NumPy 入门
数据的维度
从一个数据到一组数据
-
一个数据表达一个含义
-
一组数据表达一个或多个含义
维度:一组数据的组织形式
一维数据
一维数据由对等的有序或无序数据构成,采用线性方式组织,对应列表、数组和集合等概念
列表和数组
区别:
-
列表 :数据类型可以不同
3.1413,‘pi’,3.1404,[ 3. 1401, 3.1349] ,’ 3 .1376’
-
数组:数据类型相同
3.1413,3.1398,3.1404,3.1401,3.1349,3.1376
二维数据
二维数据由多个一维数据构成,是一维数据的组合形式
表格是典型的二维数据,其中表头是二维数据的一部分
多维数据
多维数据由一维或二维数据在新维度上扩展形成
高维数据
高维数据仅利用最基本的二元关系展示数据间的复杂结构
数据维度的Python表示
数据维度是数据的组织形式
NumPy
NumPy是一个开源的python科学计算基础库,包含:
- 个强大的N维数组对象ndarray
- 广播功能函数
- 整合C/C++/ Fortran代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
NumPy是SciPy、Pandas等数据处理或科学计算库的基础
NumPy的引用
import numpy as np
# 引入模块的别名
尽管别名可以省略或更改,建议使用上述约定的别名
Python已有列表类型,为什么需要一个数组对象(类型) ?
-
数组对象可以去掉元素间运算所需的循环 ,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
N维数组对象: ndarray
ndarray是一个多维数组对象,由两部分构成:
-
实际的数据
-
描述这些数据的元数据(数据维度、数据类型等)
ndarray数组-般要求所有元素类型相同(同质) , 数组下标从0开始
ndarray实例
ndarray对象的属性
属性 | 说明 |
---|---|
.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n* m的值 |
.dtype | ndarray对象的元素类型 |
.itemsize | ndarray对象中每个元素的大小,以字节为单位 |
In [10]: a = np.array([[0,1,2,3,4],[9,8,7,6,5]])
In [11]: a.ndim
Out[11]: 2
In [12]: a.shape
Out[12]: (2, 5)
In [13]: a.size
Out[13]: 10
In [14]: a.dtype
Out[14]: dtype('int32')
In [15]: a.itemsize
Out[15]: 4
ndarray数组的元素类型
数据类型 | 说明 |
---|---|
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 | 用于索引的整数, 与C语言中ssize_t-致, int32或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: [-231,231-1 ] |
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 | 32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 实部 (.real) + j虚部 (.imag) |
complex128 | 复数类型,实部和虚部都是64位浮点数 |
ndarray为什么要支持这么多种元素类型?
对比: Python语法仅支持整数、浮点数和复数3种类型
- 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
非同质的ndarray对象
###ndarray数组的创建
- 从Python中的列表、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
从Python中的列表、元组等类型创建ndarray数组
x = np.array(list/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
In [16]: x = np.array([0,1,2,3])
In [17]: print(x) 从列表类型创建
[0 1 2 3]
In [18]: x = np.array([4,5,6,7])
In [19]: print(x) 从元组类型创建
[4 5 6 7]
In [20]: x = np.array([[1,2],[9,8],(0.1,0.2)])
In [21]: print(x) 从列表和元组混合类型创建
[[1. 2. ]
[9. 8. ]
[0.1 0.2]]
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n-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,每个元素值都是val |
np.eye(n) | 创建一个正方的n*n单位矩阵,对角线为1 ,其余为0 |
np.ones_like(a) | 根据数组a的形状生成一个全1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 ,每个元素值都是val |
使用NumPy中其他函数创建ndarray数组
函数 | 说明 |
---|---|
np.linspace() | 根据起止数据等间距地填充数据,形成数组 endpoint=False表示最后一个位置填入数组 |
np.concatenate( ) | 将两个或多个数组合并成一个新的数组 |
ndarray数组的变换
对于创建后的ndarray数组,可以对其进行维度变换和元素类型变换
a = np.ones((2,3,4),dtype=np.int32)
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 |
.astype(new_type) | 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 |
.tolist() | 数组向列表转换 |
ndarray数组的操作
一维数组的索引和切片:与python相似
多维数组的索引:
多维数组的切片:
ndarray数组的运算
数组与标量之间的运算作用于数组的每一个元素
NumPy一元函数
函数 | 说明 |
---|---|
np.abs(x) np. fabs(x) | 计算数组各元素的绝对值 |
np.sqrt(x) | 计算数组各元素的平方根 |
np.square(x) | 计算数组各元素的平方 |
np.log(x) np.log10(x) np.log2(x) | 计算数组各元素的自然对数、10底对数和2底对数 |
np.ceil(x) np.floor(x) | 计算数组各元素的ceiling值或floor值 |
np.rint(x) | 计算数组各元素的四舍五入值 |
np. modf(x) | 将数组各元素的小数和整数部分以两个独立数组形式返回 |
np.cos(x) np. cosh(x) np.sin(x) np.sinh(x) np.tan(x) np. tanh(x) | 计算数组各元素的普通型和双曲型三角函数 |
np.exp(x) | 计算数组各元素的指数值 |
np. sign(x) | 计算数组各元素的符号值, 1(+), 0,-1(-) |
NumPy二元函数
函数 | 说明 |
---|---|
+ - * / ** | 两个数组各元素进行对应运算 |
np.maximum(x,y) np.fmax() np. minimum(x,y) np. fmin( ) | 元素级的最大值/最小值计算 |
np. mod(x,y) | 元素级的模运算 |
np. copysign(x,y) | 将数组y中各元素值的符号赋值给数组x对应元素 |
> < >= <= == != | 算术比较,产生布尔型数组 |