NumPy基础介绍
IPython的%魔术命令:
%magic:显示所有魔术命令
%hist:IPython命令的输入历史
%pdb:异常发生后自动进入调试器
%reset:删除当前 命名空间中的全部变量或名称
%who:显示Ipython当前命令空间中已经定义的变量
%time statement:给出代码的执行时间,statement表示一段代码
%timeit statement:多次执行代码,计算综合平均执行时间
数据
一维数据:由对等关系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)
一组数据的有序结构的区别:列表:数据类型可以不同;数组:数据类型相同
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
数据维度的python表示:一维数据:列表(有序)和集合(无序)类型;二维数据:列表类型;多维数据:列表类型;高维数据:字典类型或数据表示格式(JSON、XML、YAML格式)
NumPy
NumPy是一个开源的python科学计算基础库,一个强大 的N维数组对象ndarray,广播功能函数、整合C/C++/Fortran代码的工具,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。
N维数组对象:ndarray
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 。
ndarray实例:
np.array()生成一个ndarray数组,ndarray在程序中的别名是:array,np.array()输出成[]形式,元素由空格分割。
轴(axis):保存数据的维度,秩(rank):轴的数量
ndarray对象的属性:
.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n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
例:
a = np.array([0,1,2,3,4]
[9,8,7,6,5])
a.ndim
2
a.shape
(2,5)
a.size
10
a.dtype
dtype('int32')
a.itemsize
4
ndarray的元素类型:
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一致,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:[-232,231-1]
int64:64位长度的整数,取值:[-263,264-1]
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]
uint64:64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
complex128:复数类型,实部和虚部都是64位浮点数
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。
ndarray数组的创建方法:
-
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。
从列表类型创建,从元组类型创建,从列表和元组混合类型创建
-
使用NumPy中函数创建ndarray数组,如:arange,ones,zeros等
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,每个元素老师val
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的开关生成一个全0数组
np.full_like(a,val):根据数组a的形状生成一个数组,每个元素都是val
-
使用numPy中其他函数创建ndarray数组ndarray数组
np.linspace():根据起止等间距地填充数据,形成数组
np.concatenate():将两个或多个数组合并成一个新的数组
ndarray数组的维度变换
.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
NumPy一元函数对ndarray中的数据执行元素级运算的函数:
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.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:
+ - * / **:两个数组各元素进行对应运算
np.maximum(x,y) np.fmax() np.minmum(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