Numpy库及ndarrary基础知识

Numpy简介

Numpy是一个开源的Python科学计算基础库。

• 一个强大的N维数组对象 ndarray
• 广播功能函数
• 整合C/C++/Fortran代码的工具
• 线性代数、傅里叶变换、随机数生成等功能

Numpy是SciPy、Pandas等数据处理或科学计算库的基础。

Numpy的引用：

import numpy as np

引用使用别名np，尽管别名可以省略或更改，建议使用上述约定的别名。

N维数组对象：ndarray

例：计算A²+B³，其中，A和B是一维数组

def pySum():
    a=[0,1,2,3,4]
    b=[9,8,7,6,5]
    c=[]
    for i in range(len(a)):
        c.append(a[i]**2 + b[i]**3)
    return c
print(pySum())

import numpy as np
def npSum():
    a=np.array([0,1,2,3,4])
    b=np.array([9,8,7,6,5])
    c=a**2+b**3
    return c
print(npSum())

第二种方法使用Numpy库直接给出a,b两个数组即可，然后计算得到结果，不需要写循环。

数组对象可以去掉元素间运算所需的循环,使一维向量更像单个数据。
设置专门的数组对象，经过优化，可以提升这类应用的运算速度。
科学计算中，一个维度所有数据的类型往往都相同。数组对象采用相同的数据类型，有助于节省运算和存储空间。

N维数组对象：ndarray

ndarray是一个多维数组对象，由两部分构成：实际数据、描述这些数据的元数据（数据维度、数据类型等）
ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始。

np.array()生成一个ndarray数组，ndarray在程序中的别名是array。np.array()输出成[]形式，元素由空格分割。

ndarray对象的属性：

属性	说明
.ndim	秩，即轴的数量或维度的数量
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象元素的个数，相当于.shape中n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

In[1]:
import numpy as np
arr1=np.array([1,2,3,4])
print('创建的数组为：',arr1)
arr2=np.array([[1,2,3,4],[2,3,4,5]])
print(arr2)

Out[1]:
创建的数组为： [1 2 3 4]
[[1 2 3 4]
 [2 3 4 5]]

In[2]:
arr2.shape#查看数组结构

Out[2]:
(2, 4)

In[3]:
arr2.dtype#查看数组类型
Out[3]:
dtype('int32')

In[4]:
arr2.size#查看数组元素个数
Out[4]:
8

In[5]:
arr2.itemsize#查看数组每个元素大小
Out[5]:
4

In[6]:
arr2.ndim#数组的维度
Out[6]:
2

ndarray的元素类型：

数据类型	说明
bool	布尔类型，True或False
intc	与C语言中的int类型一致，一般是int32或int64
intp	用于索引的整数，与C语言中ssize_t一致，int32或int64
int8	字节长度的整数，取值：[-128,127]
int16	16位长度的整数，取值：[-32768, 32767]
int32	32位长度的整数，取值：[-231, 232-1]
int64	64位长度的整数，取值：[-263, 263-1]
uint8	8位无符号整数，取值[0,255]
uint16	16位无符号整数，取值：[0,65535]
uint32	32位无符号整数，取值：[0,232-1]
uint64	64位无符号整数，取值：[0,264-1]
float16	16位半精度浮点数：1位符号位，5位指数，10位尾数
float32	32位半精度浮点数：1位符号位，8位指数，23位尾数
float64	64位半精度浮点数：1位符号位，11位指数，52位尾数
complex64	复数类型，实部和虚部都是32位浮点数
complex128	复数类型，实部和虚部都是64位浮点数

对比：Python语法仅支持整数、浮点数和复数3种类型
科学计算涉及数据较多，对存储和性能都有较高要求。
对元素类型精细定义，有助于NumPy合理使用存储空间并优化性能。
对元素类型精细定义，有助于程序员对程序规模有合理评估。

ndarray数组可以由非同质对象构成。非同质ndarray元素为对象类型。

非同质ndarray对象无法有效发挥Numpy优势，尽量避免使用。

In[7]:
x=np.array([[0,1,2,3,4],[9,8,7,6]])
x.shape
Out[7]:
(2,)

In[8]:
x.dtype
Out[8]:
dtype('O') #O类型表示对象，元素维度数据不同，将每个元素都视为一个对象

In[9]:
x
Out[9]:
array([list([0, 1, 2, 3, 4]), list([9, 8, 7, 6])], dtype=object)

创建ndarray数组

• 从Python中的列表、元组等类型创建ndarray数组

x=np.array(list/tuple)
x=np.array(list/tuple, dtype=np.float32)

• 使用Numpy中函数创建ndarray数组，如：arange（注意，不是arrange！！！），ones，zeros等

In[1]: np.arange(0,1,0.1)	#产生有起点和终点的固定步长的数组，起点默认0，步长默认1
Out[1]: array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])

In[2]: np.linspace(0,1,12) #产生12个[0,1]区间的数
Out[2]: array([0.        , 0.09090909, 0.18181818, 0.27272727, 0.36363636,
       0.45454545, 0.54545455, 0.63636364, 0.72727273, 0.81818182,
       0.90909091, 1.        ])

In[3]: np.logspace