numpy.arange#

numpy.arange([начало, ]стоп, [шаг, ]dtype=None, *, device=None, like=None)#

Возвращает равномерно распределенные значения в заданном интервале.

arange может быть вызвана с переменным количеством позиционных аргументов:

arange(stop): Значения генерируются в полуоткрытом интервале [0, stop) (другими словами, интервал, включающий начало но исключая стоп).
arange(start, stop): Значения генерируются в полуоткрытом интервале [start, stop).
arange(start, stop, step) Значения генерируются в полуоткрытом интервале [start, stop), с интервалом между значениями, заданным step.

Для целочисленных аргументов функция примерно эквивалентна встроенной в Python range, но возвращает ndarray вместо range экземпляр.

При использовании нецелочисленного шага, такого как 0.1, часто лучше использовать numpy.linspace.

См. разделы с предупреждениями ниже для получения дополнительной информации.

Параметры:

началоцелое или вещественное, необязательно: Начало интервала. Интервал включает это значение. Начальное значение по умолчанию — 0.
стопцелое или вещественное: Конец интервала. Интервал не включает это значение, за исключением некоторых случаев, когда шаг не является целым числом, и округление с плавающей запятой влияет на длину выход.
шагцелое или вещественное, необязательно: Расстояние между значениями. Для любого вывода выход, это расстояние между двумя соседними значениями, out[i+1] - out[i]. Размер шага по умолчанию равен 1. Если шаг указан как позиционный аргумент, начало также должен быть указан.
dtypedtype, опционально: Тип выходного массива. Если dtype не указан, вывести тип данных из других входных аргументов.
devicestr, optional: Устройство, на котором будет размещён созданный массив. По умолчанию: None. Только для совместимости с Array-API, поэтому должно быть "cpu" если передано.

Новое в версии 2.0.0.
какarray_like, необязательный: Объект-ссылка, позволяющий создавать массивы, которые не являются массивами NumPy. Если массивоподобный объект, переданный как like поддерживает __array_function__ протокол, результат будет определен им. В этом случае он гарантирует создание объекта массива, совместимого с переданным через этот аргумент.

Новое в версии 1.20.0.

Возвращает:

arangendarray

Массив равномерно распределённых значений.

Для аргументов с плавающей точкой длина результата равна ceil((stop - start)/step). Из-за переполнения чисел с плавающей точкой это правило может привести к тому, что последний элемент выход больше чем стоп.

Предупреждение

Длина вывода может быть численно нестабильной.

Другая проблема стабильности связана с внутренней реализацией numpy.arange. Фактическое значение шага, используемое для заполнения массива, — dtype(start + step) - dtype(start) и не шаг. Потеря точности может произойти здесь из-за приведения типов или использования чисел с плавающей точкой, когда начало намного больше, чем шаг. Это может привести к неожиданному поведению. Например:

>>> np.arange(0, 5, 0.5, dtype=int)
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
>>> np.arange(-3, 3, 0.5, dtype=int)
array([-3, -2, -1,  0,  1,  2,  3,  4,  5,  6,  7,  8])

В таких случаях использование numpy.linspace следует предпочесть.

Встроенный range генерирует Встроенные целые числа Python, которые имеют произвольный размер, в то время как numpy.arange производит numpy.int32 или numpy.int64 числа. Это может привести к неправильным результатам для больших целочисленных значений:

>>> power = 40
>>> modulo = 10000
>>> x1 = [(n ** power) % modulo for n in range(8)]
>>> x2 = [(n ** power) % modulo for n in np.arange(8)]
>>> print(x1)
[0, 1, 7776, 8801, 6176, 625, 6576, 4001]  # correct
>>> print(x2)
[0, 1, 7776, 7185, 0, 5969, 4816, 3361]  # incorrect

Смотрите также

numpy.linspace: Равномерно распределённые числа с аккуратной обработкой конечных точек.
numpy.ogrid: Массивы равномерно распределённых чисел в N-измерениях.
numpy.mgrid: Сеточные массивы равномерно распределённых чисел в N-мерном пространстве.
Как создавать массивы с регулярно расположенными значениями

Примеры

>>> 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])