Task 01数据类型及数组创建

1 常量

numpy.nan
表示空值。

nan = NaN = NAN

两个numpy.nan是不相等的。

import numpy as np

print(np.nan as np) # False
print(np.nan !=np.nan) #True

numpy.isnan(x, *args, **kwargs)
Test element-wise for NaN and return result as a boolean array.

import numpy as np

x = np.array([1, 1, 8, np.nan, 10])
print(x)  #[ 1. 1. 8. nan 10.]
y = np.isnan(x)
print(y)  #[False False False  True False]
z = np.count_nonzero(y)
print(z)  #1

numpy.inf
表示正无穷大。

Inf = inf = infty =Infinity = PINF

import numpy as np
print(np.inf)  #inf

numpy.pi
表示圆周率。

import numpy as np
print(np.pi)  #3.141592653589793

numpy.e
表示自然对数。

import numpy as np
print(np.e)  #2.718281828459045

2 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，其中部分类型对应位Python内置的类型。

类型	说明
bool_bool8	布尔类型（8位）
int8=byte	整型（8位）
int16=short	整型（16位）
int32=intc	整型（32位）
int_=int64=long=int0=intp	整型（64位）
uint8=ubyte	无符号整型（8位）
uint16=ushort	无符号整型（16位）
uint32=uintc	无符号整型（32位）
uint64=uintp=uint0=uint	无符号整型（64位）
float16=half	浮点型（16位）
float32=single	浮点型（32位）
float_=float64=double	浮点型（64位）
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

object-要转换为的数据类型对象。
align-如果为true，填充字段使其类似C的结构体。
copy-复制dtype对象，如果为false，则是对内置数据类型对象的引用。
每个内建类型都有一个唯一定义它的字符代码，如下：

字符代码	对应类型
b	boolean(b1)
i	signed integer(i1,i2,i4,i8)
u	unsigned integer(u1,u2,u4,u8)
f	floating-point(f2,f4,f8)
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

实例.创建一个布尔类型的变量：

import numpy as np

a = np.dtype('b1')
print(a.type)  #<class 'numpy.bool_'>
print(a.itemsize)  #1

数据类型信息
python的浮点数通常是64位浮点数，几乎等同np.float64。
Machine limits for floating point types.

class finfo(object):
    def _init(self, dtype):

实例：

import numpy as np

ff16 = np.finfo(np.float16)
print(ff16.bits)  #16
print(ff16.min)  #-65500.0
print(ff16.max)  #65500.0
print(ff16.eps)  #0.000977

3 数组的创建

numpy提供的最重要的数据结构是ndarray，它是python中list的拓展。
在array()函数中：

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

实例：

import numpy as np

# 创建一维数组
a = np.array)[0,1,2,3,4])
b = np.array([0,1,2,3,4])
print(a, type(a))  #[0 1 2 3 4] <class 'numpy.ndarray'>
print(b, type(b))  #[0 1 2 3 4] <class 'numpy.ndarray'>

# 创建二维数组
c = np.array([11,12,13,14,15],
             [16,17,18,19,20],
             [21,22,23,24,25],
             [26,27,28,29,30],
             [31,32,33,34,35]])
 print(c, type(c))
 # [[11 12 13 14 15]
 #  [16 17 18 19 20]
 #  [21 22 23 24 25]
 #  [26 27 28 29 30]
 #  [31 32 33 34 35]] <class 'numpy.ndarray'>

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。
在assarray()函数中：

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

实例：

import numpy as np
x = [[1, 1, 1], [1, 1, 1], [1, 1, 1]]
y = np.array(x)
z = np.asarray(x)
x[1][2] = 2
print(x,type(x))
# [[1, 1, 1], [1, 1, 2], [1, 1, 1]] <class 'list'>
print(y,type(y))
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]] <class 'numpy.ndarray'>
print(z,type(z))
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]] <class 'numpy.ndarray'>

在fromfunction()中：

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

实例：

import numpy as np
def f(x, y):
return 10 * x + y
x = np.fromfunction(f, (5, 4), dtype=int)
print(x)
# [[ 0 1 2 3]
#  [10 11 12 13]
#  [20 21 22 23]
#  [30 31 32 33]
#  [40 41 42 43]]
x = np.fromfunction(lambda i, j: i == j, (3, 3), dtype=int)
print(x)
# [[ True False False]
#  [False True False]
#  [False False  True]]

x = np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int)
print(x)
# [[0 1 2]
#  [1 2 3]
#  [2 3 4]]

依据ones和zeros填充方式
(a)零数组
1 zeros(）函数：返回给定形状和类型的零数组。
2 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=Ture, shape=None):

实例：

import numpy as np
x = np.zeros(5)
print(x)  #[0. 0. 0. 0. 0.]
x = np.zeros([2, 3])
print(x)
# [[0. 0. 0.]
#  [0. 0. 0.]]
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.zeros_like(x)
print(y)
# [[0 0 0]
#  [0 0 0]]

©空数组
1 empty（)函数：返回一个空数组，数组元素为随机数。
2 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):

实例：

import numpy as np

x = np.empty(6)
print(x)
#  [6.23042070e-307 3.56043053e-307 1.37961641e-306 9.79094970e-307
#   1.78021527e-306 1.60218763e-306]
x = np.empty((3,2))
print(x)
# [[6.23042070e-307 3.56043053e-307]
#  [1.37961641e-306 9.79094970e-307]
#  [1.78021527e-306 1.37962185e-306]]

x = np.array([[1,2,3] [4,5,6]])
y = np.empty_like(x)
print(y)
# [[ 538976288  538976288  661783849]
#  [1912602624         61      12914]]