Numpy学习01——数据类型及数组创建

数据

常用的常量

• numpy.nan空值

1. 两个nan是不相等的，因为它们不等于任何值。

import numpy as np 
print(np.nan == np.nan) # False

2. numpy.isnan(x, *args, **kwargs)：判断是否为空值。

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无穷大

  • 拓展：numpy.inf表示正无穷大，-numpy.inf表示负无穷大。

• numpy.pi圆周率

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

• numpy.e自然常量

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

数据类型

1.常见的数据类型

• 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“_”。
• 常用numpy基本类型如下：
  

2.创建数据类型

• numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32，np.float32，等等。
• dtype 对象是使用以下语法构造的：
  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

numpy.dtype(object, align, copy)

• 实例：

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

• 每个内建类型都有一个唯一定义它的字符代码，如下：
  

x = np.dtype('f4')
print(x)
# float32

3.数据类型信息

• Python 的浮点数通常是64位浮点数，几乎等同于 numpy.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

• numpy可以很方便的将字符串转换成时间日期类型 datetime64。
• datatime64 是带单位的日期时间类型，其单位如下：
  
• 从字符串创建 datetime64 类型时，默认情况下，numpy 会根据字符串自动选择对应的单位。从字符串创建 datetime64 类型时，可以强制指定使用的单位。如果两个 datetime64 对象具有不同的单位，它们可能仍然代表相同的时刻。并且从较大的单位（如月份）转换为较小的单位（如天数）是安全的。
• 使用 arange() 创建 datetime64 数组，用于生成日期范围。

list = np.arange('2020-06-25','2020-09-11',30,dtype=np.datetime64)
print(list)
# ['2020-06-25' '2020-07-25' '2020-08-24']

datetime64 和 timedelta64 运算

• timedelta64 表示两个 datetime64 之间的差。timedelta64 也是带单位的，并且和相减运算中的两个 datetime64 中的较小的单位保持一致。

数组

数组的创建

1.依据现有数据来创建 ndarray

• 通过array()函数进行创建
• 通过asarray()函数进行创建

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'>

注：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。

• 通过fromfunction()函数进行创建
  给函数绘图的时候可能会用到 fromfunction() ，该函数可从函数中创建数组。

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]]

2.依据 ones 和 zeros 填充方式

• 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。

• 1数组

1. ones() 函数：返回给定形状和类型的1数组。
2. ones_like() 函数：返回与给定数组形状和类型相同的1数组。

• 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。

• 单位数组

1. eye() 函数：返回一个对角线上为1，其它地方为零的单位数组。
2. identity() 函数：返回一个方的单位数组。

• 对角数组

1. diag() 函数：提取对角线或构造对角数组。

• 常数数组

1. full() 函数：返回一个常数数组。
2. 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。

3.利用数值范围来创建ndarray

1. arange() 函数：返回给定间隔内的均匀间隔的值。
2. linspace() 函数：返回指定间隔内的等间隔数字。
3. logspace() 函数：返回数以对数刻度均匀分布。
4. numpy.random.rand() 返回一个由[0,1)内的随机数组成的数组。

4. 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。

• 利用字典来定义结构
• 利用包含多个元组的列表来定义结构

5.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。

1. 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。
2. 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)。 3. 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。
3. numpy.ndarray.dtype ndarray 对象的元素类型。
4. numpy.ndarray.itemsize 以字节的形式返回数组中每一个元素的大小。
   注：在 ndarray 中所有元素必须是同一类型，否则会自动向下转换， int->float->str 。

import numpy as np 
b = np.array([[1, 2, 3], [4, 5, 6.0]]) 
print(b.shape) # (2, 3) 
print(b.dtype) # float64 
print(b.size) # 6 
print(b.ndim) # 2 
print(b.itemsize) # 8