Task 01 数据类型及数组创建

Task 01 数据类型及数组创建

常量

numpy.nan

• 表示空值。

nan = NaN = NAN

两个numpy.nan是不相等的。

import numpy as np

print(np.nan == np.nan)  # False
print(np.nan != np.nan)  # True

• numpy.isnan(x, *args, **kwargs)

  Test element-wise for NaN and return result as a boolean array.

x = np.array([1, 2, 3, np.nan, 4])
y = np.isnan(x) # [False False False  True False]
z = np.count_nonzero(y) # 1

numpy.inf

• 表示无穷大。

Inf = inf = infty = Infinity = PINF

numpy.pi

• 表示圆周率。

import numpy as np
print(np.pi) # 3.141592653589793

numpy.e

• 表示自然对数。

import numpy as np
print(np.e) # 2.718281828459045

数据类型

Python原生数据类型：bool、int、float、str，相对较少，对于科学计算，通常需要更多的控制。

常用numpy基本类型：

类型	备注	说明
bool_ = bool8	8位	布尔类型
int8 = byte	8位	整型
int16 = short	16位	整型
int32 = intc	32位	整型
int_ = int64 = long = int0 = intp	64位	整型
uint8 = ubyte	8位	无符号整型
uint16 = ushort	16位	无符号整型
uint32 = uintc	32位	无符号整型
uint64 = uintp = uint0 = uint	64位	无符号整型
float16 = half	16位	浮点型
float32 = single	32位	浮点型
float_ = float64 = double	64位	浮点型
str_ = unicode_ = str0 = unicode		Unicode 字符串
datetime64		日期时间类型
timedelta64		表示两个时间之间的间隔

创建数据类型

numpy的数据类型实际上是dtype对象的实例。

class dtype(object):
    def __init__(self, object, align=False, copy=False):
        pass

每个内建类型都有唯一的字符代码。

字符	对应类型	备注
b	boolean	‘b1’
i	signed integer	‘i1’, ‘i2’, ‘i4’, ‘i8’
u	unsigned integer	‘u1’, ‘u2’ ,‘u4’ ,‘u8’
f	floating-point	‘f2’, ‘f4’, ‘f8’
c	complex floating-point
m	timedelta64	表示两个时间之间的间隔
M	datetime64	日期时间类型
O	object
S	(byte-)string	S3表示长度为3的字符串
U	Unicode	Unicode 字符串
V	void

import numpy as np

a = np.dtype('b1')
print(a.type)  # <class 'numpy.bool_'>
print(a.itemsize)  # 1 字长

数据类型信息

Machine limits for integer types.

class iinfo(object):
    def __init__(self, int_type):
        pass
    def min(self):
        pass
    def max(self):
        pass

import numpy as np

ii16 = np.iinfo(np.int16)
print(ii16.min)  # -32768
print(ii16.max)  # 32767

Machine limits for floating point types.

class finfo(object):
    def _init(self, dtype):

import numpy as np

ff16 = np.finfo(np.float16)
print(ff16.bits)  # 16
print(ff16.min)  # -65500.0
print(ff16.max)  # 65500.0
print(ff16.eps)  # 0.000977

时间日期和时间增量

datetime64

由于datetime被python中日期时间库占用，在numpy中可以用datetime64将字符串转换成日期时间类型。

日期单位	代码含义	时间单位	代码含义
Y	年	h	小时
M	月	m	分钟
W	周	s	秒
D	天	ms	毫秒
-	-	us	微秒
-	-	ns	纳秒
-	-	ps	皮秒
-	-	fs	飞秒
-	-	as	阿托秒

从字符串创建datetime64类型时，默认情况下，numpy会自动选择单位。

时间日期标准格式：YYYY-MM-YY HH:MM:SS

import numpy as np

a = np.datetime64('2020-10-10')
print(a, a.dtype)  # 2020-10-10 datetime64[D]

a = np.datetime64('2020-10-10 20')
print(a, a.dtype)  # 2020-10-10T20 datetime64[h]

当然，也可以指定强制指定使用的单位。

import numpy as np

a = np.datetime64('2020-03', 'D')
print(a, a.dtype)  # 2020-03-01 datetime64[D]

a = np.datetime64('2020-03', 'Y')
print(a, a.dtype)  # 2020 datetime64[Y]

print(np.datetime64('2020-03') == np.datetime64('2020-03-01'))  # True
print(np.datetime64('2020-03') == np.datetime64('2020-03-02'))  #False

可以从较大的单位转换为较小的单位。

使用arange()创建 datetime64 数组，用于生成日期范围。

import numpy as np

a = np.arange('2020-08-01', '2020-08-10', dtype=np.datetime64)
print(a)
# ['2020-08-01' '2020-08-02' '2020-08-03' '2020-08-04' '2020-08-05'
#  '2020-08-06' '2020-08-07' '2020-08-08' '2020-08-09']
print(a.dtype)  # datetime64[D]

a = np.arange('2020-08-01 20:00', '2020-08-10', dtype=np.datetime64)
print(a)
# ['2020-08-01T20:00' '2020-08-01T20:01' '2020-08-01T20:02' ...
#  '2020-08-09T23:57' '2020-08-09T23:58' '2020-08-09T23:59']

datetime64 和 timedelta64 运算

timedelta64 表示两个 datetime64 之间的差。timedelta64 也是带单位的，并且和相减运算中的两个 datetime64 中的较小的单位保持一致。

