ndarray
一个多维数组对象,是python中一个快速、灵活的大型数据集容器。数组允许你使用类似于标量的操作语法在整块数据上进行数学计算。
例如:
import numpy as np
data = np.random.randn(2, 3)
print("随机数组: ", data)
print("数组运算: ", data * 10)
# 随机数组: [[-2.2975158 -1.46255698 0.0216459 ]
# [-2.03310149 0.25298798 -0.05674148]]
# 数组运算: [[-22.975158 -14.62556977 0.21645902]
# [-20.33101493 2.52987979 -0.56741477]]
函数名 | 描述 |
---|---|
array | 将任意序列型对象转为ndarray, 会复制所有数据 |
asarray | 功能同array, 但若对象已经是ndarray,则不再复制 |
arange | 内建函数range数组版,返回一个数组 |
ones | 根据给定形状和数据类型生成全1数组 |
ones_like | 根据所给的数组生成一个形状一样的全1数组 |
zeros | 根据给定形状和数据类型生成全0数组 |
zeros_like | 根据所给的数组生成一个形状一样的全0数组 |
empty | 根据给定形状生成一个没有初始化数值的空数组 |
empty_like | 根据所给数组生成一个形状一样但没有初始化数值的空数组 |
full | 根据给定的形状和数据类型生成指定数值的数组 |
full_like | 根据所给的数组生成一个形状一样但内容是指定数值的数组 |
eye, identity | 生成一个N*N特征矩阵(对角线位置都是1,其余位置是0) |
数据类型
类型 | 类型代码 | 描述 |
---|---|---|
int8, uint8 | i1, u1 | 有符号和无符号的8数位整数 |
int16, uint16 | i2, u2 | 有符号和无符号的16数位整数 |
int32, uint32 | i4, u4 | 有符号和无符号的32数位整数 |
int64, uint64 | i8, u8 | 有符号和无符号的64数位整数 |
float16 | f2 | 半精度浮点数 |
float32 | f4或f | 标准单精度浮点数;兼容C语言float |
float64 | f8或d | 标准双精度浮点数;兼容C语言double和Python float |
float128 | f16或g | 拓展精度浮点数 |
complex64, complex128, complex256 | c8, c16, c32 | |
bool | ? | 布尔值, 存储True或False |
object | O | python object类型 |
string_ | S | 修正的ASCII字符串类型;例如生成一个长度为10的字符串类型,使用“S10” |
unicode_ | U | 修正的Unicode类型,生成一个长度为10的unicode类型,使用“U10” |
数组算术
数组与数组
任何再两个等尺寸数组之间的算术操作都应用了逐元素操作的方法
import numpy as np
data = np.arange(10)
print(data)
print(data * data)
print(data - data)
# [0 1 2 3 4 5 6 7 8 9]
# [ 0 1 4 9 16 25 36 49 64 81]
# [0 0 0 0 0 0 0 0 0 0]
标量与数组
带有标量计算的算术操作,会把计算参数传递给数组的每一个元素
import numpy as np
data = np.arange(10)
print(data / 5)
print(data ** 2)
# [0. 0.2 0.4 0.6 0.8 1. 1.2 1.4 1.6 1.8]
# [ 0 1 4 9 16 25 36 49 64 81]
布尔值数组与数组
同尺寸数组之间的比较,会产生一个布尔值数组
import numpy as np
data1 = np.arange(1, 5)
data2 = np.arange(5, 1, -1)
print(data1)
print(data2)
print(data1 > data2)
# [1 2 3 4]
# [5 4 3 2]
# [False False False True]
索引与切片
基础
数组的切片是原数组的视图,任何对试图的修改都会反映到原数组上
如果想要一份数组切片的拷贝而不是一份试图的话,就必须显式的复制这个数组,例如 data[0:3].copy()
import numpy as np
data = np.arange(10)
print(data)
data[0: 3] = 5
print(data)
# [0 1 2 3 4 5 6 7 8 9]
# [5 5 5 3 4 5 6 7 8 9]
高纬度索引
高纬度数组中获取中间值,可以通过传递一个索引,索引是以逗号分隔的列表
import numpy as np
data = np.array([[1, 2, 3], [4, 5, 6]])
print(data)
print(data[0][0])
print(data[0, 0]) # 取第一行第一列
print(data[:2, 0]) # 取前两行的第一列
# [[1 2 3]
# [4 5 6]]
# 1
# 1
# [1 4]
布尔索引
布尔索引, 索引中填入等长度的布尔值数组
import numpy as np
data = np.arange(10)
print(data)
print(data < 5)
print(data[data < 5])
# [0 1 2 3 4 5 6 7 8 9]
# [ True True True True True False False False False False]
# [0 1 2 3 4]
算术运算符 | 描述 |
---|---|
& | 与 |
| | 或 |
~ | 非 |
神奇索引
神奇索引与切片不同,它总是将数据复制到一个新的数组中
索引列表中传入索引列表,可以指定位置顺序,支持负数索引
import numpy as np
data = np.arange(10, 1, -1)
print(data)
print(data[[3, 1, 2]])
# [10 9 8 7 6 5 4 3 2]
# [7 9 8]
查找指定坐标的数值,如下查找(1, 0) 与 (0, 1)对应的数
import numpy as np
arr = np.arange(16).reshape((4, 4))
print(arr)
print(arr[[1, 0], [0, 1]])
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]
# [12 13 14 15]]
# [4 1]
按照指定行后指定列的数据, 如下,获取第2、3行的1、3列数据
import numpy as np
arr = np.arange(16).reshape((4, 4))
print(arr)
print(arr[[2, 3]][:, [1, 3]])
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]
# [12 13 14 15]]
# [[ 9 11]
# [13 15]]
面向数组编程
条件逻辑(where)
条件 + 数组 + 数组
import numpy as np
arr1 = np.array([10, 11, 12, 13])
arr2 = np.array([20, 21, 22, 23])
condition = np.array([True, False, False, True])
res = np.where(condition, arr1, arr2)
print(res)
# [10 21 22 13]
条件 + 标量 + 标量
import numpy as np
condition = np.array([True, False, False, True])
res = np.where(condition, 1, -1)
print(res)
# [ 1 -1 -1 1]
条件 + 标量 + 数组
import numpy as np
arr = np.array([5, 6, 7, 3])
condition = np.array([True, False, False, True])
res = np.where(condition, arr, -1)
print(res)
# [ 5 -1 -1 3]
布尔值数组
sum可以计算布尔数组中的True个数
import numpy as np
data = np.random.randn(100)
res = (data > 0).sum()
print(res)
# 51
any检查数组是否存在True,all检查数组是否全是True,所有非0元素都会按True处理
import numpy as np
data = np.array([False, True, False, True])
print(data.any())
print(data.all())
# True
# False
文件存取
np.save 和 np.load 是高效存取磁盘数据的两大工具,数组在默认情况下是以未压缩的格式进行存储,后缀名是.npy
import numpy as np
data = np.random.randn(10)
np.save("test", data) # 数据存入test.npy文件
print(np.load("test.npy")) # 取出test.npy文件的数据
# [-0.2850219 -0.18339792 0.4742465 0.49777223 0.46006409 1.10853978
# -0.87442894 -2.19720832 -0.22959514 0.29942189]