Numpy学习 TASK1

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。其中的科学计算包括：包括：1、一个强大的N维数组对象Array；2、比较成熟的（广播）函数库；3、用于整合C/C++和Fortran代码的工具包；4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。

1 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，其中部分类型对应为 Python 内置的类型。下表列举了常用 NumPy 基本类型

1.1 常见数据类型

1.2 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

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

a = np.dtype('i1')
print(a.type) # <class 'numpy.int8'>
print(a.itemsize) # 1

a = np.dtype('i2')
print(a.type) # <class 'numpy.int16'>
print(a.itemsize) # 2

a = np.dtype('i4')
print(a.type) # <class 'numpy.int32'>
print(a.itemsize) # 4
a = np.dtype('i8')
print(a.type) # <class 'numpy.int64'>
print(a.itemsize) # 8
a = np.dtype('u1')
print(a.type) # <class 'numpy.uint8'>
print(a.itemsize) # 1
a = np.dtype('u2')
print(a.type) # <class 'numpy.uint16'>
print(a.itemsize) # 2
a = np.dtype('u4')
print(a.type) # <class 'numpy.uint32'>
print(a.itemsize) # 4
a = np.dtype('u8')
print(a.type) # <class 'numpy.uint64'>
print(a.itemsize) # 8

a = np.dtype('f2')
print(a.type) # <class 'numpy.float16'>
print(a.itemsize) # 2
a = np.dtype('f4')
print(a.type) # <class 'numpy.float32'>
print(a.itemsize) # 4
a = np.dtype('f8')
print(a.type) # <class 'numpy.float64'>
print(a.itemsize) # 8
a = np.dtype('S')
print(a.type) # <class 'numpy.bytes_'>
print(a.itemsize) # 0
a = np.dtype('S3')
print(a.type) # <class 'numpy.bytes_'>
print(a.itemsize) # 3
a = np.dtype('U3')
print(a.type) # <class 'numpy.str_'>
print(a.itemsize) # 12

1.3 数据类型信息

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。

def __init__(self, int_type):
pass
def min(self):
pass
def max(self):
pass

2 数组创建

NumPy 数组的维数称为秩（rank），秩就是轴的数量，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。
下面是ndarray的主要对象属性：

2.1依据现有数据创建ndarray

2.1.1 array（） 函数

a = np.array([0, 1, 2, 3, 4])
b = np.array((0, 1, 2, 3, 4))

print(a, type(a))
print(b, type(b))

[0 1 2 3 4] <class 'numpy.ndarray'>
[0 1 2 3 4] <class 'numpy.ndarray'>

2.1.2 asarray（） 函数

array()和asarray()的区别：
A.当数据源是ndarray 时，array()仍然会 copy 出一个副本，占用新的内存；
B.当数据源是ndarray并且不改变 dtype 时，asarray()不会占用新内存，但改变dtype时，asarray()会占用新内存。占用新内存意味着新创建的ndarray数据不随原array()数据改变而改变。

import numpy as np
x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]], dtype=np.int)
y = np.array(x)
z = np.asarray(x)
w = np.asarray(x, dtype=np.float)  # 改变dtype类型

# 改变x中某个值
x[1][2] = 2

print(x,type(x),x.dtype)
# [[1 1 1]
#  [1 1 2]
#  [1 1 1]] <class 'numpy.ndarray'> int32
print(y,type(y),y.dtype)
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]] <class 'numpy.ndarray'> int32
print(z,type(z),z.dtype)
# [[1 1 1]
#  [1 1 2]
#  [1 1 1]] <class 'numpy.ndarray'> int32
print(w,type(w),w.dtype)
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]] <class 'numpy.ndarray'> float64

2.1.3 fromfunction（） 函数

通过在每个坐标上执行一个函数来构造数组

import numpy as np

def f(x, y):
    return x + y
 
x = np.fromfunction(f, (5, 4), dtype=int)
print(x)
# [[0 1 2 3]
#  [1 2 3 4]
#  [2 3 4 5]
#  [3 4 5 6]
#  [4 5 6 7]]

