NumPy库的入门使用

参考：Python数据分析与展示_北京理工大学

Ipython的%魔术命令

NumPy库

• 数据的维度
  • 数据
  • 维度
    维度是一组数据的组织形式
  • 一维数据
    一维数据由对等关系的有序或无序数据构成，采用线性方式组织。
    表示一维数据可以使用列表、集合、数组表示
    列表和数组都是表达一组数据的有序结构的数据类型，主要区别在于列表的数据类型可以不同，数组的数据类型要求相同
  • 二维数据
    二维数据由多个一维数据构成,是一维数据的组合形式。
    表格是典型的二维数据，其中，表头是二维数据的一部分
  • 多维数据
    多维数据由一维或二维数据在新维度上扩展形成。
  • 高维数据
    高维数据仅利用最基本的二元关系展示数据间的复杂结构。简单来说，高维数据就是由键值对将数据组织起来形成的数据方式。
    如：
• 数据维度的Python表示
  —维数据：列表和集合类型
  如：

  [3.1398, 3.1349, 3.1376] 有序
  {3.1398, 3.1349, 3.1376} 无序
  

  二维数据：列表类型
  如：

  [ [3.1398, 3.1349, 3.1376],
  	[3.1413, 3.1404, 3.1401] ]
  

  多维数据：列表类型
  高维数据：字典类型或数据表示格式
  如字典类型：

  dict = {
    		  "firstname":"Hello",
    		  "lastname":"World",
  		}
  

  数据表示形式：JSON、XML、YAML格式
• NumPy的数组对象：ndarray

  • NumPy是一个开源的Python科学计算基础库。
    NumPy库提供的功能：

    • 一个强大的N维数组对象ndarray
      可以表示n维数据的对象
    • 广播功能函数
    • 整合了C/C++/Fortran代码的工具
    • 线性代数、傅里叶变换、随机数生成等功能

    NumPy是SciPy、Pandas等数据处理或科学计算库的基础。

  • NumPy的引用

    import numpy as np
    

  • N维数组对象：ndarray

    • 为什么需要一个数组对象（类型）

      • 数组对象可以去掉元素间运算所需的循环,使一维向量更像单个数据。
      • 设置专门的数组对象,经过优化,可以提升这类应用的运算速度。
        如：

    • NumPy的底层实现是由C语言来完成的，在进行数组运算的时候，C语言会提供高效和快速的运算性能，在进行大规模运算的时候，运算时间会减少。

    • 科学计算中，一个维度所有数据的类型往往相同。数组对象采用相同的数据类型，有助于节省运算和存储空间。

    • ndarray是一个多维数组对象，由两部分构成：

      • 实际的数据
      • 描述这些数据的元数据(数据维度、数据类型等)

    • ndarray数组一般要求所有元素类型相同（同质）,数组下标从0开始。
      实例：
      
      
      轴（axis）：保存数据的维度
      秩（rank）：轴的数量
      adarray对象的属性：
      
      如：
      
      ndarray的元素类型：

      数据类型	说明
      bool	布尔类型，True或False
      intc	与c语言中的int类型一致，一般是int32或int64
      intp	用于索引的整数，与C语言中ssize_t一致，int32或int64
      int8	字节长度的整数，取值：[-128,127]
      int16	16位长度的整数，取值：[-32768,32767]
      int32	32位长度的整数，取值：$[-2^{31},2^{31}-1]$
      int64	64位长度的整数，取值：$[-2^{63},2^{63}-1]$
      uint8	8位无符号整数，取值：[0,255]
      uint16	16位无符号整数，取值：[0,65535]
      uint32	32位无符号整数，取值：[0,232-1]
      uint64	64位无符号整数，取值：[0,264-1]
      float16	16位半精度浮点数：1位符号位，5位指数，10位尾数
      float32	32位半精度浮点数：1位符号位，8位指数，23位尾数
      float64	64位半精度浮点数：1位符号位，11位指数，52位尾数
      complex64	复数类型，实部和虚部都是32位浮点数（复数由实部(.real) + 虚部(.imag)构成）
      complex128	复数类型，实部和虚部都是64位浮点数（复数由实部(.real) + 虚部(.imag)构成）

      ndarray为什么要支持这么多种元素类型：

      • 科学计算涉及数据较多，对存储和性能都有较高要求
      • 对元素类型精细定义，有助于NumPy合理使用存储空间并优化性能
      • 对元素类型精细定义,有助于程序员对程序规模有合理评估

      ndarray数组可以由非同质对象构成。
      非同质ndarray元素为对象类型。
      非同质ndarray对象无法有效发挥NumPy优势，尽量避免使用。
      如：
      

• ndarray数组的创建和变换
  • 方法

    • 从Python中的列表、元组等类型创建ndarray数组。
      x = numpy.array(list/tuple)
x = numpy.array(list/tuple, dtype=numpy.float32)
      当np.array()不指定dtype时，NumPy将根据数据情况关联一个dtype类型。
      如：

    • 使用NumPy中函数创建ndarray数组，如:arange，ones，zeros等。
      如：
      此外，还有一些其他函数：
      
      如：
      
      ndarray数组的变换：
      对于创建后的ndarray数组,可以对其进行维度变换和元素类型变换。

      • 维度变换：
        
        如：
        
        
      • 数组的类型变换
        如：
        
        astype()方法一定会创建新的数组(原始数据的一个拷贝），即使两个类型一致。
      • ndarray数组向列表的转换：
        

    • 从字节流(raw bytes)中创建ndarray数组。

    • 从文件中读取特定格式，创建ndarray数组。

• ndarray数组的操作
  • 索引和切片
    索引：获取数组中特定位置元素的过程
    切片：获取数组元素子集的过程
  • 一维数组
  • 多维数组
    • 索引
    • 切片
• ndarray数组的运算
  • 数组与标量之间的运算
    数组与标量之间的运算作用于数组的每一个元素
    如：
    
  • 对ndarray中的数据执行元素级运算的函数
    • 一元函数
      
      
      如：
      
    • 二元函数
      
      如：
      
• 利用NumPy产生随机数
  参考：numpy产生随机数
  如：
  

总结

• NumPy库入门
  • 数据的维度：一维、二维、多维、高维
  • ndarray类型属性、创建和变换
  • 数组的索引和切片
  • 数组的运算:一元函数、二元函数
• ndarray类型属性、创建和变化