2019_8_20 Numpy学习

Numpy （Numerical Python）

核心是N dimensional array — ndarray。
Ndarray对象是用于存放同类型元素的多维数组。每一个数组都有一个shape和一个dtype。
从图中我们可以看出ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。
这是因为ndarray中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以ndarray在存储元素时内存可以连续，而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，但在科学计算中，Numpy的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。
Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，效率远高于纯Python代码。
使用Numpy中的arange方法快速的新建一个数组：

import numpy as np
a = np.arange(5)

创建一个 ndarray 只需调用 NumPy 的 array 函数即可：他接受一切序列性的对象（包括其他数组），然后产生一个新的数组。

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
object	数组或嵌套的数列 [1,2,3] 或 [ [1,2],[3,4] ]
dtype	数组元素的数据类型，可选 比如说可以选择complex
copy	对象是否需要复制，可选
order	创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
subok	默认返回一个与基类类型一致的数组
ndmin	指定生成数组的最小维度 （暂时不太懂）

创建多维数组的方法是:

1.import numpy as np
2.b = np.array([np.arange(6),np.arange(6)])

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。下表列举了常用 NumPy 基本类型。

numpy 的数值类型实际上是 dtype 对象的实例

dtype

dtype是Numpy如此强大和灵活的原因之一

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

    dt = np.dtype('i4')

	int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替

字节顺序是通过对数据类型预先设定"<“或”>“来决定的。”<“意味着小端法(最小值存储在最小的地址，即低位组放在最前面)。”>"意味着大端法(最重要的字节存储在最小的地址，即高位组放在最前面)。

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

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

利用astype方法显式的转换dtype
Arr = np.array([1,2,3])
NewArr = Arr.astype(np.float64)

如果浮点数转化为整数，那么小数部分将会被截断。
如果字符串数组表示的诠释数字，也可以用astype将其转化为数值模式。

向量与向量之间

1.加法 np.add(a,b) 或 a+b
2.减法np.subtract(a,b) 或 a-b
3.乘法（X乘）np.multiply(a,b) 或 a * b
4.乘法（点乘）np.dot(a,b)
5.除法np.divide(a,b) 或 a/b
向量与标量之间
1.加法a +1
2.减法a-1
3.乘法a*2
4.除法a/2
5.求余a%2
6.转置a.T
import numpy as np
import numpy.linalg as lg
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
In:lg.inv(a)

数组切片：

 My_Array[start:end:step]
 Array[::-1] 是进行反转的。
Array[:]选区所有元素
多维数组可以这样：array[:][:]
 当把一个标量值赋值给一个切片时，如arr[5:8] = 12 该值会自动传播（也就是广播机制，broadcasting）到整个选区。
Numpy的切片是原始数组的视图，这意味着数据不会被复制，仕途上的任何修改都会直接反映到原数组上。（surprising to see this, but ... uhmm, it’s reasonable）
如果想要的是副本，那么要这样：arr[5:8].copy()
对于多维数组元素的访问，有两种：
1.arr[0][2] （obvious it’s not convenient!）
2.Arr[0,2]  better！

布尔型索引：（excellent）p106

利用==，！= ， - ， &， | 之类的布尔算术运算符来选取其中的数据
Data【】 括号中的内容可以是布尔数组，可以是判断式
花式索引（fancy indexing）这个....下次学

通用函数：

是一种执行元素级运算的函数，你可以将其看做简单函数的矢量化包装器。
比如：
np.sqrt(arr) 
Np.exp(arr)

利用数组进行数据处理 112

Numpy.where 是 x if condition else y的矢量化版本 112

数组常用操作：

reshape()

Ndarray有一个属性是ndim，显示维数

关于dtype的创建，如果没有指定，np.array会尝试为新建的这个数组推断出一个比较合适的数据类型。一般来说，由于关注的是数值计算，数据类型基本上都是float64
Np.zeros()和ones（）分别可以创建指定长度或形状的全0或全1数组，只需传入一个代表形状的元组即可。

数组统计方法

用于布尔型数据的方法：

排序：

多维数组也可以在任意一个轴向上进行排序，只需要将轴编号传给sort即可。

以上是就地排序，就地排序会修改数组本身。
顶级方法 np.sort 返回的是 数组的已排序副本

唯一化：np.unique(names) 用于排除数组中的重复值，并返回已排序的结果。

用于数组的文件输入输出 117

线性代数

1.X.dot(Y)
2.Numpy.linalg中有一组标准的矩阵分解运算以及诸如求逆和行列式之类的东西

随机数生成

Numpy.random模块对python内置的random进行了补充，增加了一些高效生成多种概率分布的样本值的函数。

Np.Random.randint(m,n,size=?) 经过尝试：
1.Np.Random.ranint(0,2,size=100) 产生一个一维的数组，元素是0或1
2.Np.Random.ranint(0,2,size=（100，50）)产生一个二维的，shape是（100,50）