NumPy数组

NumPy数组是一个多维数组对象,称为ndarray。其由两部分组成:

  • 实际的数据
  • 描述这些数据的元数据

大部分操作仅针对于元数据,而不改变底层实际的数据。

关于NumPy数组有几点必需了解的:

  • NumPy数组的下标从0开始。
  • 同一个NumPy数组中所有元素的类型必须是相同的。

NumPy数组属性

在详细介绍NumPy数组之前。先详细介绍下NumPy数组的基本属性。NumPy数组的维数称为秩(rank),一维数组的秩为1,二维数组的秩为2,以此类推。在NumPy中,每一个线性的数组称为是一个轴(axes),秩其实是描述轴的数量。比如说,二维数组相当于是两个一维数组,其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是NumPy中的轴(axes),第一个轴相当于是底层数组,第二个轴是底层数组里的数组。而轴的数量——秩,就是数组的维数。

NumPy的数组中比较重要ndarray对象属性有:

  • ndarray.ndim:数组的维数(即数组轴的个数),等于秩。最常见的为二维数组(矩阵)。

  • ndarray.shape:数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中,表示数组的“行数”和“列数”。ndarray.shape返回一个元组,这个元组的长度就是维度的数目,即ndim属性。

  • ndarray.size:数组元素的总个数,等于shape属性中元组元素的乘积。

  • ndarray.dtype:表示数组中元素类型的对象,可使用标准的Python类型创建或指定dtype。另外也可使用前一篇文章中介绍的NumPy提供的数据类型。

  • ndarray.itemsize:数组中每个元素的字节大小。例如,一个元素类型为float64的数组itemsiz属性值为8(float64占用64个bits,每个字节长度为8,所以64/8,占用8个字节),又如,一个元素类型为complex32的数组item属性为4(32/8)。

  • ndarray.data:包含实际数组元素的缓冲区,由于一般通过数组的索引获取元素,所以通常不需要使用这个属性。

创建数组

  先来介绍创建数组。创建数组的方法有很多。如可以使用array函数从常规的Python列表和元组创造数组。所创建的数组类型由原序列中的元素类型推导而来。   
  1. >>> from numpy import *
  2.    
  3. >>> a = array( [2,3,4] )   
  4. >>> a
  5. array([2, 3, 4])
  6. >>> a.dtype
  7. dtype('int32')
  8. >>> b = array([1.2, 3.5, 5.1])   
  9. >>> b.dtype
  10. dtype('float64')

使用array函数创建时,参数必须是由方括号括起来的列表,而不能使用多个数值作为参数调用array。   

  1. >>> a = array(1,2,3,4)    # 错误
  2. >>> a = array([1,2,3,4])  # 正确

可使用双重序列来表示二维的数组,三重序列表示三维数组,以此类推。

  1. >>> b = array( [ (1.5,2,3), (4,5,6) ] )  
  2. >>> b
  3. array([[ 1.5,  2. ,  3. ],
  4.         [ 4. ,  5. ,  6. ]])

可以在创建时显式指定数组中元素的类型

  1. >>> c = array( [ [1,2], [3,4] ], dtype=complex)
  2. >>> c
  3. array([[ 1.+0.j,  2.+0.j],
  4.        [ 3.+0.j,  4.+0.j]])

通常,刚开始时数组的元素未知,而数组的大小已知。因此,NumPy提供了一些使用占位符创建数组的函数。这些函数有助于满足除了数组扩展的需要,同时降低了高昂的运算开销。

用函数zeros可创建一个全是0的数组,用函数ones可创建一个全为1的数组,函数empty创建一个内容随机并且依赖与内存状态的数组。默认创建的数组类型(dtype)都是float64。

可以哟娜特d.dtype.itemsize来查看数组中元素占用的字节数目。

  1. >>> d = zeros((3,4))
  2. >>> d.dtype
  3. dtype('float64')
  4. >>> d
  5. array([[ 0.,  0.,  0.,  0.],
  6.      [ 0.,  0.,  0.,  0.],
  7.      [ 0.,  0.,  0.,  0.]])
  8. >>> d.dtype.itemsize
  9. 8

也可以自己制定数组中元素的类型

  1. >>> ones( (2,3,4), dtype=int16 )  #手动指定数组中元素类型
  2. array([[[1, 1, 1, 1],
  3.            [1, 1, 1, 1],
  4.            [1, 1, 1, 1]],
  5.    
  6.           [[1, 1, 1, 1],
  7.            [1, 1, 1, 1],
  8.            [1, 1, 1, 1]]], dtype=int16)
  9. >>> empty((2,3))
  10.    array([[  2.65565858e-316,   0.00000000e+000,   0.00000000e+000],
  11.           [  0.00000000e+000,   0.00000000e+000,   0.00000000e+000]])

