转自:http://blog.csdn.net/sunny2038
NumPy数组是一个多维数组对象,称为ndarray。其由两部分组成:
- 实际的数据
- 描述这些数据的元数据
大部分操作仅针对于元数据,而不改变底层实际的数据。
关于NumPy数组有几点必需了解的:
- NumPy数组的下标从0开始。
- 同一个NumPy数组中所有元素的类型必须是相同的。
NumPy数组属性
在详细介绍NumPy数组之前。先详细介绍下NumPy数组的基本属性。NumPy数组的维数称为秩(rank),一维数组的秩为1,二维数组的秩为2,以此类推。在NumPy中,每一个线性的数组称为是一个轴(axes),秩其实是描述轴的数量。比如说,二维数组相当于是两个一维数组,其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是NumPy中的轴(axes),第一个轴相当于是底层数组,第二个轴是底层数组里的数组。而轴的数量——秩,就是数组的维数。
NumPy的数组中比较重要ndarray对象属性有:
-
ndarray.ndim:数组的维数(即数组轴的个数),等于秩。最常见的为二维数组(矩阵)。
-
ndarray.shape:数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中,表示数组的“行数”和“列数”。ndarray.shape返回一个元组,这个元组的长度就是维度的数目,即ndim属性。
-
ndarray.size:数组元素的总个数,等于shape属性中元组元素的乘积。
-
ndarray.dtype:表示数组中元素类型的对象,可使用标准的Python类型创建或指定dtype。另外也可使用前一篇文章中介绍的NumPy提供的数据类型。
-
ndarray.itemsize:数组中每个元素的字节大小。例如,一个元素类型为float64的数组itemsiz属性值为8(float64占用64个bits,每个字节长度为8,所以64/8,占用8个字节),又如,一个元素类型为complex32的数组item属性为4(32/8)。
- ndarray.data:包含实际数组元素的缓冲区,由于一般通过数组的索引获取元素,所以通常不需要使用这个属性。
创建数组
先来介绍创建数组。创建数组的方法有很多。如可以使用array函数从常规的Python列表和元组创造数组。所创建的数组类型由原序列中的元素类型推导而来。使用array函数创建时,参数必须是由方括号括起来的列表,而不能使用多个数值作为参数调用array。
- >>> from numpy import *
- >>> a = array( [2,3,4] )
- >>> a
- array([2, 3, 4])
- >>> a.dtype
- dtype('int32')
- >>> b = array([1.2, 3.5, 5.1])
- >>> b.dtype
- dtype('float64')
- >>> a = array(1,2,3,4) # 错误
- >>> a = array([1,2,3,4]) # 正确
- >>> b = array( [ (1.5,2,3), (4,5,6) ] )
- >>> b
- array([[ 1.5, 2. , 3. ],
- [ 4. , 5. , 6. ]])
- >>> c = array( [ [1,2], [3,4] ], dtype=complex)
- >>> c
- array([[ 1.+0.j, 2.+0.j],
- [ 3.+0.j, 4.+0.j]])
用函数zeros可创建一个全是0的数组,用函数ones可创建一个全为1的数组,函数empty创建一个内容随机并且依赖与内存状态的数组。默认创建的数组类型(dtype)都是float64。
可以哟娜特d.dtype.itemsize来查看数组中元素占用的字节数目。
- >>> d = zeros((3,4))
- >>> d.dtype
- dtype('float64')
- >>> d
- array([[ 0., 0., 0., 0.],
- [ 0., 0., 0., 0.],
- [ 0., 0., 0., 0.]])
