Python--Numpy库学习笔记

ndarray

• nadrray就是N维数组对象,是一个快速灵活的大数据集容器
• 可以用这种数组(ndarray)对整块数据执行数学运算

导入Nump库的代码

import numpy as np

生成一些随机数据

data = np.random.randn(2, 3)

–numpy.random.randn()

• randn函数返回一个或一组样本,具有标准正态分布
• 标准正态分布又称为u分布,是以0为均值,以1为标准差的正态分布,记为N(0, 1)

–dn表示每个维度,randn(2, 3)表示返回一个2行3列的数组

数组可以进行数学运算

• 把数组中的每个元素都乘以10

data * 10

• 两个数组相加,数组中各个元素对应相加

data + data

numpy是一个通用的同构数据多维容器,其中所有的元素必须是相同类型的
每个数组都有

• shape(一个表示各维度大小的元组)
• dtype(一个用于说明数组数据类型的对象)

看一下data数组的shape和dtype

data.shape

可以看出data是一个2行3列的数组

data.dtype

可以看出data的数组数据类型为’float64’

创建ndarray

array函数可以用来创建ndarray数组,它接受一切序列型的对象(包括其它数组)
以一个列表的转换为例:

data1 = [6, 7.5, 8, 0, 1]
arr1 = np.array(data1)
arr1

可以看到列表data1转换成了数组arr1

如果列表是由一组等长列表组成,array函数会将其转换为一个多维数组

data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]
arr2 = np.array(data2)
arr2

可以看出由两个列表组成的列表被转换成了一个2维数组

我们可以用属性ndim和shape验证

arr2.ndim

-ndim返回的是数组的维度，返回的只有一个数，该数即表示数组的维度

arr2.shape

–若无特殊说明,np.array会为待创建的数据选择最匹配的数据类型
–如上例的arr1,arr2,我们看一下创建的数据类型

可以看到,列表中有小数的话,array建立的数组数据类型为浮点型 --> ‘float64’
列表中如果都是整数,那么array建立的数组数据类型就为整数型 -->‘int32’

–np.zeros()方法可以创建指定长度或形状的全0数组
若传入一个数字10,那么默认创建一个一维的10个’0’的数组

np.zeros(10)

创建的数组数据类型为浮点型

np.zeros(10).dtype

传入一个表示形状的元组,可以创建多维数组
比如创建一个3行6列的二维全’0’数组

np.zeros((3, 6))

–np.empty()方法指定长度或形状的未初始化数组,也可以传入元组创建多维数组
比如创建一个三维的未初始化数组(2 * 3行2列)

np.empty((2, 3, 2))

注意:np.empty返回全0数组的想法是不安全的,很多情况下返回的都是一些未初始化的垃圾值

np.arange()

–numpy中的arange是于python内置函数’range’的数组版
传入参数N,表示生成一个0到(N-1)的整数数组

例如创建一个0-14的整数数组

np.arange(15)

np.arange(15).dtype

注意:Numpy关注的是数值计算,如果没有特别指定,数据类型基本都是’float64’(浮点数)

下面是常用的一些数组创建函数,使用频率很高

• array: 将数据转换成ndarray(多维数组),dtype若不指定,默认匹配最适合