numpy 相关api

1.numpy 向量运算 VS python 运算

• 使用python的list进行循环遍历运算

def pySum():
    a = list(range(10000))
    b = list(range(10000))
    c=[]
    for i in range(len(a)):
        c.append(a[i]**2 + b[i]**2)
    return c
%timeit pySum()

8.43 ms ± 108 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

• 使用numpy进行向量化运算

import numpy as np

def npSum():
    a= np.arange(10000)
    b= np.arange(10000)
    c= a**2 + b**2
    return c
%timeit npSum()

38.9 µs ± 997 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

2.数组创建

Method1:基于list 或tuple

import numpy as np

arr1 = np.array([1,2,3,4])
print(arr1)
arr_tuple = np.array((1,2,3,4))
print(arr_tuple)
# 二维数组
arr2 = np.array([[1,2,4],[2,3,5]])
arr2

[1 2 3 4]
[1 2 3 4]





array([[1, 2, 4],
       [2, 3, 5]])

Method2:基于np.arange

import numpy as np 
#一维数组
arr1 = np.arange(5)
print(arr1)
#二维数组
arr2 = np.array([np.arange(3),np.arange(3)])
arr2

[0 1 2 3 4]





array([[0, 1, 2],
       [0, 1, 2]])

Method3: 基于arange以及reshape创建多维数组

import numpy as np
arr = np.arange(24).reshape(2,3,4)
#请注意：arange的长度与ndarray的维度的乘积要相等，即 24 = 2X3X4
arr

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

3. Numpy的数值类型

import numpy as np
#每一种数据类型都有相应的数据转换函数
print(np.int8(12.334))
print(np.float64(12))
print(np.float(True))
print(bool(1))
#在创建ndarray 数组时，可以指定数值类型
a= np.arange(5,dtype=float)
print(a)
#请注意，复数不能转换成为整数类型或者浮点数

12
12.0
1.0
True
[0. 1. 2. 3. 4.]

4.ndarray 数组的属性

• dtype 属性， ndarray 数组的数据类型

import numpy as np
print(np.arange(4,dtype=float))
print(np.arange(4,dtype='D'))
print(np.arange(4,dtype='int8'))

[0. 1. 2. 3.]
[0.+0.j 1.+0.j 2.+0.j 3.+0.j]
[0 1 2 3]

• ndim 属性，数组维度数量

import numpy as np
a = np.array([[1,2,3],[7,8,9]])
a.ndim

2

• shape属性，数组对象的尺度，对于矩阵，即n行m列，shape是一个元组(tuple)
• size属性用来保存元素的数量，相当于shape中nXm的值
• itemsize属性返回数组中各个元素所占用的字节数大小
• nbytes属性，如果想知道整个数组所需的字节数量，可以使用nbytes属性。其值等于数组的size属性值乘以itemsize属性值
• T 属性，数组转置

import numpy as np
a = np.array([[1,2,3],[7,8,9]])
print('数组shape',a.shape)
print('数组size',a.size)
print('数组itemSize',a.itemsize)
print('数组nbytes',a.nbytes)
b= np.arange(24).reshape(4,6)
print('源数组b为：\n',b)
print('转置后的数组b 为：\n',b.T)

数组shape (2, 3)
数组size 6
数组itemSize 4
数组nbytes 24
源数组b为：
 [[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]]
转置后的数组b 为：
 [[ 0  6 12 18]
 [ 1  7 13 19]
 [ 2  8 14 20]
 [ 3  9 15 21]
 [ 4 10 16 22]
 [ 5 11 17 23]]

• 复数的实部和虚部属性，real和imag属性
• flat属性，返回一个numpy.flatiter对象，即可迭代的对象

import numpy as np 
d = np.array([1.2+2j,2+3j])
print(d)
print("d的实部为\n",d.real)
print("d的虚部为\n",d.imag)
e = np.arange(6).reshape(2,3)
print(e)
f= e.flat
print("遍历数组\n")
for item in f:
    print(item)

[1.2+2.j 2. +3.j]
d的实部为
 [1.2 2. ]
d的虚部为
 [2. 3.]
[[0 1 2]
 [3 4 5]]
遍历数组

0  
1  
2  
3  
4  
5  

5. ndarray 数组的切片和索引

# 一维数组的切片和索引 与python 的 list 索引类似
import numpy as np 
a = np.arange(7)
print(a)
b= np.arange(12).reshape(4,3)
print(b)
# 二维索引的使用
print("二维索引的使用\n")
print(b[2]) # 获取第三行
print(b[1][2]) # 获取第二行第三列
print("二维切片的使用:arr[start:stop:step,start:stop:step]\n")
print(b[:,:])
print(b[:,1])
print(b[:,0:2])
print(b[::2,:])
print(b[0:2,:])
print("坐标获取 [行,列]\n")
print(b[1][2])
print(b[1,2],b[2,0])
print("二维索引为负数：\n")
print(b[-1])
print(b[::-1])

[0 1 2 3 4 5 6]
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
二维索引的使用

[6 7 8]
5
二维切片的使用:arr[start:stop:step,start:stop:step]

[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
[ 1  4  7 10]
[[ 0  1]
 [ 3  4]
 [ 6  7]
 [ 9 10]]
[[0 1 2]
 [6 7 8]]
[[0 1 2]
 [3 4 5]]
坐标获取 [行,列]

5
5 6
二维索引为负数：

[ 9 10 11]
[[ 9 10 11]
 [ 6  7  8]
 [ 3  4  5]
 [ 0  1  2]]