- >>> d.dtype.itemsize
- 8
- >>> ones( (2,3,4), dtype=int16 ) #手动指定数组中元素类型
- array([[[1, 1, 1, 1],
- [1, 1, 1, 1],
- [1, 1, 1, 1]],
- [[1, 1, 1, 1],
- [1, 1, 1, 1],
- [1, 1, 1, 1]]], dtype=int16)
- >>> empty((2,3))
- array([[ 2.65565858e-316, 0.00000000e+000, 0.00000000e+000],
- [ 0.00000000e+000, 0.00000000e+000, 0.00000000e+000]])
- >>> arange(10, 30, 5)
- array([10, 15, 20, 25])
- >>> arange(0,2,0.5)
- array([ 0. , 0.5, 1. , 1.5])
当arange使用浮点数参数时,由于浮点数精度有限,通常无法预测获得的元素个数。因此,最好使用函数linspace去接收我们想要的元素个数来代替用range来指定步长。linespace用法如下,将在通用函数一节中详细介绍。
- >>> numpy.linspace(-1, 0, 5)
- array([-1. , -0.75, -0.5 , -0.25, 0. ])
知识点:NumPy中的数据类型
对于科学计算来说,Python中自带的整型、浮点型和复数类型远远不够,因此NumPy中添加了许多数据类型。如下:
名称 | 描述 |
bool | 用一个Bit存储的布尔类型(True或False) |
inti | 由所在平台决定其大小的整数(一般为int32或int64) |
int8 | 一个字节大小,-128 至 127 |
int16 | 整数,-32768 至 32767 |
int32 | 整数,-2 ** 31 至 2 ** 32 -1 |
int64 | 整数,-2 ** 63 至 2 ** 63 - 1 |
uint8 | 无符号整数,0 至 255 |
uint16 | 无符号整数,0 至 65535 |
uint32 | 无符号整数,0 至 2 ** 32 - 1 |
uint64 | 无符号整数,0 至 2 ** 64 - 1 |
float16 | 半精度浮点数:16位,正负号1位,指数5位,精度10位 |
float32 | 单精度浮点数:32位,正负号1位,指数8位,精度23位 |
float64或float | 双精度浮点数:64位,正负号1位,指数11位,精度52位 |
complex64 | 复数,分别用两个32位浮点数表示实部和虚部 |
complex128或complex | 复数,分别用两个64位浮点数表示实部和虚部 |
NumPy类型转换方式如下:
- >>> float64(42)
- 42.0
- >>> int8(42.0)
- 42
- >>> bool(42)
- True
- >>> bool(42.0)
- True
- >>> float(True)
- 1.0
- >>> arange(7, dtype=uint16)
- array([0, 1, 2, 3, 4, 5, 6], dtype=uint16)
输出数组
当输出一个数组时,NumPy以特定的布局用类似嵌套列表的形式显示:
- 第一行从左到右输出
- 每行依次自上而下输出
- 每个切片通过一个空行与下一个隔开
- 一维数组被打印成行,二维数组成矩阵,三维数组成矩阵列表。
reshape将在下一篇文章中介绍 如果一个数组太长,则NumPy自动省略中间部分而只打印两端的数据:
- >>> a = arange(6) # 1d array
- >>> print a
- [0 1 2 3 4 5]
- >>> b = arange(12).reshape(4,3) # 2d array
- >>> print b
- [[ 0 1 2]
- [ 3 4 5]
- [ 6 7 8]
- [ 9 10 11]]
- >>> c = arange(24).reshape(2,3,4) # 3d array
- >>> print c
- [[[ 0 1 2 3]
- [ 4 5 6 7]
- [ 8 9 10 11]]
- [[12 13 14 15]
- [16 17 18 19]
- [20 21 22 23]]]
可通过设置printoptions参数来禁用NumPy的这种行为并强制打印整个数组。
- >>> print arange(10000)
- [ 0 1 2 ..., 9997 9998 9999]
- >>> print arange(10000).reshape(100,100)
- [[ 0 1 2 ..., 97 98 99]
- [ 100 101 102 ..., 197 198 199]
- [ 200 201 202 ..., 297 298 299]
- ...,
- [9700 9701 9702 ..., 9797 9798 9799]
- [9800 9801 9802 ..., 9897 9898 9899]
