NumPy基础知识

1. 介绍

NumPy的核心是多维数组类numpy.ndarray，矩阵类numpy.matrix是多位数组类的派生类。以多位数组类为数据组织结构，Numpy提供了众多的数学、科学和工函数，此外，NumPy还提供了以下多个子模块

子模块名	功能
numpy.random	随机抽样子模块
numpy.linalg	线性代数子模块
numpy.fft	傅里叶变换子模块
numpy.ctypeslib	C-Types外部函数接口子模块
numpy.emath	具有自动域的数学函数子模块
numpy.testing	测试支持子模块
numpy.matlib	矩阵库子模块
numpy.dual	Scipy加速支持子模块
numpy.distutils	打包模块

2. 安装和导入

pip install numpy

import numpy as np

3. 数组和列表的比较

• 列表
  • 元素类型不受限制。同一个列表内，列表元素可以是不同的数据类型，甚至可以是函数
  • 元素可以动态增减。例：append()、insert()、pop()、remove()
• 数组
  • 数组元组必须具有相同的的数据类型
  • 数组一旦创建，其元素数量就不能再改变了

4. 数组的数据类型

Numpy支持的数据类型主要有整形(integer)、浮点型(float)、布尔型(bool)和复数型(complex)，每一种数据类型根据占用内存的字节数又分为多个不同的类型，具体的数据类型如图所示。Numpy也支持字符串类型和自定义类型的数据，但绝大多数函数和方法不适用于非数值型数组

• 整型：np.int8、np.int16、np.int32、np.int64
• 无符号整型：np.uint8、np.uint16、np.uint32、np.uint64
• 浮点型：np.float16、np.float32、np.float64
• 布尔型：np.bool
• 复数型：np.complex64、np.complex128

创建数组时，如果不指定数据类型，Numpy会根据输入的参数自动选择合适的数据类型。通常在指定数据类型的时候，可以省略类型后面的数字。如果省略数字，整型和无符号整形默认是32位，浮点型默认是64位，复数型默认是128位

import numpy as np

a = np.array([0, 1, 2])
print(a.dtype)
b = np.array([0, 1, 2.0])
print(b.dtype)
c = np.array([0, 1, 2], dtype=np.uint8)
print(c.dtype)

5. 数组的属性

属性	说明
ndarray	数组的数据类型
ndarray.shape	数组的结构，也可以理解为数组的形状
ndarray.size	数组的元素个数
ndarray.itemsize	每个元素占用内存的大小，以字节为单位
ndarray.ndim	数组的维度数，也叫秩
ndarray.flags	数组的内存信息
ndarray.real	数组实部
ndarray.imag	数组虚部
ndarray.data	数组在内存中实际存储区域的起始地址

import numpy as np

a = np.arange(6)
print(a)
print(a.shape)
print(a.dtype)

# 改变数组结构
b = a.reshape((2, 3))
print(b)
# 改变数据类型
c = b.astype(np.float)
print(c.dtype)

6. 维、秩、轴

维，就是维度。通常说数组是几维的，就是指维度数，如三维数组的维度数就是3。维度数还有一个专用名字，叫秩，也就是数组属性ndim。一维数组，类比于一维空间，只有一个轴，那就是0轴。二维数组，类比于二维空间，有两个轴，习惯表示成行和列，行的方向是0轴，列的方向是1轴。三维数组，类比于三维空间，有三个轴，习惯表示成层、行和列，层的方向是0轴，行的方向是1轴，列的方向是2轴

import numpy as np

# 3层2行3列的结构
a = np.arange(18).reshape((3, 2, 3))
print(a)
# 全部元素之和
print(a.sum())
# 0轴方向求和：3层合并成1层，返回二维数组
print(a.sum(axis=0))
# 1轴方向求和：2行合并成1行，返回二维数组
print(a.sum(axis=1))
# 2轴方向求和：3列合并成1列，返回二维数组
print(a.sum(axis=2))
# 分层求和方法1
print(a.sum(axis=1).sum(axis=1))
# 分层求和方法2
print(a.sum(axis=2).sum(axis=1))

7. 广播和矢量化

• Numpy处理速度远高于Python的原因：广播和矢量化
• 广播：隐式的对每个元素实施操作
• 矢量化：代码中没有显式的循环、索引等

要求:数值型数组的各个元素加1

import numpy as np

# 列表实现
a = [0, 1, 2, 3, 4]
for i in range(len(a)):
    a[i] += 1
print(a)

# numpy实现
b = np.array([0, 1, 2, 3, 4])
b += 1
print(b)

要求：两个等长的数值型数组的对应元素相加

import numpy as np

# 列表实现
a = [0, 1, 2, 3, 4]
b = [5, 6, 7, 8, 9]
print([i+j for i, j in zip(a, b)])

# numpy实现
a = np.array([0, 1, 2, 3, 4])
b = np.array([5, 6, 7, 8, 9])
print(a+b)