对 Numpy 认识

一、对 Numpy 认识

Numpy 是用于数据科学计算的基础，不但能够完成科学计算任务，还能被用作高效地多 维数据容器。用于存储和处理大型矩阵

Python 提供了一个 array 模块，和 list 不同，它直接保存数值，但是由于 Python 的 array 模块不支持多维，也没有各种运算函数

Numpy 弥补了这一遗憾，Numpy 提供了一种数组对象—ndarray(下文统称数组)

关于 ndarray 数组对象的认识：

是一种内存连续的、存储单一数据类型的、可以存储多维数组的对象

存在两种存储方式：

C 风格存储（C 语言风格） ----行优先存储

F 风格存储（Fortran 语言风格）—列优先存储

二、数组创建

1、Numpy.array 函数创建一维或多维数组

numpy.array (object,dtype=None,copy=True,order=‘K’,subok=False,ndmin=0)

参数名称	说明
object	接收 array，表示想要创建的数组，无默认
dtype	接收 data-type。表示数组所需的数据类型。如果未给定，则选择保存对象 所需的最小类型。默认为 None
ndmin	接收 int，指定生成数组应该具有的最小维数，默认为 None

三、数组属性

Ndarray 是一个数组对象，对象都拥有以下属性：

属性	说明
ndim	返回 int，表示数组的维数
shape	返回 tuple。表示数组的尺寸，对于 n 行 m 列的矩阵，形状为(n,m)
size	返回 int，表示数组的元素总数，等于数组形状的乘积
dtype	返回 data-type，描述数组中元素的类型
itemsize	返回 int，表示数组的每个元素的大小（以字节为单位）

其中 shape 及 ndim 属性，可以参考下图来理解：

代码实现：

# 1、导包
import numpy as np

# 2、创建数组
# 可以使用np.array将列表对象转化ndarray数组对象
# arr = np.array([1, 2, 3, 4])
# print('arr:\n', arr)  # [1 2 3 4]
# print('arr 类型：\n', type(arr))  # <class 'numpy.ndarray'>

#
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 0]])
print('arr:\n', arr)
#  [[1 2 3 4]
#  [5 6 7 8]]

print('arr 类型：\n', type(arr))  # <class 'numpy.ndarray'>
print('*' * 100)

# arr = np.array([[[1, 2, 3, 4], [5, 6, 7, 0]],[[1, 2, 3, 4], [5, 6, 7, 0]]])
# print('arr:\n', arr)
# #  [[1 2 3 4]
# #  [5 6 7 8]]
#
# print('arr 类型：\n', type(arr))  # <class 'numpy.ndarray'>
# # print('*' * 100)

# 3、研究数组对象属性
# ndim shape size dtype itemsize
print('arr 的 ndim属性：', arr.ndim)  # 数组的维度
print('arr 的 shape属性：', arr.shape) # 数组的形状，元组类型
print('arr 的 size 属性：', arr.size)  # 数组中元素的个数
# print('arr 的　dtype 属性：', arr.dtype)  # 数组中元素的数据类型 int32 --->numpy中的数据类型 --->32位平台的int类型
# print('arr 的 itemsize 属性：', arr.itemsize) # 每一个元素的占位大小，单位为字节


# ndim  shape  size
# len(shape) = ndim
# size = shape中元素的乘积

四、数据元素类型

在实际业务数据处理时，为了更精确的计算结果，需要使用不同的数据类型，Numpy 极大程度地扩充了原生python数据类型，其中大部分数据类型是以数字结尾的，这个数字表 示在内存中占有的位数，同时强调一点，在Numpy中，所有数据类型都是同质的，即数组中的所有元素类型必须是一致的，这样做的好处是，更容易确定该数组所需要的存储空间

如下表展示：

类型	描述
bool	用一位存储的布尔类型（值为 TRUE 或 FALSE）
inti	由所在平台决定其精度的整数（一般为 int32 或 int64）
int8	整数，范围为−128 至 127
int16	整数，范围为−32768 至 32767

对于数组元素类型的使用，可以在创建数组的时候，通过 dtype 参数来指定数组的元素 类型，如：在创建全部为 0，全部为 1 的数组的时候，就可以使用 dtype 参数

其实，numpy 中的数据类型也可以进行强制转换，也可以进行存储复合的数据，如：

import numpy as np

# numpy中的数据类型
# ---封装了Python中的数据类型，并进行了细致划分 ---->变为了numpy.数据类型
# np.int32  np.int64  np.float32 np.float64 .......

# (1) 可以在创建数组的 时候通过dtype参数来指定创建的数组的类型
arr = np.array([1, 2, 3, 4], dtype=np.float64)
print('arr:\n', arr)
print('arr 类型：\n', type(arr))
print('arr 的元素的类型：\n', arr.dtype)

arr = np.array([1, 2, 3, 4], dtype=np.int64)
print('arr:\n', arr)
print('arr 类型：\n', type(arr))
print('arr 的元素的类型：\n', arr.dtype)

# 创建一个bool数组
# 注意：0代表False   非0代表True
arr = np.array([1, 2, 3, 0], dtype=np.bool)
print('arr:\n', arr)  # [ True  True  True False]
print('arr 类型：\n', type(arr))
print('arr 的元素的类型：\n', arr.dtype)

# (2) 也可以进行数据的强转换
print('将数值转化为bool类型：',np.bool(1))
print('将整型数据转化为float类型：',np.float32(3))
# print('将字符串a转化为float类型：',np.float64('a')) # 错误的
print('将字符串10转化为float类型：',np.float64('10'))

# # (3)了解、知道：ndarray可以存储不同类型的数据 --->转化 ---对象类型
# # 存储 ---个人信息---姓名(str) height(float) weight(float)
# # 通过自定义dtype来实现
df = np.dtype([('name', np.str, 20), (