- [9900 9901 9902 ..., 9997 9998 9999]]
- set_printoptions(threshold='nan')
这样,输出时数组的所有元素都会显示出来。
基本运算
数组的算术运算是按元素逐个运算。数组运算后将创建包含运算结果的新数组。
- >>> a= np.array([20,30,40,50])
- >>> b= np.arange( 4)
- >>> b
- array([0, 1, 2, 3])
- >>> c= a-b
- >>> c
- array([20, 29, 38, 47])
- >>> b**2
- array([0, 1, 4, 9])
- >>> 10*np.sin(a)
- array([ 9.12945251,-9.88031624, 7.4511316, -2.62374854])
- >>> a<35
- array([True, True, False, False], dtype=bool)
与其他矩阵语言不同,NumPy中的乘法运算符*按元素逐个计算,矩阵乘法可以使用dot函数或创建矩阵对象实现(后续章节会介绍)
有些操作符如+=和*=用来更改已存在数组而不创建一个新的数组。
- >>> A= np.array([[1,1],
- ...[0,1]])
- >>> B= np.array([[2,0],
- ...[3,4]])
- >>> A*B # 逐个元素相乘
- array([[2, 0],
- [0, 4]])
- >>> np.dot(A,B) # 矩阵相乘
- array([[5, 4],
- [3, 4]])
当数组中存储的是不同类型的元素时,数组将使用占用更多位(bit)的数据类型作为其本身的数据类型,也就是偏向更精确的数据类型(这种行为叫做upcast)。
- >>> a= np.ones((2,3), dtype=int)
- >>> b= np.random.random((2,3))
- >>> a*= 3
- >>> a
- array([[3, 3, 3],
- [3, 3, 3]])
- >>> b+= a
- >>> b
- array([[ 3.69092703, 3.8324276, 3.0114541],
- [ 3.18679111, 3.3039349, 3.37600289]])
- >>> a+= b # b转换为整数类型
- >>> a
- array([[6, 6, 6],
- [6, 6, 6]])
许多非数组运算,如计算数组所有元素之和,都作为ndarray类的方法来实现,使用时需要用ndarray类的实例来调用这些方法。
- >>> a= np.ones(3, dtype=np.int32)
- >>> b= np.linspace(0,np.pi,3)
- >>> b.dtype.name
- 'float64'
- >>> c= a+b
- >>> c
- array([ 1., 2.57079633, 4.14159265])
- >>> c.dtype.name
- 'float64'
- >>> d= exp(c*1j)
- >>> d
- array([ 0.54030231+0.84147098j,-0.84147098+0.54030231j,
- -0.54030231-0.84147098j])
- >>> d.dtype.name
- 'complex128'
这些运算将数组看作是一维线性列表。但可通过指定axis参数(即数组的行)对指定的轴做相应的运算:
- >>> a= np.random.random((2,3))
- >>> a
- array([[ 0.65806048, 0.58216761, 0.59986935],
- [ 0.6004008, 0.41965453, 0.71487337]])
- >>> a.sum()
- 3.5750261436902333
- >>> a.min()
- 0.41965453489104032
- >>> a.max()
- 0.71487337095581649
- >>> b= np.arange(12).reshape(3,4)
- >>> b
- array([[ 0, 1, 2, 3],
- [ 4, 5, 6, 7],
- [ 8, 9, 10, 11]])
- >>> b.sum(axis=0) # 计算每一列的和,注意理解轴的含义,参考数组的第一篇文章
- array([12, 15, 18, 21])
- >>> b.min(axis=1) # 获取每一行的最小值
- array([0, 4, 8])
- >>> b.cumsum(axis=1) # 计算每一行的累积和
- array([[ 0, 1, 3, 6],
- [ 4, 9, 15, 22],
- [ 8, 17, 27, 38]])
索引,切片和迭代
和列表和其它Python序列一样,一维数组可以进行索引、切片和迭代操作。
多维数组可以每个轴有一个索引。这些索引由一个逗号分割的元组给出。
- >>> a= np.arange(10)**3 #记住,操作符是对数组中逐元素处理的!
