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
- 数据维度的Python表示
—维数据:列表和集合类型
如:
二维数据:列表类型[3.1398, 3.1349, 3.1376] 有序 {3.1398, 3.1349, 3.1376} 无序
如:
多维数据:列表类型[ [3.1398, 3.1349, 3.1376], [3.1413, 3.1404, 3.1401] ]
高维数据:字典类型或数据表示格式
如字典类型:
数据表示形式:JSON、XML、YAML格式dict = { "firstname":"Hello", "lastname":"World", }
- 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。
- 一个强大的N维数组对象ndarray
-
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 ] [ -2^{31}, 2^{31}-1] [−231,231−1] int64 64位长度的整数,取值: [ − 2 63 , 2 63 − 1 ] [-2^{63},2^{63}-1] [−263,263−1] 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:
- 维度变换:
-
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。
-
- 方法
- 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
- 索引
- 索引和切片
- 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:
- 一元函数
- 数组与标量之间的运算
- 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