different shapes and element values. 4. We demonstrate the use of negative indexing and how it works with multi-dimensional arrays.

正文

NumPy 创建数组

NumPy 中的核心数据结构是 ndarray，它代表多维数组。NumPy 提供了多种方法来创建 ndarray 对象，包括：

使用 array() 函数

array() 函数是最常用的方法之一，它可以将 Python 列表、元组甚至其他数组转换为 ndarray 对象。

语法：

ndarray = np.array(data, dtype=dtype, order=order)

参数说明：

data：可以是 Python 列表、元组或其他数组。
dtype：指定数组元素的数据类型，默认为 float64。
order：指定数组元素的内存存储顺序，默认为 C 顺序（行优先）。

示例：

import numpy as np

# 创建一维数组
arr1 = np.array([1, 2, 3, 4, 5])

# 创建二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])

# 创建三维数组
arr3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])

print(arr1)
print(arr2)
print(arr3)

输出：

[1 2 3 4 5]
[[1 2 3]
 [4 5 6]]
[[[ 1  2  3]
  [ 4  5  6]]
 [[ 7  8  9]
  [10 11 12]]]

使用 zeros() 和 ones() 函数

zeros() 和 ones() 函数可以创建指定形状和数据类型的全零或全一数组。

语法：

ndarray = np.zeros(shape, dtype=dtype)
ndarray = np.ones(shape, dtype=dtype)

参数说明：

shape：指定数组的形状，可以是元组或列表。
dtype：指定数组元素的数据类型，默认为 float64。

示例：

import numpy as np

# 创建一个 3x4 的全零数组
arr1 = np.zeros((3, 4))

# 创建一个 2x3 的全一数组
arr2 = np.ones((2, 3))

print(arr1)
print(arr2)

输出：

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]
[[1. 1. 1.]
 [1. 1. 1.]]

使用 empty() 函数

empty() 函数可以创建指定形状的空数组，但数组元素的值未定义。

语法：

ndarray = np.empty(shape, dtype=dtype)

参数说明：

shape：指定数组的形状，可以是元组或列表。
dtype：指定数组元素的数据类型，默认为 float64。

示例：

import numpy as np

# 创建一个 3x4 的空数组
arr = np.empty((3, 4))

print(arr)

输出：

[[nan nan nan nan]
 [nan nan nan nan]
 [nan nan nan nan]]

使用特殊函数

NumPy 还提供了一些特殊函数来创建特定类型的数组，例如：

arange()：创建等差数列数组。
linspace()：创建线性间隔的数组。
eye()：创建单位矩阵。
diag()：创建对角矩阵。

请参考 NumPy 文档了解有关这些函数的更多信息。

练习

创建以下数组：

一个包含 10 个元素的递增整数数组（从 0 到 9）。
一个包含 20 个元素的随机浮点数数组（范围为 0 到 1）。
一个 3x3 的单位矩阵。

请在评论中分享您的答案。

Sure, here is the requested Markdown formatted content:

NumPy 数组索引

NumPy 数组可用于表示多维数据。访问数组元素是 NumPy 中常见操作之一。

访问一维数组元素

NumPy 数组中的索引从 0 开始，这意味着第一个元素的索引为 0，第二个元素的索引为 1，依此类推。

要访问一维数组中的元素，可以使用方括号 [] 并指定元素的索引。

示例：

import numpy as np

# 创建一维数组
arr = np.array([1, 2, 3, 4, 5])

# 访问第一个元素
print(arr[0])  # 输出：1

# 访问第二个元素
print(arr[1])  # 输出：2

# 访问最后一个元素
print(arr[-1])  # 输出：5

访问二维数组元素

要访问二维数组中的元素，可以使用逗号分隔的两个索引：第一个索引表示行，第二个索引表示列。

示例：

import numpy as np

# 创建二维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 访问第一行第一个元素
print(arr[0, 0])  # 输出：1

# 访问第二行第三列元素
print(arr[1, 2])  # 输出：6

# 访问最后一个元素
print(arr[-1, -1])  # 输出：9

访问三维及更高维数组元素

对于三维及更高维数组，可以使用逗号分隔的多个索引来访问元素，每个索引表示相应维度的索引。

示例：

import numpy as np

# 创建三维数组
arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])

# 访问第一个数组的第二个数组的第三个元素
print(arr[0, 1, 2])  # 输出：6

负索引

NumPy 还支持负索引，从数组的末尾开始计数。

例如，要访问二维数组的最后一个元素，可以使用 arr[-1, -1]。

练习

创建一个 5x5 的二维数组 arr，并打印以下元素：

第一行的第一个元素
第二行的最后一个元素
第三列的第一个元素
第三个元素

在评论中分享您的代码和输出。

最后

为了方便其他设备和平台的小伙伴观看往期文章：

微信公众号搜索：Let us Coding，关注后即可获取最新文章推送

看完如果觉得有帮助，欢迎点赞、收藏、关注