- >>> a
- array([0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
- >>> a[2]
- 8
- >>> a[2:5]
- array([ 8, 27, 64])
- >>> a[:6:2]= -1000 # 等同于a[0:6:2]= -1000,从开始到第6个位置,每隔一个元素将其赋值为-1000
- >>> a
- array([-1000, 1,-1000, 27,-1000, 125, 216, 343, 512, 729])
- >>> a[: :-1] # 反转a
- array([ 729, 512, 343, 216, 125,-1000, 27,-1000, 1,-1000])
- >>>for i in a:
- ... print i**(1/3.),
- ...
- nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0
当少于提供的索引数目少于轴数时,已给出的数值按秩的顺序复制,确失的索引则默认为是整个切片:
- >>>def f(x,y):
- ... return 10*x+y
- ...
- >>> b= np.fromfunction(f,(5,4),dtype=int) #fromfunction是一个函数,下篇文章介绍。
- >>> b
- array([[ 0, 1, 2, 3],
- [10, 11, 12, 13],
- [20, 21, 22, 23],
- [30, 31, 32, 33],
- [40, 41, 42, 43]])
- >>> b[2,3]
- 23
- >>> b[0:5, 1] # 每行的第二个元素
- array([ 1, 11, 21, 31, 41])
- >>> b[: ,1] # 与前面的效果相同
- array([ 1, 11, 21, 31, 41])
- >>> b[1:3,: ] # 每列的第二和第三个元素
- array([[10, 11, 12, 13],
- [20, 21, 22, 23]])
点(…)代表许多产生一个完整的索引元组必要的分号。如果x是秩为5的数组(即它有5个轴),那么:b[i]中括号中的表达式被当作i和一系列:,来代表剩下的轴。NumPy也允许你使用“点”像b[i,...]。
- >>> b[-1] # 最后一行,等同于b[-1,:],-1是第一个轴,而缺失的认为是:,相当于整个切片。
- array([40, 41, 42, 43])
- x[1,2,…] 等同于 x[1,2,:,:,:],
- x[…,3] 等同于 x[:,:,:,:,3]
- x[4,…,5,:] 等同 x[4,:,:,5,:]
- >>> c= array( [ [[ 0, 1, 2], #三维数组(两个2维数组叠加而成)
- ...[ 10, 12, 13]],
- ...
- ...[[100,101,102],
- ...[110,112,113]]] )
- >>> c.shape
- (2, 2, 3)
- >>> c[1,...] #等同于c[1,:,:]或c[1]
- array([[100, 101, 102],
- [110, 112, 113]])
- >>> c[...,2] #等同于c[:,:,2]
- array([[ 2, 13],
- [102, 113]])
- >>>for row in b:
- ... print row
- ...
- [0 1 2 3]
- [10 11 12 13]
- [20 21 22 23]
- [30 31 32 33]
- [40 41 42 43]
- >>>for element in b.flat:
- ... print element,
- ...
- 0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43
形状(shape)操作
更改数组的形状
数组的形状取决于其每个轴上的元素个数:
- >>> a= np.floor(10*np.random.random((3,4)))
- >>> a
- array([[ 7., 5., 9., 3.],
- [ 7., 2., 7., 8.],
- [ 6., 8., 3., 2.]])
- >>> a.shape
- (3, 4)
- >>> a.ravel() # 平坦化数组
- array([ 7., 5., 9., 3., 7., 2., 7., 8., 6., 8., 3., 2.])
- >>> a.shape= (6, 2)
- >>> a.transpose()
- array([[ 7., 9., 7., 7., 6., 3.],
- [ 5., 3., 2., 8., 8., 2.]])
reshape函数改变调用数组的形状并返回该数组,而resize函数改变调用数组自身。
- >>> a
- array([[ 7., 5.],
- [ 9., 3.],
- [ 7., 2.],
- [ 7., 8.],
- [ 6., 8.],
- [ 3., 2.]])
- >>> a.resize((2,6))
- >>> a
- array([[ 7., 5., 9., 3., 7., 2.],
- [ 7., 8., 6., 8., 3., 2.]])