Skip to content
New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Update quickstart.md #35

Open
wants to merge 1 commit into
base: master
Choose a base branch
from
Open

Update quickstart.md #35

Changes from all commits
Commits
Show all changes
1 commit
Select commit
File filter

Filter by extension

Filter by extension
Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
23 changes: 10 additions & 13 deletions docs/user/quickstart.md
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -25,10 +25,9 @@ NumPy的主要对象是同构多维数组。它是一个元素表（通常是数
[ 0., 1., 2.]]
```

NumPy的数组类被调用``ndarray``。它也被别名所知
``array``。请注意，``numpy.array``这与标准Python库类不同``array.array``，后者只处理一维数组并提供较少的功能。``ndarray``对象更重要的属性是：
NumPy的数组类被称为``ndarray``。它的别名是 ``array``。请注意，``numpy.array``与标准Python库类``array.array``不同，后者只处理一维数组并提供较少的功能。``ndarray``对象更重要的属性是：

- **ndarray.ndim** - 数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。
- **ndarray.ndim** - 数组的轴（维度）的个数。在Python世界中，维度的数量被称为*秩*(rank)。
- **ndarray.shape** - 数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有 *n* 行和 *m* 列的矩阵，``shape`` 将是 ``(n,m)``。因此，``shape`` 元组的长度就是rank或维度的个数 ``ndim``。
- **ndarray.size** - 数组元素的总数。这等于 ``shape`` 的元素的乘积。
- **ndarray.dtype** - 一个描述数组中元素类型的对象。可以使用标准的Python类型创建或指定dtype。另外NumPy提供它自己的类型。例如numpy.int32、numpy.int16和numpy.float64。
Expand Down Expand Up @@ -63,9 +62,9 @@ array([6, 7, 8])
<type 'numpy.ndarray'>
```

### 数组创建
### 创建数组

有几种方法可以创建数组。
有多种方法可以创建数组。

例如，你可以使用array函数从常规Python列表或元组中创建数组。得到的数组的类型是从Python列表中元素的类型推导出来的。

Expand Down Expand Up @@ -106,11 +105,9 @@ array([[ 1.+0.j, 2.+0.j],
[ 3.+0.j, 4.+0.j]])
```

通常，数组的元素最初是未知的，但它的大小是已知的。因此，NumPy提供了几个函数来创建具有初始占位符内容的数组。这就减少了数组增长的必要，因为数组增长的操作花费很大。
通常，数组的元素最初是未知的，但它的大小是已知的。因此，NumPy提供了几个函数来创建具有初始占位符内容的数组。这就减少了不必要的数组增长，因为数组增长的成本很高。

函数``zeros``创建一个由0组成的数组，函数 ``ones``创建一个完整的数组，函数``empty``
创建一个数组，其初始内容是随机的，取决于内存的状态。默认情况下，创建的数组的dtype是
``float64`` 类型的。
函数``zeros``创建一个由全都是0组成的数组，函数 ``ones``创建一个全都是1的数组，函数``empty``创建一个数组，其初始内容是随机的，取决于创建时内存的状态。默认情况下，创建的数组的dtype是 ``float64`` 类型的。

``` python
>>> np.zeros( (3,4) )
Expand Down Expand Up @@ -138,7 +135,7 @@ array([10, 15, 20, 25])
array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])
```

当``arange``与浮点参数一起使用时，由于有限的浮点精度，通常不可能预测所获得的元素的数量。出于这个原因，通常最好使用``linspace``函数来接收我们想要的元素数量的函数，而不是步长（step）：
当``arange``与浮点参数一起使用时，由于有限的浮点精度，通常不可能预测所获得的元素的数量。出于这个原因，通常最好使用``linspace``函数，该函数的一个参数是我们想要的元素数量，而不是步长（step）：

``` python
>>> from numpy import pi
Expand Down Expand Up @@ -168,7 +165,7 @@ array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])

### 打印数组

当您打印数组时，NumPy以与嵌套列表类似的方式显示它，但具有以下布局：
当您打印数组时，NumPy以类似嵌套列表的方式显示它，但具有以下布局：

- 最后一个轴从左到右打印，
- 倒数第二个从上到下打印，
Expand Down Expand Up @@ -456,7 +453,7 @@ array([[10, 11, 12, 13],
[20, 21, 22, 23]])
```

当提供的索引少于轴的数量时，缺失的索引被认为是完整的切片``:``
当提供的索引数量少于轴的数量时，缺失的索引被认为是完整的切片``:``

``` python
>>> b[-1] # the last row. Equivalent to b[-1,:]
Expand All @@ -465,7 +462,7 @@ array([40, 41, 42, 43])

``b[i]`` 方括号中的表达式 ``i`` 被视为后面紧跟着 ``:`` 的多个实例，用于表示剩余轴。NumPy也允许你使用三个点写为 ``b[i,...]``。

三个点（ ``...`` ）表示产生完整索引元组所需的冒号。例如，如果 ``x`` 是rank为的5数组（即，它具有5个轴），则：
三个点（ ``...`` ）表示产生完整索引元组所需的冒号。例如，如果 ``x`` 是rank为5的数组（即，它具有5个轴），则：

- ``x[1,2,...]`` 相当于 ``x[1,2,:,:,:]``，
- ``x[...,3]`` 等效于 ``x[:,:,:,:,3]``
Expand Down