01 Numpy数据类型及数组创建

常量

numpy.nan

• numpy.nan/NaN/NAN：表示空值
• 两个nan是不相等的
• numpy.isnan(x, *args, **kwargs) Test element-wise for NaN and return result as a boolean array.

numpy.inf

• numpy.Inf/inf/infty/PINF/Infinity：表示空值

numpy.pi

numpy.e

数据类型

常见数据类型

Python 原生的数据类型相对较少， bool、int、float、str等。这在不需要关心数据在计算机中表示的所有方式的应用中是方便的。然而，对于科学计算，通常需要更多的控制。为了加以区分 numpy 在这些类型名称末尾都加了“_”。

下表列举了常用 numpy 基本类型。

类型	备注	说明
bool_ = bool8	8位	布尔类型
int8 = byte	8位	整型
int16 = short	16位	整型
int32 = intc	32位	整型
int_ = int64 = long = int0 = intp	64位	整型
uint8 = ubyte	8位	无符号整型
uint16 = ushort	16位	无符号整型
uint32 = uintc	32位	无符号整型
uint64 = uintp = uint0 = uint	64位	无符号整型
float16 = half	16位	浮点型
float32 = single	32位	浮点型
float_ = float64 = double	64位	浮点型
str_ = unicode_ = str0 = unicode		Unicode 字符串
datetime64		日期时间类型
timedelta64		表示两个时间之间的间隔

创建数据类型

numpy 的数值类型实际上是 dtype 对象的实例。

class dtype(object):
    def __init__(self, obj, align=False, copy=False):
        pass

每个内建类型都有一个唯一定义它的字符代码，如下：

字符	对应类型	备注
b	boolean	‘b1’
i	signed integer	‘i1’, ‘i2’, ‘i4’, ‘i8’
u	unsigned integer	‘u1’, ‘u2’ ,‘u4’ ,‘u8’
f	floating-point	‘f2’, ‘f4’, ‘f8’
c	complex floating-point
m	timedelta64	表示两个时间之间的间隔
M	datetime64	日期时间类型
O	object
S	(byte-)string	S3表示长度为3的字符串
U	Unicode	Unicode 字符串
V	void

数据类型信息

Python 的浮点数通常是64位浮点数，几乎等同于 np.float64。
NumPy和Python整数类型的行为在整数溢出方面存在显着差异，与 NumPy 不同，Python 的int 是灵活的。这意味着Python整数可以扩展以容纳任何整数并且不会溢出。

时间日期和时间增量

datetime64 基础

在 numpy 中，我们很方便的将字符串转换成时间日期类型 datetime64（datetime 已被 python 包含的日期时间库所占用）。

datatime64是带单位的日期时间类型，其单位如下：

日期单位	代码含义	时间单位	代码含义
Y	年	h	小时
M	月	m	分钟
W	周	s	秒
D	天	ms	毫秒
-	-	us	微秒
-	-	ns	纳秒
-	-	ps	皮秒
-	-	fs	飞秒
-	-	as	阿托秒

数组的创建

依据现有数据来创建ndarray

（a） 通过array()函数进行创建

def array(p_object, dtype=None, copy=True, order='K', subok=False, ndmin=0):

（b）通过asarray()函数进行创建

def asarray(a, dtype=None, order=None):
    return array(a, dtype, copy=False, order=order)

（c）通过fromfunction()函数进行创建

def fromfunction(function, shape, **kwargs):

注意：array()和asarray()都可以将结构数据转化为 ndarray，但是array()和asarray()主要区别就是当数据源是ndarray 时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时 asarray()不会。

依据 ones 和 zeros 填充方式

（a）零数组

• zeros()函数：返回给定形状和类型的零数组。

• zeros_like()函数：返回与给定数组形状和类型相同的零数组。

• def zeros(shape, dtype=None, order='C'):

• def zeros_like(a, dtype=None, order='K', subok=True, shape=None)：

  （b）1数组

• ones()函数：返回给定形状和类型的1数组。

• ones_like()函数：返回与给定数组形状和类型相同的1数组。

• def ones(shape, dtype=None, order='C'):

• def ones_like(a, dtype=None, order='K', subok=True, shape=None):

（c）空数组

• empty()函数：返回一个空数组，数组元素为随机数。
• empty_like函数：返回与给定数组具有相同形状和类型的新数组。
• def empty(shape, dtype=None, order='C'):
• def empty_like(prototype, dtype=None, order='K', subok=True, shape=None):

（d）单位数组

• eye()函数：返回一个对角线上为1，其它地方为零的单位数组。
• identity()函数：返回一个方的单位数组。
• def eye(N, M=None, k=0, dtype=float, order='C'):
• def identity(n, dtype=None):

（e）对角数组

• diag()函数：提取对角线或构造对角数组。
• def diag(v, k=0):

（f）常数数组

• full()函数：返回一个常数数组。
• full_like()函数：返回与给定数组具有相同形状和类型的常数数组。
• def full(shape, fill_value, dtype=None, order='C'):
• def full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None):

利用数值范围来创建ndarray

• arange()函数：返回给定间隔内的均匀间隔的值。
• linspace()函数：返回指定间隔内的等间隔数字。
• logspace()函数：返回数以对数刻度均匀分布。
• numpy.random.rand() 返回一个由[0,1)内的随机数组成的数组。
• def arange([start,] stop[, step,], dtype=None):
• def linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0):
• def logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None, axis=0):
• def rand(d0, d1, ..., dn):

结构数组的创建

结构数组，首先需要定义结构，然后利用np.array()来创建数组，其参数dtype为定义的结构。

（a）利用字典来定义结构
【例】

import numpy as np

personType = np.dtype({
    'names': ['name', 'age', 'weight'],
    'formats': ['U30', 'i8', 'f8']})

a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>

（b）利用包含多个元组的列表来定义结构
【例】

import numpy as np

personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')])
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>

# 结构数组的取值方式和一般数组差不多，可以通过下标取得元素：
print(a[0])
# ('Liming', 24, 63.9)

print(a[-2:])
# [('Mike', 15, 67. ) ('Jan', 34, 45.8)]

# 我们可以使用字段名作为下标获取对应的值
print(a['name'])
# ['Liming' 'Mike' 'Jan']
print(a['age'])
# [24 15 34]
print(a['weight'])
# [63.9 67.  45.8]

数组的属性

在使用 numpy 时，你会想知道数组的某些信息。很幸运，在这个包里边包含了很多便捷的方法，可以给你想要的信息。

• numpy.ndarray.ndim用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。
• numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。
• numpy.ndarray.size数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。
• numpy.ndarray.dtype ndarray 对象的元素类型。
• numpy.ndarray.itemsize以字节的形式返回数组中每一个元素的大小。

class ndarray(object):
    shape = property(lambda self: object(), lambda self, v: None, lambda self: None)
    dtype = property(lambda self: object(), lambda self, v: None, lambda self: None)
    size = property(lambda self: object(), lambda self, v: None, lambda self: None)
    ndim = property(lambda self: object(), lambda self, v: None, lambda self: None)
    itemsize = property(lambda self: object(), lambda self, v: None, lambda self: None)