4 Numpy------Numpy优势、N维数组-ndarray

Numpy

学习目标

• 了解Numpy运算速度上的优势
• 知道数组的属性，形状、类型
• 应用Numpy实现数组的基本操作
• 应用随机数组的创建实现正态分布应用
• 应用Numpy实现数组的逻辑运算
• 应用Numpy实现数组的统计运算
• 应用Numpy实现数组之间的运算

4.1 Numpy优势

学习目标

目标

• 了解Numpy运算速度上的优势
• 知道Numpy的数组内存块风格
• 知道Numpy的并行化运算

4.1.1 Numpy介绍

Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。
Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。

4.1.2 ndarray介绍

NumPy provides an N-dimensional array type，the ndarray，
which describes a collection of"items"of the same type.

－
　　NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。
　　
用ndarray进行存储:

import numpy as np

#创建ndarray 

score=np.array(
[[80,89,86,67,79],
[78,97,89,67,81],
[90,94,78,67,74],
[91,91,90,67,69],
[76,87,75,67,86],
[70,79,84,67,84],
[94,92,93,67,64],
[86,85,83,67,80]])

score

返回结果：

提问：
使用Python列表可以存储一维数组，通过列表的嵌套可以实现多维数组，那么为什么还需要使用Numpy的ndarray呢？

4.1.3 ndarray与Python原生list运算效率对比

在这里我们通过一段代码运行来体会到ndarray的好处

import random
import time
import numpy as np

a = []
for i in range(10000000):
    a.append(random.random())

#通过%time魔法方法,查看当前行的代码运行一次所花费的时间
%time sum1=sum(a)

b=np.array(a)

%time sum2=np.sum(b

)

其中第一个时间显示的是使用原生Python计算时间,第二个内容是使用numpy计算时间:

CPU times:user 852 ms,sys:262 ms,total:1.11s
Wall time:1.13s
CPU times:user 133 ms,sys:653 us,total:133 ms
Wall time:134ms

从中我们看到ndarray的计算速度要快很多,节约了时间。
机器学习的最大特点就是大量的数据运算,那么如果没有一个快速的解决方案,那可能现在python也在机器学习领域达不到好的效果。

Numpy专门针对ndarray的操作和运算进行了设计，所以数组的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优势就越明显。
ndarray为什么可以这么快？

4.1.4 ndarray的优势

4.1.4.1内存块风橙

ndarray到底跟原生python列表有什么不同呢，请看一张图：

从图中我们可以看出ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。
这是因为ndarray中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以ndarray在存储元素时内存可以连续，而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，但在科学计算中，Numpy的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。

4.1.4.2 ndarray支持并行化运算（向量化运算）

－
　　numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算

4.1.4.3效率远高于纯Python代码

－
　　Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，所以，其效率远高于纯Python代码。

4.1.5小结

• numpy介绍【了解】
  - 一个开源的Python科学计算库
  - 计算器来要比python简洁高效
  - Numpy使用ndarray对象来处理多维数组
• ndarray介绍【了解】
  - NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。
  - 生成numpy对象：np.array()
• ndarray的优势【掌握】
  • 内存块风格
    - list–分离式存储，存储内容多样化
    - ndarray–一体式存储，存储类型必须一样
  • ndarray支持并行化运算（向量化运算）
  • ndarray底层是用C语言写的，效率更高，释放了GIL

4.2 N维数组-ndarray

学习目标

• 目标
  - 说明数组的属性，形状、类型

4.2.1 ndarray的属性

数组属性反映了数组本身固有的信息。

属性名字	属性解释
ndarray.shap	数组维度的元组
ndarray.ndim	数组维数
ndarray.size	数组中的元素数量
ndarray.itemsize	一个数组元素的长度（字节）
ndarray.dtype	数组元素的类型

4.2.2 ndarray的形状

首先创建一些数组。

#创建不同形状的数组
>>>a=np.array([[1,2,3],[4,5,6]])
>>>b=np.array([1,2,3,4])
>>>c=np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]11)

分别打印出形状

>>>a.shape
>>>b.shape
>>>c.shape

(2,3)#二维数组
(4,)#一维数组
(2,2,3)#三维数组

如何理解数组的形状？
二维数组：

三维数组：

4.2.3ndarray的类型

>>>type(score.dtype)
<type'numpy.dtype'>

dtype是numpy.dtype类型，先看看对于数组来说都有哪些类型

创建数组的时候指定类型

>>>a=np.array([[1,2,3],[4,5,6]],dtype=np.float32)
>>>a.dtype
dtype('float32')
>>>arr=np.array(['python','tensorflow','scikit-learn','numpy'],dtype=np.string_)
>>>arr
array([b'python',b'tensorflow',b'scikit-learn',b'numpy'],dtype='l512')

• 注意：若不指定，整数默认int64，小数默认float64

4.2.4 总结

-数组的基本属性【知道】

属性名字	属性解释
ndarray.shape	数组维度的元组
ndaray.ndim	数组维数
ndarray.size	数组中的元素数量
ndarray.itemsize	一个数组元素的长度（字节）
ndarray.dtype	数组元素的类型

点个赞吧！！！你的鼓励是对我码字的认可😀😀😀
👇👇👇