Numpy库数据操作

数据的维度

一维数据

列表和数据

表示数据的有序结构，列表中数据类型可以不同，数组要求相同
列表——有序——[ ]
集合——无序——{ }

二维数据

由多个一维数据构成如表格
列表[ [ ],[ ],[ ] ]

多维数据

在一维或二维数据拓展而来
列表

高维数据

用二元关系展示复杂结构，json文件，即键值对的方式
字典或数据表示格式
JSON、XML、YAMY

numpy中的数组对象ndarray

引用

import numpy as np

ndarray

import numpy as np

def pysum():
    a=[0,1,2,3,4]
    b=[9,8,7,6,5]
    c=[]

    for i in range(len(a)):
        c.append(a[i]**2+b[i]**3)
    return c

def npsum():
    a=np.array([0,1,2,3,4])
    b=np.array([9,8,7,6,5])
    c=a**2+b**3
    return c

if __name__ == '__main__':
    print("pysum:")
    print(pysum())

    print("npsum:")
    print(npsum())

数组对象ndarray可以去掉元素间运算所需要的循环

构成

实际数据
元数据

ndarray一般要求数据类型相同；而不同类型的ndarray不能发挥优势
ndarray有许多数据类型，能较好存储和提高性能；有利于合理利用存储空间，合理评估程序规模

创建

1. x=np.array(列表/元组)
2. 函数：np.arrange(n);np.ones(shape)…
3. 其他函数

维度变换

.reshape(shape)返回新创建数组
.resize(shape)改变原数组
.flatten() 降维

>>> x=a.reshape((2,2))
>>> x
array([[ 0.        ,  3.33333333],
       [ 6.66666667, 10.        ]])
>>> a.resize((2,2))
>>> a
array([[ 0.        ,  3.33333333],
       [ 6.66666667, 10.        ]])
>>> a.flatten()
array([ 0.        ,  3.33333333,  6.66666667, 10.        ])

索引和切片

一维数据 索引：a[0] 切片：[1:4:2]起始编号：终止编号（不含）：步长

多维数组
索引，逗号分隔
切片

计算

数组的运算可以应用于数组中每一个元素

这些函数一般会返回新生成的数组，原数组不会被改变

二元函数

总结