numpy的基本使用(一)

numpy概述

numpy（Numerical Python）提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
NumPy支持比Python更多种类的数值类型。NumPy数值是dtype(数据类型)对象的实例，每个对象具有唯一的特征。

创建ndarray数组

ndarray：N维数组对象（矩阵），所有元素必须是相同类型。
ndarray属性：ndim属性，表示维度个数；shape属性，表示各维度大小；dtype属性，表示数据类型。
ndarray 内部由以下内容组成：

• 一个指向数据（内存或内存映射文件中的一块数据）的指针。

• 数据类型或 dtype，描述在数组中的固定大小值的格子。

• 一个表示数组形状（shape）的元组，表示各维度大小的元组。

• 一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。

数组创建函数

创建一个 ndarray 只需调用 NumPy 的array 函数即可：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数说明：

import numpy as np 
a = np.array([1,2,3])  
print (a)
#[1 2 3]

# 等间隔数字的数组
b = np.arange(10); print(b) # [0 1 2 3 4 5 6 7 8 9]

# 多于一个维度
a=np.array([[1,2],[3,4]])
print(a)
#[[1 2]
# [3 4]]

# dtype 参数  
import numpy as np 
a = np.array([1,  2,  3], dtype = complex)  
print (a)
#[1.+0.j 2.+0.j 3.+0.j]

NumPy 数据类型

numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。

数据类型对象 (dtype)

dtype 对象是使用以下语法构造的：numpy.dtype(object, align, copy)

• object - 要转换为的数据类型对象
• align - 如果为 true，填充字段使其类似 C 的结构体。
• copy - 复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用

import numpy as np
# 使用标量类型
dt = np.dtype(np.int32)
print(dt)
#32

import numpy as np
# int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替
dt = np.dtype('i4')
print(dt)
#int32

import numpy as np
# 字节顺序标注
dt = np.dtype('<i4')
print(dt)
#int32

结构化数据类型的使用，类型字段和对应的实际类型将被创建。

# 首先创建结构化数据类型
import numpy as np
dt = np.dtype([('age',np.int8)]) 
print(dt)
#[('age', 'i1')]

# 将数据类型应用于 ndarray 对象
import numpy as np
dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt) 
print(a)
#[(10,) (20,) (30,)]

# 类型字段名可以用于存取实际的 age 列
import numpy as np
dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt) 
print(a['age'])
# [10 20 30]

一个结构化数据类型 student，包含字符串字段 name，整数字段 age，及浮点字段 marks，并将这个 dtype 应用到 ndarray 对象。

import numpy as np
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')]) 
print(student)
# [('name', 'S20'), ('age', 'i1'), ('marks', '<f4')]

import numpy as np
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')]) 
a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student) 
print(a)
#[(b'abc', 21, 50.) (b'xyz', 18, 75.)]

每个内建类型都有一个唯一定义它的字符代码，如下：

NumPy 数组属性

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（axis），也就是维度（dimensions）。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（axis），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。

很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。

NumPy 的数组中比较重要 ndarray 对象属性有：

data = [[1,2],[3,4],[5,6]]
x = np.array(data)
print(x.shape)
# (3, 2)  三行两列

data = [[1,2,3],[2,4,6],[7,61,15]]
x = np.array(data)
print(x.shape)
print(x.ndim)   #ndarray的shape有几个数字, ndim就是多少
#(3, 3)
#2

# 现在调整其大小
b = a.reshape(2,4,3)  # b 现在拥有三个维度
print (b.ndim)
#3

• ndarray.shape
  ndarray.shape 表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。比如，一个二维数组，其维度表示"行数"和"列数"。

  import numpy as np  
   
  a = np.array([[1,2,3],[4,5,6]])  
  print (a.shape)
  #(2, 3)
  

  ndarray.shape 也可以用于调整数组大小。

  
  import numpy as np 
   
  a = np.array([[1,2,3],[4,5,6]]) 
  a.shape =  (3,2)  
  print (a)
  #[[1 2]
  # [3 4]
  # [5 6]]
  

  NumPy 也提供了reshape 函数来调整数组大小。

  import numpy as np 
   
  a = np.array([[1,2,3],[4,5,6]]) 
  b = a.reshape(3,2)  
  print (b)
  #[[1, 2] 
  # [3, 4] 
  # [5, 6]]
  

• ndarray.itemsize
  ndarray.itemsize 以字节的形式返回数组中每一个元素的大小。
  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）。

  import numpy as np 
   
  # 数组的 dtype 为 int8（一个字节）  
  x = np.array([1,2,3,4,5], dtype = np.int8)  
  print (x.itemsize)
   
  # 数组的 dtype 现在为 float64（八个字节） 
  y = np.array([1,2,3,4,5], dtype = np.float64)  
  print (y.itemsize)
  
  #1
  #8