Numpy 的简单使用（一）

一.环境

本人使用的是Anaconda，免费的 Python 发行版，用于进行大规模数据处理、预测分析，和科学计算，致力于简化包的管理和部署。支持 Linux, Windows 和 Mac 系统。

二.ndarray对象

组成部分：

一个指向数据（内存或内存映射文件中的一块数据）的指针。

数据类型或 dtype，描述在数组中的固定大小值的格子。

一个表示数组形状（shape）的元组，表示各维度大小的元组。

一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。

三.numpy.array()函数

格式：numpy.array(object,dtype,copy,order,subok,ndmin)

object	数组或嵌套的数列
dtype	数组元素的数据类型，可选
copy	对象是否需要复制，可选
order	创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
subok	默认返回一个与基类类型一致的数组
ndmin	指定生成数组的最小维度

四.array()函数代码举例

import numpy as np
a = np.array([1,2,3])#一维数组
print(a)

b = np.array([[1,2],[3,4]])#二维数组
print(b)

import numpy as np 或import numpy 

这两种都需要在函数前加.

from numpy import *

不需要添加前缀

相同：两者都是导入numpy库的函数，变量，对象等

import numpy as np
a = np.array([[1,2,3],[4,5,6],[1,2,3]],ndmin = 4)#最小维度
print(a)


[[[[1 2 3]
   [4 5 6]
   [1 2 3]]]]

dtype的值可以是很多：

bool_	布尔型数据类型（True 或者 False）
int_	默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
intc	与 C 的 int 类型一样，一般是 int32 或 int 64
intp	用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）
int8	字节（-128 to 127）
int16	整数（-32768 to 32767）
int32	整数（-2147483648 to 2147483647）
int64	整数（-9223372036854775808 to 9223372036854775807）
uint8	无符号整数（0 to 255）
uint16	无符号整数（0 to 65535）
uint32	无符号整数（0 to 4294967295）
uint64	无符号整数（0 to 18446744073709551615）
float_	float64 类型的简写
float16	半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
float32	单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
float64	双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
complex_	complex128 类型的简写，即 128 位复数
complex64	复数，表示双 32 位浮点数（实数部分和虚数部分）
complex128	复数，表示双 64 位浮点数（实数部分和虚数部分）

五.numpy.dtype()函数

格式：numpy.dtype(object,align,copy)

dtype()代码举例

import numpy as np
a = np.dtype(np.int64)
print(a)


int64

创建数据类型代码举例

import numpy as np

dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)]) 
print(a)
a = np.array([(10),(20),(30)])
print(a)
a = np.array([(10,),(20),(30)],dtype = dt)
print(a)

[[10]
 [20]
 [30]]
[10 20 30]
[(10,) (20,) (30,)]

六.array的属性

也就是用一些函数求一些数组自身的特征，比如数组的维数，数组的大小。

ndim()用于求数组维数

import numpy as np
a = np.arange(24)
print(a.ndim)
a = a.reshape(2,4,3)
print(a.ndim)


1
3

shape()函数用于求数组的行列数或改变行列数

import numpy as np
a = np.array([[2,3],[4,5]])
print(a.shape)
a.shape=(1,4)
print(a)
print(a.shape)

(2, 2)
[[2 3 4 5]]
(1, 4)

reshape（）也可用于调整数组行列数

itemsize()可以返回元素大小

import numpy as np
a = np.array([1,2,3],dtype =float)
print(a.itemsize)

8

flags（）返回内存使用情况

import numpy as np
a = np.array([1,2,3],dtype =float)
print(a.flags)

 C_CONTIGUOUS : True
  F_CONTIGUOUS : True
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

属性	描述
C_CONTIGUOUS (C)	数据是在一个单一的C风格的连续段中
F_CONTIGUOUS (F)	数据是在一个单一的Fortran风格的连续段中
OWNDATA (O)	数组拥有它所使用的内存或从另一个对象中借用它
WRITEABLE (W)	数据区域可以被写入，将该值设置为 False，则数据为只读
ALIGNED (A)	数据和所有元素都适当地对齐到硬件上
UPDATEIFCOPY (U)	这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新

含义如上

七.快速创建数组的函数

empty（）方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组

格式如下：numpy.empty(shape, dtype = float, order = 'C')

import numpy as np
a = np.empty([2,3],dtype = float)
print(a)

[[0. 0. 0.]
 [0. 0. 0.]]

zeros()全零矩阵

import numpy as np
a = np.zeros((2,3),dtype = int)
print(a)
b = np.zeros(5)
print(b)

[[0 0 0]
 [0 0 0]]
[0. 0. 0. 0. 0.]

ones()全1矩阵

import numpy as np
a = np.ones((2,3),dtype = int)
print(a)
b = np.ones(5)
print(b)

[[1 1 1]
 [1 1 1]]
[1. 1. 1. 1. 1.]

八.从已有数组创建数组

asarray()函数可以将列表、元组、等转化为矩阵数组

import numpy as np
a = [(1,2,3),(2,3,4)]
s = np.asarray(a)
print(s)

[[1 2 3]
 [2 3 4]]

frombuffer实现动态数组

格式：numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)

参数	描述
buffer	可以是任意对象，会以流的形式读入。
dtype	返回数组的数据类型，可选
count	读取的数据数量，默认为-1，读取所有数据。
offset	读取的起始位置，默认为0。

import numpy as np
a  = b'hello cat'
s  = np.frombuffer(a,dtype='S1')
print(s)

[b'h' b'e' b'l' b'l' b'o' b' ' b'c' b'a' b't']

   至于为什么要加b，希望评论区能给一个好的解释。

fromiter（）方法从可迭代对象中建立 ndarray 对象，返回一维数组

格式numpy.fromiter(iterable, dtype, count=-1)

import numpy as np
list = range(5)
it  = iter(list)
x = np.fromiter(it,dtype = int)
print(x)


[0 1 2 3 4]