numpy模块（2）

接着之前的文章，这次来了解下numpy的数据类型、基本运算、和切片。

数据类型

dtype（数据类型）是⼀个特殊的对象，它含有ndarray将⼀块内存解释为特定数据类型所需的信息。可以用dtype来查看数组类型、也可以采用astype来进行数据类型转换。

In	[33]:	arr1	=	np.array([1,	2,	3],	dtype=np.float64)
In	[34]:	arr2	=	np.array([1,	2,	3],	dtype=np.int32)
In	[35]:	arr1.dtype
Out[35]:	dtype('float64')
In	[36]:	arr2.dtype
Out[36]:	dtype('int32')
In	[37]:	arr	=	np.array([1, 2,	3, 4, 5])
In	[38]:	arr.dtype
Out[38]:	dtype('int64')
In	[39]:	float_arr	=	arr.astype(np.float64)
In	[40]:	float_arr.dtype
Out[40]:	dtype('float64')

注意：

整数被转换成了浮点数。如果将浮点数转换成整数，则⼩数部分将会被截取删除。

其支持的所有数据类型如下表所示：

numpy所支持的数据类型

类型	类型代码	说明
int8，uint8	i1,u1	有符号和无符号的8位（1个字节）整型
int16,uint16	i2,u2	有符号和无符号的16位（2个字节）整型
int32,uint32	i4,u4	有符号和无符号的32位（4个字节）整型
int64,uint64	i8,u8	有符号和无符号的64位（8个字节）整型
float16	f2	半精度浮点数
float32	f4或f	标准的单精度浮点数。与c的float兼容
float64	f8或d	标准的双精度浮点数。与C的double和Python的float对象兼容。
float128	f16或g	扩展精度浮点数
complex64、complex128、complex256	c8、c16、c32	分别用两个32位，64位或128位浮点数表示的附属
object	O	Python对象类型
bool	?	存储True和False值得布尔类型
string_	S	固定长度的字符串类型（每个字符1个字节）
Unicode_	U	固定长度的Unicode类型（字节数由平台决定）

Numpy数组的基本运算

数组很重要，因为它使你不⽤编写循环即可对数据执⾏批量运算。NumPy ⽤户称其为⽮量化（ vectorization ）。⼤⼩相等的数组之间的任何算术运算都会将运算应⽤到元素级：

In	[51]:	arr	=	np.array([[1.,	2.,	3.], [4.,	5.,	6.]])
In	[52]:	arr
Out[52]:	array([[1.,	2.,	3.],
							[4., 5., 6.]])
In	[53]:	arr	*	arr
Out[53]:	
array([ 1.,	4.,	9.],
					[ 16., 25. , 36.]])
In	[54]:	arr	-	arr
Out[54]:	
array([[ 0., 0., 0.],
					[ 0., 0., 0.]])

数组与标量的算术运算会将标量值传播到各个元素：

In	[55]:	1	/	arr
Out[55]:	
array([[	1.	,	0.5	 ,	0.3333],
							[ 0.25	, 0.2 ,	0.1667]])
In	[56]:	arr	**	0.5
Out[56]:	
array([[	1. , 1.4142, 1.7321],
				[	2.	, 2.2361, 2.4495]])

Numpy基本的切片和索引

numpy的数组索引和切片大致类似与Python列表的功能差不多。

In	[60]:	arr	=	np.arange(10)
In	[61]:	arr
Out[61]:	array([0,	1,	2,	3,	4,	5,	6,	7,	8,	9])
In	[62]:	arr[5]
Out[62]:	5
In	[63]:	arr[5:8]
Out[63]:	array([5,	6,	7])
In	[64]:	arr[5:8]	=	12
In	[65]:	arr
Out[65]:	array([	0,	1,	2,	3,	4,	12,	12,	12,	8,  9])
#做一个array的切片
In	[66]:	arr_slice	=	arr[5:8]
In	[67]:	arr_slice
Out[67]:	array([12,	12,	12])
In	[68]:	arr_slice[1]	=	12345
In	[69]:	arr
Out[69]:	array([	0,	1,	2,	3,	4, 12,	12345, 12,	8, 9])

如上代码所示，当你将⼀个标量值赋值给⼀个切⽚时（如 arr[5:8]=12），该值会⾃动传播（也就说后⾯将会讲到的 “ ⼴播” ）到整个选区。跟列表最重要的区别在于，数组切⽚是原始数组的视图。当修改其中的值，原数组也会发生变化。

In	[72]:arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
In	[73]:arr2d[2]
Out[73]:	array([7,	8,	9])
In	[74]:	arr2d[0][2]
Out[74]:	3
In	[75]:	arr2d[0,	2]
Out[75]:	3

对于⾼维度数组，能做的事情更多。在⼀个⼆维数组中，各索引位置上的元素不再是标量⽽是⼀维数组。因此，可以对各个元素进⾏递归访问，但这样需要做的事情有点多。你也可以传⼊⼀个以逗号隔开的索引列表来选取单个元素。