import numpy as np
def npSum():
a = np.array([0,1,2,3,4])
b = np.array([9,8,7,6,5])
c = a**2+ b**3return c
print(npSum())
数组对戏那个可以去掉元素之间运算所需的循环,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。
观察: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,有两部分构成:
实际数据 -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。
adarray实例
IPython提示符:
ndarray在程序中的别名是:array
a = np.array([[0,1,2,3,4],[9,8,7,6,5]])
a.ndim
a.shape
a.size
a.dtype
a.itemsize
ndarray对象的属性:
.ndim: 秩,即轴的数量或维度的数量
.shape: ndarray对象的尺度,对于矩阵,n行m列。
.size: ndarray对象元素的个数,相当于.shape中的n*m的值。
.dtype: ndarray对象的元素的类型。
.itemsize : ndarray对象中的每个元素的大小,以字节为单位。
ndarray的元素类型:
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 : 用于索引的证书,与C语言额ssize_t一致,int32或者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:[-231 ,2 31-1]
int64 : 64位长度的整数,取值:[-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
conplex128:复数类型,实部和虚部都是64位浮点数
对比: Python语法仅支持整数、浮点数和复数3中类型
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实例:
x = np.array([0,1,2,3,4],[9,8,7,6])
x.shape
x.dtype
x
x.itemsize
x.size
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。
3、ndarray数组的创建方法
从Python中列表、元组等类型创建Ndarray数组。
使用Numpy中函数创建ndarray数组,如:arange,ones,zeros等。
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
(1) 从Python中的列表,元组等类型创建Ndarray数组。
x = np.array(lise/tuple)
x = np.array(list/tuple,dtype=np.float32)
当np.array()不指定dtype时,Numpy将根据数据情况关联一个dtype类型。
(2)使用Numpy中函数创建ndarray数组,如arange,ones,zeros等
函数
说明
np.arange(n)
类似range()函数,返回ndarray类型,元素从0到1
np.ones(shape)
根据shape生成一个全1数组,shape是元组类型
np.zeros(shape)
根据shape生成一个全0数组,shape是元组类型
np.full(shape,val)
根据shape生成一个数组,每个元素之都是val
np.eye(n)
创建一个正方的n*n单位矩阵,对角线位1,其余为0
np.ones_like(a)
根据数组a的形状生成一个全1的数组
np.zeros_like(a)
根据数组a的形状生成一个全0数组
np.full_like(a,val)
根据数组a的形状生成一个数组,每个元素之都是val
np.linspace()
根据起止数据等间距第填充数据,形成数组
np.concatenate()
将两个或多个数组合并成一个新的数组
实例:
np.arange(10)
np.ones(3,6)
np.zeros((3,6),dtype=np.int32)
np.eye(5)
x = np.ones(2,3,4)
x.shape
np.ones_like(x)
np.zeros_like(x)
np.full_like(x)
a = np.linspace(1,10,4)
a
-- 参数4表示 4个元素
b = np.linspace(1,10,4,endpoint=False)
b
c = np.concatenate((a,b))
4、ndarray数组的维度变换
方法
说明
.reshape(shape)
不改变数组元素,返回一个shape形状的数组,原数组不变
.resize(shape)
与reshape()功能一致,但修改原数组
.swapaxes(ax1,ax2)
将数组n个维度中两个维度进行调换
.flatten()
对数组进行降维,返回折叠后的一维数组,原数组不变
实例:
a = np.ones((2,3,4),dtype=np.int32)
a.reshape((3,8))
a
a.resize((3,8))
a
a.flatten()
a
b=a.flatten()
b
5、ndarray数组的类型变换
new_a = a.astype(new_type)
a = np.ones((2,3,4),dtype=np.int)
a
b = a.astype(np.float)
b
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。
6、ndarray数组向列表的转换
ls = a.tolist()
a = np.full((2,3,4),25,dtype=np.int32)
a.tolist()
7、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
a = np.array([9,8,7,6,5])
a[2]
a[1:4:2]--起始编号:终止编号(不含):步长 ,3元素以冒号分割
多维数组的索引:
a = np.arange(24).reshape((2,3,4)
a
a[1,2,3]
a[0,1,2]
a[-1,-2,-3]
a[:,1,-3]
a[:,1:3,:]
a[:,:,::2]
8、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
a = np.arange(24),reshape((2,3,4)
a
a.mean()
a = a/a.mean()
a
PYTHON数据分析与展示第一周:数据分析单元1:Numpy库入门1、 Numpy的引用__import numpy as np__2、N维数组对象:ndarrayimport numpy as npdef npSum(): a = np.array([0,1,2,3,4]) b = np.array([9,8,7,6,5]) c = a**2 + b**3 return ...