数组的创建

numpy 提供的最重要的数据结构是ndarray，它是 python 中list的扩展。

import numpy as np #导入numpy

1. 根据现有数据创建ndarray

• 通过array()函数创建

  array(p_object, dtype=None, copy=true, order='K', subok=False, ndmin=0)

  a=np.array([1,2,3,4]) 
  print(a) # [1 2 3 4]
  
  # 创建二维数组
  c = np.array([[11, 12, 13, 14, 15],
                [16, 17, 18, 19, 20],
                [21, 22, 23, 24, 25],
                [26, 27, 28, 29, 30],
                [31, 32, 33, 34, 35]])
  print(c, type(c))
  

• 通过asarray()函数创建

  array()和asarray()都可以将结构数据转化为 ndarray，但是array()和asarray()主要区别就是当数据源是ndarray 时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时 asarray()不会。

  def asarray(a, dtype=None, order=None):
      return array(a, dtype, copy=False, order=order)
  

• 通过fromfunction()函数创建?

  fromfunction()从函数中创建数组。

  def fromfunction(function, shape, **kwargs)

  import numpy as np
  def f(x,y):
      return 10*x+y
  
  x=np.fromfunction(f,(5,4),dtype=int)
  print(x)
  

2. 依据 ones 和 zeros 填充方式

• 零数组

  zeros()函数：返回给定形状和类型的零数组。

  zeros_like()函数：返回与给定数组形状和类型相同的零数组。

def zeros(shape, dtype=None, order='C'):
def zeros_like(a, dtype=None, order='K', subok=True, shape=None):

• 1数组

  ones()函数：返回给定形状和类型的1数组。

  ones_like()函数：返回与给定形状和类型相同的1数组。

def ones(shape, dtype=None, order='C'):
def ones_like(a, dtype=None, order='K', subok=True, shape=None):

• 空数组

  empty()函数：返回一个空数组，数组元素为随机数。

  empty_like函数：返回与给定数组具有相同形状和类型的新数组。

def empty(shape, dtype=None, order='C'): 
def empty_like(prototype, dtype=None, order='K', subok=True, shape=None):

• 单位数组

  eye()函数：返回一个对角线上为1，其它地方为零的单位数组。

  identity()函数：返回一个方的单位数组。

def eye(N, M=None, k=0, dtype=float, order='C'):
def identity(n, dtype=None):

• 对角数组

  diag()函数：提起对角线或构造对角数组。

def diag(v, k=0):

• 常数数组

  full()函数：返回一个常数数组。

  full_like()函数：返回与给定数组具有相同形状和类型的常数数组。

def full(shape, fill_value, dtype=None, order='C'):
def full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None):

3. 利用数值范围创建ndarray

• arange()函数：返回给定间隔内的均匀间隔的值。
• linspace()函数：返回指定间隔内的等间隔数字。
• logspace()函数：返回数以对数刻度均匀分布。
• numpy.random.rand() 返回一个由[0,1)内的随机数组成的数组。

def arange([start,] stop[, step,], dtype=None): 
def linspace(start, stop, num=50, endpoint=True, retstep=False, 
             dtype=None, axis=0):
def logspace(start, stop, num=50, endpoint=True, base=10.0, 
             dtype=None, axis=0):
def rand(d0, d1, ..., dn): 

4. 结构数组的创建

结构数组，首先需要定义结构，然后利用np.array()来创建数组，其参数dtype为定义的结构。

• 利用字典来定义结构

import numpy as np

personType = np.dtype({
    'names': ['name', 'age', 'weight'],
    'formats': ['U30', 'i8', 'f8']})

a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>

利用包含多个元组的列表来定义结构**

【例】

import numpy as np

personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')])
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>

# 结构数组的取值方式和一般数组差不多，可以通过下标取得元素：
print(a[0])
# ('Liming', 24, 63.9)

print(a[-2:])
# [('Mike', 15, 67. ) ('Jan', 34, 45.8)]

# 我们可以使用字段名作为下标获取对应的值
print(a['name'])
# ['Liming' 'Mike' 'Jan']
print(a['age'])
# [24 15 34]
print(a['weight'])
# [63.9 67.  45.8]

数组属性

• numpy.ndarray.ndim用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。
• numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。
• numpy.ndarray.size数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。
• numpy.ndarray.dtype ndarray 对象的元素类型。
• numpy.ndarray.itemsize以字节的形式返回数组中每一个元素的大小。

在ndarray中所有元素必须是同一类型，否则会自动向下转换，int->float->str。