numpy概述、n维数组ndarray属性、数组维数形状、ndarray数组类型

一、numpy 概述

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，用Numpy比直接用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
• 提供一个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()

2.1用ndarray进行存储数组 

import numpy as np

# 创建ndarray
number = np.array(
[[88, 89, 87, 67, 79],
[90, 94, 78, 67, 74],
[91, 91, 90, 67, 69],
[76, 87, 75, 67, 86],
[94, 92, 93, 67, 64]
])

number

 结果如下

机器学习特点：大量的数据运算，若无快速的解决方案，python在机器学习领域可能也达不到好的效果

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

2.2 ndarray优势

• 内存块风格：ndarray存储数据时数据与数据的地址都是连续的，使得批量操作数组元素时速度更快，其原因在于
  • ndarray中所有元素的类型都是相同的，在存储元素时内存可以连续(一体式存储，存储类型相同)
  • 而python原生list中的元素类型是任意的，只能通过寻址方式找到下一个元素(分离式存储，存储内容多样化)
  • 这虽然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，ndarray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
• 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
• 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

import random
import time
import numpy as np
a = []
for i in range(100000000):
    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)   # 原生Python计算时间
b=np.array(a)
%time sum2=np.sum(b)   # numpy计算时间

 结果如下

二、n维数组-ndarray

2.1 ndarray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.shape	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

import numpy as np

# 创建ndarray
number = np.array(
[[88, 89, 87, 67, 79],
[90, 94, 78, 67, 74],
[91, 91, 90, 67, 69],
[76, 87, 75, 67, 86],
[94, 92, 93, 67, 64]
])

print(number.shape)   # (5, 5)
print(number.ndim)  # 2
print(number.size)   # 25
print(number.itemsize)   # 4
number.dtype    # dtype('int32')

输出如下

2.2 数组维数形状

a = np.array([[1,2,3],[4,5,6]])   # 二维数组
a.shape   # (2, 3)
b = np.array([1,2,3,4,5])   # 一维数组
b.shape   # (5,)
c = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])   # 三维数组
c.shape   # (2, 2, 3)

 结果如下

2.3 ndarray数组类型

名称	描述	简写
np.bool	用一个字节存储的布尔类型（True或False）	'b'
np.int8	一个字节大小，-128 ~ 127	'i'
np.int16	整数，-32768 ~ 32767	'i2'
np.int32	整数，-2^31​ ~ 2^32 -1	'i4'
np.int64	整数，-2^63 ~ 2^63 - 1	'i8'
np.uint8	无符号整数，0 ~ 255	'u'
np.uint16	无符号整数，0 ~ 65535	'u2'
np.uint32	无符号整数，0 ~ 2^32 - 1	'u4'
np.uint64	无符号整数，0 ~ 2^64 - 1	'u8'
np.float16	半精度浮点数：16位，正负号1位，指数5位，精度10位	'f2'
np.float32	单精度浮点数：32位，正负号1位，指数8位，精度23位	'f4'
np.float64	双精度浮点数：64位，正负号1位，指数11位，精度52位	'f8'
np.complex64	复数，分别用两个32位浮点数表示实部和虚部	'c8'
np.complex128	复数，分别用两个64位浮点数表示实部和虚部	'c16'
np.object_	python对象	'O'
np.string_	字符串	'S'
np.unicode_	unicode类型	'U'

创建数组时可指定类型，若不指定，整数默认int64，小数默认float64，演示如下

学习导航：http://xqnav.top/