第二章 科学计算库Numpy

NumPy中最重要的一个特点就是其N维数组对象，即ndarray（别名array）对象，该对象可以执行一些科学计算。

创建最简单的nbarray对象的方法是array（）函数，而在调用函数的时候需要传入一个列表或元组。

例如：*创建一维数组

data1 = np.array([1,2,3])

*创建一个二维数组

data2 = np.array([[1,2,3],[4,5,6]])

通过zeros()函数创建元素值都是0的数组；通过ones()函数创建元素值都为1的数组。

例如：* 创建元素值全是0的数组

np.zeros((3, 4))

* 创建元素值全是1的数组

np.ones((3, 4))

通过empty（）函数创建一个新的数组，该数组只分配内存空间，而里面填充的元素都是随机的。

例如：*创建元素值全是随机数的数组

np.empty((5, 2))

通过arange()函数可以创建一个等差数组，它的功能类似于range()，只不过arange()函数返回的结果是数组，而不是列表。

ndarray.dtype可以创建一个表示数据类型的对象，如果获取数据类型的名称，则需要访问name属性进行获取。

如data_one = np.array([[1, 2, 3], [4, 5, 6]])

data_one.dtype.name 

通过zeros()、ones()、empty()函数创建的数组，默认的数据类型为float64。默认情况下，64位windows系统输出的结果为int32， 64位Linux或macOS系统输出结果为int64，当然也可以通过dtype来指定数据类型的长度

ndarray对象的数据类型可以通过astype()方法进行转换。

例如：data = np.array([[1, 2, 3], [4, 5, 6]])

data.dtype

*数据类型转换为float64

float_data = data.astype(np.float64)

float_data.dtype

 

 形状相等的数组之间的任何算术运算都会应用到元素级，即只用于位置相同的元素之间，所得的运算结果组成一个新的数组。

对于一维数组来说，从表面上来看，它使用索引和切片的方式，与Python列表的功能相差不大。

如：arr = np.arange(8)

* 获取索引为5的元素

arr[5]

* 获取索引为3~5的元素，但不包括5

arr[3:5]

在二维数组中，每个索引位置上的元素不再是一个标量了，而是一个一维数组。如果想获取二维数组的单个元素，则需要通过形如“arr[x，y]”的索引来实现，其中x表示行号，y表示列号。

 NumPy的where()函数是三元表达式x if condition else y的矢量化版本。

如：arr_x = np.array([1, 5, 7])

arr_y = np.array([2, 6, 8])

arr_con = np.array([True, False, True])

result = np.where(arr_con, arr_x, arr_y）

 

如果希望对NumPy数组中的元素进行排序，可以通过sort()方法实现。

如：arr = np.array([[6, 2, 7],

                         [3, 6, 2],

                         [4, 3, 2]])

arr.sort()

all()函数用于判断整个数组中的元素的值是否全部满足条件，如果满足条件返回True，否则返回False。any()函数用于判断整个数组中的元素至少有一个满足条件就返回True，否则就返回False。

 

与Python的random模块相比，NumPy的random模块功能更多，它增加了一些可以高效生成多种概率分布的样本值的函数。

如： 随机生成一个二维数组

np.random.rand(3, 3)

seed( )函数可以保证生成的随机数具有可预测性，也就是说产生的随机数相同。