NumPy 入门

最新推荐文章于 2024-07-14 22:18:32 发布

荼白不是茶白

最新推荐文章于 2024-07-14 22:18:32 发布

阅读量1.6k

点赞数 1

分类专栏： python 文章标签： python 数据可视化 numpy

本文链接：https://blog.csdn.net/qq_45404853/article/details/120830931

版权

python 专栏收录该内容

6 篇文章 1 订阅

订阅专栏

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

荼白不是茶白

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
NumPy 入门

NumPy 入门数据的维度一维数据列表和数组二维数据多维数据高维数据数据维度的Python表示NumPyNumPy的引用N维数组对象: ndarrayndarray实例ndarray对象的属性ndarray数组的元素类型非同质的ndarray对象从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等使用NumPy中其他函数创建ndarray数组ndarray数组的变换ndarray数组的操作ndarray数组的运算Nu
复制链接

扫一扫