NumPy提供一个类似arange的函数返回一个数列形式的数组:

  1. >>> arange(10, 30, 5)
  2. array([10, 15, 20, 25])

以10开始,差值为5的等差数列。该函数不仅接受整数,还接受浮点参数: 

  1. >>> arange(0,2,0.5)
  2. array([ 0. ,  0.5,  1. ,  1.5])

当arange使用浮点数参数时,由于浮点数精度有限,通常无法预测获得的元素个数。因此,最好使用函数linspace去接收我们想要的元素个数来代替用range来指定步长。linespace用法如下,将在通用函数一节中详细介绍。

  1. >>> numpy.linspace(-1, 0, 5)
  2. array([-1.  , -0.75, -0.5 , -0.25,  0.  ])

数组中的元素是通过下标来访问的,可以通过方括号括起一个下标来访问数组中单一一个元素,也可以以切片的形式访问数组中多个元素。关于切片访问,将在切片一节介绍。

知识点:NumPy中的数据类型
对于科学计算来说,Python中自带的整型、浮点型和复数类型远远不够,因此NumPy中添加了许多数据类型。如下:

NumPy中的基本数据类型
名称 描述
bool 用一个字节存储的布尔类型(True或False)
inti 由所在平台决定其大小的整数(一般为int32或int64)
int8 一个字节大小,-128 至 127
int16 整数,-32768 至 32767
int32 整数,-2 ** 31 至 2 ** 32 -1
int64 整数,-2 ** 63 至 2 ** 63 - 1
uint8 无符号整数,0 至 255
uint16 无符号整数,0 至 65535
uint32 无符号整数,0 至 2 ** 32 - 1
uint64 无符号整数,0 至 2 ** 64 - 1
float16 半精度浮点数:16位,正负号1位,指数5位,精度10位
float32 单精度浮点数:32位,正负号1位,指数8位,精度23位
float64或float 双精度浮点数:64位,正负号1位,指数11位,精度52位
complex64 复数,分别用两个32位浮点数表示实部和虚部
complex128或complex 复数,分别用两个64位浮点数表示实部和虚部

NumPy类型转换方式如下:

  1. >>> float64(42)
  2. 42.0
  3. >>> int8(42.0)
  4. 42
  5. >>> bool(42)
  6. True
  7. >>> bool(42.0)
  8. True
  9. >>> float(True)
  10. 1.0

许多函数的参数中可以指定参数的类型,当然,这个类型参数是可选的。如下:

  1. >>> arange(7, dtype=uint16)
  2. array([0, 1, 2, 3, 4, 5, 6], dtype=uint16)

输出数组

    当输出一个数组时,NumPy以特定的布局用类似嵌套列表的形式显示:
  • 第一行从左到右输出
  • 每行依次自上而下输出
  • 每个切片通过一个空行与下一个隔开
  • 一维数组被打印成行,二维数组成矩阵,三维数组成矩阵列表。
  1. >>> a = arange(6)                         # 1d array
  2. >>> print a
  3. [0 1 2 3 4 5]
  4.    
  5. >>> b = arange(12).reshape(4,3)           # 2d array
  6. >>> print b
  7. [[ 0  1  2]
  8. [ 3  4  5]
  9. [ 6  7  8]
  10. [ 9 10 11]]   
  11. >>> c = arange(24).reshape(2,3,4)         # 3d array
  12. >>> print c
  13. [[[ 0  1  2  3]
  14. [ 4  5  6  7]
  15. [ 8  9 10 11]]
  16.    
  17. [[12 13 14 15]
  18. [16 17 18 19]
  19. [20 21 22 23]]]

  1. >>> print arange(10000)
  2.    [   0    1    2 ..., 9997 9998 9999]
  3.    
  4. >>> print arange(10000).reshape(100,100)
  5.    [[   0    1    2 ...,   97   98   99]
  6.     [ 100  101  102 ...,  197  198  199]
  7.     [ 200  201  202 ...,  297  298  299]
  8.     ...,
  9.     [9700 9701 9702 ..., 9797 9798 9799]
  10.     [9800 9801 9802 ..., 9897 9898 9899]
  11.     [9900 9901 9902 ..., 9997 9998 9999]]

numpy-1的更多相关文章

  1. 利用Python进行数据分析(5) NumPy基础: ndarray索引和切片

    概念理解 索引即通过一个无符号整数值获取数组里的值. 切片即对数组里某个片段的描述. 一维数组 一维数组的索引 一维数组的索引和Python列表的功能类似: 一维数组的切片 一维数组的切片语法格式为a ...

  2. 利用Python进行数据分析(4) NumPy基础: ndarray简单介绍

    一.NumPy 是什么 NumPy 是 Python 科学计算的基础包,它专为进行严格的数字处理而产生.在之前的随笔里已有更加详细的介绍,这里不再赘述. 利用 Python 进行数据分析(一)简单介绍 ...

