NumPy介绍

一、NumPy介绍

　　NumPy是Python中科学计算的基础包，它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。

• 功能强大的N维数组对象。
• 精密广播功能函数。
• 集成 C/C+和Fortran 代码的工具。
• 强大的线性代数、傅立叶变换和随机数功能。

二、Ndarray介绍

　　NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。ndarray 对象是用于存放同类型元素的多维数组。ndarray 中的每个元素在内存中都有相同存储大小的区域。

三、Ndarray和python中的list列表的区别

　　C数组：学过C语言的都知道，在C语言中数组是一个连续的内存空间，并且数组中的数据的类型也是一致的。

　　python列表：python中的列表里面存放的对象，可以是不同的数据类型。其底层实现是通过类似C语言中的指针数组来实现，即python的列表中存放的数据的指针即他们的地址，然后再根据这个指针找到具体的数据。

　　Ndarray数组：和C语言数组实现类似，也是一段连续的内存空间，里面存放的也是相同的数据类型。

　　详细如下：

• NumPy 数组在创建时具有固定的大小，与Python的原生数组对象（可以动态增长）不同。更改ndarray的大小将创建一个新数组并删除原来的数组。
• NumPy 数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。
• NumPy 数组有助于对大量数据进行高级数学和其他类型的操作。通常，这些操作的执行效率更高，比使用Python原生数组的代码更少。

四、初始化NumPy数组

　　1、安装 numpy 包

　　　　pip3 install numpy

　　2、导入 numpy 包

　　　　import numpy

　　3、使用一个列表初始化一个NumPy数组

　　　　函数作用：初始化一个NumPy数组

　　　　函数原型：numpy.array(object, dtype=None, *, copy=True, order='K', subok=False, ndmin=0）

　　　　参数示例：

　　　　　　* object: 必填参数：即创建NumPy数组的数据对象

　　　　　　* dtype: 可选参数，通过它可以更改数组的数据类型---可将原来的整型或者其他类型进行强制转换

　　　　　　* copy: 可选参数，当数据源是ndarray 时表示数组能否被复制，默认是True

　　　　　　* order: 可选参数，以哪种内存布局创建数组，有3个可选值，分别是C（行序列）/F（列序列）/A（默认）

　　　　　　* ndmin: 可选参数，用于指定数组的维度--例如 一维数组、二维数组、三维数组等

　　　　　　* subok: 可选参数，类型为bool值，默认为False。 为True，使用object的内部数据类型； 为False 使用object数组的数据类型
 

　　　　代码示例：

　　　　

 　　　　注意：

　　　　　　* 其中np_array就是Ndarray类型。

　　　　　　* data_list中的数据类型是不一致，但是转化成np_array后，数据格式一致了，都变成了字符串类型。

　　　　　　* 如果传进来的列表包含不同的类型，则统一转化为同一类型，转化的优先级:str>float>int，即有str则都转化为str,这样才能保证NumPy数组中数组的一致性。

　　4、numpy.ones()

　　　　函数作用：创造出来的数组里面填充的都是1

　　　　函数原型：numpy.ones(shape, dtype=None, order='C', *, like=None)

　　　　参数解释：

　　　　　　* shape：创建出来数组的形状，是一维数组，还是二维数组，还是多维数组等等

　　　　　　* dtype：数据的类型

　　　　　　* order：指定内存重以行优先(‘C’)还是列优先(‘F’)顺序存储多维数组。

　　　　代码示例：

　　　　

 　　　　注意：

　　　　　　shape = (m,n) m行n列， 二维数组

　　　　　　shape = (m)  m个元素的一维数组 [1,2,3]

　　　　　　shape = (m, ) m个元素的一维数组

　　　　　　shape = (m, 1) m行1列 二维数组 [[1],[2],[3]]

　　　　　　shape = (1,m) 1行m列 二维数组 [[1,2,3]]

 　　5、numpy.zeros()

　　　　函数作用：其用法和ones()一样，只不过被填充的由1变成了0

　　　　函数原型：zeros(shape, dtype=float, order='C', *, like=None)

            代码示例：

　　　　

 　　6、numpy.ful()

　　　　函数作用：使用自己指定数字填充数组内容

　　　　函数原型：numpy.full(shape, fill_value, dtype=None, order='C', *, like=None)

　　　　　代码示例：

　　　　

　　7、numpy.linspace()

　　　　函数作用: 生成等差数列的数组

　　　　函数原型：linspace(start, stop, num=50,endpoint=True,retstep=False,dtype=None)

　　　　参数解释：

　　　　　　* start，起始点
　　　　　　* stop，结束点
　　　　　　* num，元素个数，默认 50
　　　　　　* endpoint，是否包含 stop 数值，默认为 True，包含 stop 值；若为 False，则不包含 stop 值
　　　　　　* retstep，返回值形式，默认为 False，返回等差数列组，若为True，则返回结果 (array([‘samples’, ‘step’]))
　　　　　　* dtype，返回结果的数据类型，默认无，若无，则参考输入数据类型
　　　　

　　　　代码示例：

　　　　

　　

　　8、numpy.arange()

　　　　函数作用：根据步长生成等差数列

　　　　函数原型：arange([start,] stop[, step,], dtype=None, *, like=None)

　　　　代码示例：

　　　　

　　9、numpy.random.randint()

　　　　函数作用：使用随机数创建NumPy数组

　　　　函数原型：randint(low, high=None, size=None, dtype=int)

　　　　参数示例：

　　　　　　* low:随机数的最小值

　　　　　　* higt:随机数的最大值

　　　　　　* size:生出数组的形状

　　　　　　* dtype:数据类型

　　　　代码示例：

　　　　

 　　　　注意：类似的函数还有下面几个，用法也类似

　　　　　　* numpy.random.random(size): 随机生成小数的NumPy的数组

　　　　　　* numpy.random.randn(d0, d1, ..., dn): 标准正态分布

　　　　　　* np.random.normal(): 普通正态分布

 五、ndarray的属性

　　通过上面的示例，我们看到有几个属性是ndarray常用的属性，这里我们总结如下：

　　四个必记的属性

　　　　* ndim: 维度

　　　　* shape: 形状

　　　　* size: 总长度

　　　　* dtype: 元素类型

　　代码示例：

　　　　

---

侯哥语录：我曾经是一个职业教育者，现在是一个自由开发者。我希望我的分享可以和更多人一起进步。分享一段我喜欢的话给大家："我所理解的自由不是想干什么就干什么，而是想不干什么就不干什么。当你还没有能力说不得时候，就努力让自己变得强大，拥有说不得权利。"