初入Python数据分析库——Numpy（二）

一、两个特殊的Numpy数组

（一）全0数组

numpy.zeros(shape,dtype = float ,order =‘C’)

1.函数说明

（1）shape 数组形状–元组

（2）dtype 数据类型

2.详细说明

# 默认为浮点数
np.zeros(5)

# --------------------------------------
# 结果是：
array([0., 0., 0., 0., 0.])

# 设置为整型
np.zeros(5,dtype = 'int')

# --------------------------------------
# 结果是：
array([0, 0, 0, 0, 0])

# 设置数组（一维、二维、三维）
# 一维 --> 逗号不能省略
a = np.zeros((5,),dtype = 'int')
print(a)
# 二维
b = np.zeros((2,2))
print(b)
# 三维
c = np.zeros((2,2,3))
print(c)

# --------------------------------------
# 结果是：
[0 0 0 0 0]
[[0. 0.]
 [0. 0.]]
[[[0. 0. 0.]
  [0. 0. 0.]]

 [[0. 0. 0.]
  [0. 0. 0.]]]

3.zeros_like 返回就有给定数组相同形状和类型的零数组

ar1 = np.array([[1,2,3],[4,5,6]])
np.zeros_like(ar1)

# --------------------------------------
# 结果是：
array([[0, 0, 0],
       [0, 0, 0]])

（二）全1数组

numpy.ones(shape,dtype = float ,order =‘C’)

1.函数说明

（1）shape 数组形状–元组

（2）dtype 数据类型

2.详细说明

ar2 = np.ones(9)
print('ar2:',ar2)

# --------------------------------------
# 结果是：
ar2: [1. 1. 1. 1. 1. 1. 1. 1. 1.]

ar3 = np.ones((2,3,4))
print('ar3:',ar3)

# --------------------------------------
# 结果是：
ar3: [[[1. 1. 1. 1.]
  [1. 1. 1. 1.]
  [1. 1. 1. 1.]]

 [[1. 1. 1. 1.]
  [1. 1. 1. 1.]
  [1. 1. 1. 1.]]]

3.ones_like 返回就有给定数组相同形状和类型的一数组

ar4 = np.ones_like(ar3)
print('ar4:',ar4)

# --------------------------------------
# 结果是：
ar4: [[[1. 1. 1. 1.]
  [1. 1. 1. 1.]
  [1. 1. 1. 1.]]

 [[1. 1. 1. 1.]
  [1. 1. 1. 1.]
  [1. 1. 1. 1.]]]

二、Numpy数组属性

（一）Numpy 的数组中比较重要 ndarray对象属性：

1.ndarray.ndim 秩，维度的数量
2.ndarray.shape 数组的维度，对于矩阵，n行m列
3.ndarray.size 数组元素的总个数，相当于 .shape 中 n*m 的值
4.ndarray.dtype ndarray对象的元素类型
5.ndarray.itemsize ndarray对象中每个元素的大小，以字节为单位

（二）详细说明

1.ndarray.ndim 秩，维度的数量

a = np.array([1,2,3,4,5,6])
b = a.reshape((2,3))
c = np.array([
    [
        [1,2,3],
        [4,5,6]
    ],
    [
        [11,22,33],
        [44,55,66]
    ]
])
print('a的ndim:',a.ndim)
print('b的ndim:',b.ndim)
print('c的ndim:',c.ndim)

# 结果是：
a的ndim: 1
b的ndim: 2
c的ndim: 3

2.ndarray.shape 数组的维度，对于矩阵，n行m列,也可以用来调整维度

# 返回的数据类型是 元组 
a = np.array([1,2,3,4,5,6])
print('一维数组：',a.shape)

b = np.array([  [1,2,3],[4,5,6]  ])
print('二维数组：',b.shape)

