Numpy 之旅

1 Numpy 优势

• numpy介绍

  • 一个开源的Python科学计算库

  • 计算起来要比python简洁高效

  • Numpy使用ndarray对象来处理多维数组

    • NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。

    • 生成numpy对象:np.array()

• ndarray的优势

  • 内存块风格

    • list -- 分离式存储,存储内容多样化

    • ndarray -- 一体式存储,存储类型必须一样

  • ndarray支持并行化运算（向量化运算）

  • ndarray底层是用C语言写的,效率更高,释放了GIL

2 N维数组

属性名字	属性解释
ndarray.shape	数组维度的元组
ndarray.ndim	数组维数
ndarray.size	数组中的元素数量
ndarray.itemsize	一个数组元素的长度（字节）
ndarray.dtype	数组元素的类型

2.1 ndarray的类型

名称	描述	简写
np.bool	用一个字节存储的布尔类型（True或False）	'b'
np.int8	tinyint一个字节大小，-128 至 127	'i'
np.int16	smallint整数，-32768 至 32767	'i2'
np.int32	int整数，-2^31​ 至 2^32 -1	'i4'
np.int64	bigint整数，-2^63 至 2^63 - 1	'i8'
np.uint8	tinyint unsigned无符号整数，0 至 255	'u'
np.uint16	smallint unsigned无符号整数，0 至 65535	'u2'
np.uint32	无符号整数，0 至 2^32 - 1	'u4'
np.uint64	无符号整数，0 至 2^64 - 1	'u8'
np.float16	半精度浮点数：16位，正负号1位，指数5位，精度10位	'f2'
np.float32	float单精度浮点数：32位，正负号1位，指数8位，精度23位	'f4'
np.float64	double双精度浮点数：64位，正负号1位，指数11位，精度52位	'f8'
np.complex64	复数，分别用两个32位浮点数表示实部和虚部	'c8'
np.complex128	复数，分别用两个64位浮点数表示实部和虚部	'c16'
np.object_	python对象	'O'
np.string_	字符串	'S'
np.unicode_	unicode类型（字符串）	'U'

3 Numpy基本操作

3.1 生成数组的方法

3.2 数据在索引、切片

3.3 形状修改

3.4 类型修改

4 运算

4.1 逻辑运算&通用判断函数

4.2 np.where 三元运算符

类似if...else...

4.4 统计运算

5 数组间运算