2.2 依据ones 和zeros 填充

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。

import numpy as np

x = np.zeros(3)
print(x)  # [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]]

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。
把0数组中数字“0”变成数字“1，其余与0数组完全一样。
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。
把0数组中数字“0”变成随机数，其余与0数组完全一样
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。

import numpy as np

x = np.eye(4)
print(x)
# [[1. 0. 0. 0.]
#  [0. 1. 0. 0.]
#  [0. 0. 1. 0.]
#  [0. 0. 0. 1.]]

x = np.eye(2, 3)
print(x)
# [[1. 0. 0.]
#  [0. 1. 0.]]

x = np.identity(4)
print(x)
# [[1. 0. 0. 0.]
#  [0. 1. 0. 0.]
#  [0. 0. 1. 0.]
#  [0. 0. 0. 1.]]

对角数组：
diag()函数：有两个功能，一是提取数组的对角线，二是构造对角数组。

import numpy as np

# 提取数组对角线
x = np.arange(9).reshape((3, 3))
print(x)
# [[0 1 2]
#  [3 4 5]
#  [6 7 8]]
print(np.diag(x))  # [0 4 8]
print(np.diag(x, k=1))  # [1 5]
print(np.diag(x, k=-1))  # [3 7]

# 构建对角数组
v = [1, 3, 5, 7]
x = np.diag(v)
print(x)
# [[1 0 0 0]
#  [0 3 0 0]
#  [0 0 5 0]
#  [0 0 0 7]]

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。

import numpy as np

x = np.full(2, 5)
print(x)
# [5 5]

x = np.full((2, 3), 7)
print(x)
# [[7 7 7]
# [7 7 7]]

x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.full_like(x, 6)
print(y)
# [[6 6 6]
# [6 6 6]]

2.3 依据数值范围创建

• 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.random() 返回一个由[0,1)内的随机数组成的数组。

import numpy as np

x = np.arange(5)
print(x)  # [0 1 2 3 4]

x = np.arange(3, 7, 2)
print(x)  # [3 5]

x = np.logspace(0, 1, 5)
print(np.around(x, 2))
# [0.   0.25 0.5  0.75 1.   1.25 1.5  1.75 2.  ]

x = np.linspace(start=0, stop=1, num=5)  # 解释了np.logspace()函数
x = [10 ** i for i in x]
print(np.around(x, 2))  # np.around 返回四舍五入后的值，可指定精度。
# [ 1.    1.78  3.16  5.62 10.  ]   

x = np.random.random(5)
print(x)
# [ 1.    1.78  3.16  5.62 10.  ]

x = np.random.random([2, 3])
print(x)
# [0.41768753 0.16315577 0.80167915 0.99690199 0.11812291]
# [[0.41151858 0.93785153 0.57031309]
#  [0.13482333 0.20583516 0.45429181]]
 

2.4 结构数据的创建

2.4.1 利用字典定义结构

import numpy as np

personType = np.dtype({
    'names': ['name', 'age', 'weight'],
    'formats': ['U30', 'i8', 'f8']})
    
a = np.array([('yiyi', 18, 50), ('dawang', 20, 57.)],
             dtype=personType)
print(a, type(a))
# [('yiyi', 18, 50.) ('dawang', 20, 57.)]
# <class 'numpy.ndarray'>

2.4.2 利用包含多个元组的列表来定义结构

import numpy as np

personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8'), ('height', 'f8')])

a = np.array([('yiyi', 18, 50, 161), ('dawang', 20, 57, 170)],
             dtype=personType)
print(a, type(a))
# [('yiyi', 18, 50., 161.) ('dawang', 20, 57., 170.)] 
# <class 'numpy.ndarray'>

# 结构数组也可以通过下标取得元素
print(a[0])
# ('yiyi', 18, 50., 161.)

# 我们可以使用字段名作为下标获取对应的值
print(a['name'])
# ['yiyi' 'dawang']
print(a['height'])
# [161. 170.]
print(a['age'])
# [18 20]
print(a['weight'])
# [[50. 57.]