# 注意三维的书写格式！！！
c = np.array([
    [
        [1,2,3],
        [4,5,6]
    ],
    [
        [11,22,33],
        [44,55,66]
        ]
    ])
print('三维数组：',c.shape)

# --------------------------------------
# 结果是：
一维数组： (6,)
二维数组： (2, 3)
三维数组： (2, 2, 3)

（1）调整维度 reshape

注意1：返回调整维度后的副本，而不改变原 ndarray

a = np.array([1,2,3,4,5,6])
print('一维数组a：',a.shape)
b = a.reshape((2,3))   # a 不会被改变
print('b的形状：',b.shape)
print('b：',b)
print('a的形状：',a.shape)
print('a：',a)

# --------------------------------------
# 结果是：
一维数组a： (6,)
b的形状： (2, 3)
b： [[1 2 3]
 [4 5 6]]
a的形状： (6,)
a： [1 2 3 4 5 6]

注意2：多一个、少一个元素都不行

# 多一个元素也不行 -- 错误
c = np.arange(20).reshape((4,6))
c

# 少一个元素都不行 -- 错误
b = np.arange(20).reshape((4,4))
b

（2）调整维度resize

numpy.resize(a,new_shape)
（如果新数组大于原始数组，则新数组将填充a的重复副本。)

a = np.array([  [0,1],[2,3]  ])
b_2_3 = np.resize(a,(2,3))
b_2_3

# --------------------------------------
# 结果是：
array([[0, 1, 2],
       [3, 0, 1]])

3.ndarray.size 数组元素的总个数，相当于 .shape 中的 n*m 的值

a = np.array([1,2,3,4,5,6])
print('[1,2,3,4,5,6]的size:',a.size)

b = np.array([  [1,2,3],[4,5,6]  ])
print('[  [1,2,3],[4,5,6]  ]的size:',a.size)

b
len(b)

# --------------------------------------
# 结果是：
[1,2,3,4,5,6]的size: 6
[  [1,2,3],[4,5,6]  ]的size: 6

array([[1, 2, 3],
       [4, 5, 6]])
       
2

4.ndarray.dtype ndarray对象的元素类型

示例

a = np.array([1,2,3,4,5,6])
print(a.dtype)
b = np.array([1.1,2.3,4,5,6])
print(b.dtype)


# --------------------------------------
# 结果是：
int32
float64

关于astype()函数

Numpy数据类型转换，调用astype返回数据类型修改后的数据，但是源数据的类型不会改变。

注意看书写格式，错误的书写格式将不能修改成功！！！

示例（1）

# 正确操作
a = np.array([1.1,1.2])
a = a.astype('int')
print(a.dtype)
a = a.astype('bool')
print(a.dtype)

# --------------------------------------
# 结果是：
int32
bool

示例（2）

a = np.array([1.1,1.2])
print('a数据类型：',a.dtype)

# 错误操作 --> 原数据类型不能被改变！
print('astype修改数据类型：',a.astype('float32').dtype)
print('原数据类型未修改',a.dtype)
print(a)

# 正确操作
a = a.astype('float32')
print('修改类型后再次操作，类型改变：',a.dtype)
b = a.astype('int')
print(b)

# --------------------------------------
# 结果是：
a数据类型： float64
astype修改数据类型： float32       # 看下面的原数据类型，其实并未被改变！！！
原数据类型未修改 float64                  
[1.1 1.2]
修改类型后再次操作，类型改变： float32
[1 1]

5.ndarray.itemsize ndarray对象中每个元素的大小，以字节为单位

示例（1）

a = np.array([1.1,2.2,3.3])
print('dtype:',a.dtype,'itemsize:',a.itemsize)
b = a.astype('float32')
print('dtype:',b.dtype,'itemtype:',b.itemsize)

示例（2）

a = np.array([1,2,3])
print('dtype:',a.dtype,'itemsize:',a.itemsize)
b = a.astype('int64')
print('dtype:',b.dtype,'itemtype:',b.itemsize)