  3. 利用Python进行数据分析(6) NumPy基础: 矢量计算

    矢量化指的是用数组表达式代替循环来操作数组里的每个元素. NumPy提供的通用函数(既ufunc函数)是一种对ndarray中的数据进行元素级别运算的函数. 例如,square函数计算各元素的平方,r ...

  4. python安装numpy、scipy和matplotlib等whl包的方法

    最近装了python和PyCharm开发环境,但是在安装numpy和matplotlib等包时出现了问题,现总结一下在windows平台下的安装方法. 由于现在找不到了工具包新版本的exe文件,所以采 ...

  5. 深入理解numpy

    一.为啥需要numpy python虽然说注重优雅简洁,但它终究是需要考虑效率的.别说运行速度不是瓶颈,在科学计算中运行速度就是瓶颈. python的列表,跟java一样,其实只是一维列表.一维列表相 ...

  6. Python Numpy,Pandas基础笔记

    Numpy Numpy是python的一个库.支持维度数组与矩阵计算并提供大量的数学函数库. arr = np.array([[1.2,1.3,1.4],[1.5,1.6,1.7]])#创建ndarr ...

  7. broadcasting Theano vs. Numpy

    broadcasting Theano vs. Numpy broadcast mechanism allows a scalar may be added to a matrix, a vector ...

  8. python之numpy

    一.矩阵的拼接合并 列拼接:np.column_stack() >>> import numpy as np >>> a = np.arange(9).reshap ...

  9. win7系统下python安装numpy,matplotlib,scipy和scikit-learn

    1.安装numpy,matplotlib,scipy和scikit-learn win7系统下直接采用pip或者下载源文件进行安装numpy,matplotlib,scipy时会遇到各种问题,这是因为 ...

  10. 给numpy矩阵添加一列

    问题的定义: 首先我们有一个数据是一个mn的numpy矩阵现在我们希望能够进行给他加上一列变成一个m(n+1)的矩阵 import numpy as np a = np.array([[1,2,3], ...

随机推荐

  1. Tensorflow Mask-RCNN训练识别箱子的模型运行结果(练习)

    Tensorflow Mask-RCNN训练识别箱子的模型

  2. 在CentOS6.x下安装Compiz——桌面立方体,特效种种

    很多人貌似认为compiz必须要emerland,但事实上,没这个必要. compiz+gnome,实用,而又华丽,是个不错的选择. compiz需要显卡驱动,一般情况下不成问题(别忘了这是很新的ce ...

  3. VS运行release版本正常,直接执行exe文件会出现问题

    博客转载自:https://blog.csdn.net/weixinhum/article/details/39962483 检测了一下自己的程序,发现程序先后开启了两个线程,并且对两个线程的启动顺序 ...

  4. Part10-C语言环境初始化-Bss段初始化lesson2

    1.BSS段的作用 初始化的全局变量存放在数据段: 局部变量存放在栈中: malloc的存放在堆: 未初始化的全局变量存放在BSS段: 找到bss段的起始与结束地址,往里面添加0,便初始化好了. 打开 ...

  5. linux下mariadb的下载与卸载

    Linux下mariadb的安装 使用阿里云的mariadb yum install mariadb-server mariadb -y 启动mariadb数据库 systemctl start/st ...

  6. 网页中的foot底部定位问题

    有时候,我们会碰到这样一个问题. 网页底部一般有个foot对吧,放置一些友情链接版权声明什么的,这个模块是如何定位的? 要是直接放内容区域的下面的话,假如是内容区域的高度不够的话,那么foot下面是会 ...

  7. App测试从入门到精通之性能测试

    好了,上节我们介绍了关于APP测试的功能测试方面一些细节.这一篇我们来介绍一下,关于APP测试过程中的性能测试参考要点,我们需要思考的如下: 响应时间 1.APP安装卸载的响应时间 2.APP各种功能 ...

  8. MVC复杂类型的模型绑定

    1,属性为引用类型(非集合,非数组) //模型1 public class Contact { public string Name { get; set; } public string Phone ...

  9. (转)MongoDB入门分享-笔记整理精选

    原文地址:http://www.cnblogs.com/Kummy/p/3372729.html 最近在学习MongoDB,怕以后忘记,自己做了一个整理,给不知道的小伙伴一起分享学习一下. 第一步&g ...

  10. 生日蜡烛——第七届蓝桥杯C语言B组(省赛)第二题

    原创 生日蜡烛 某君从某年开始每年都举办一次生日party,并且每次都要吹熄与年龄相同根数的蜡烛. 现在算起来,他一共吹熄了236根蜡烛. 请问,他从多少岁开始过生日party的? 请填写他开始过生日 ...