科学计算库NumPy

一、认识NumPy数组对象

NumPy中最重要的一个特点就是其N维数组对象，即ndarray（别名array）对象，该对象可以执行一些科学计算。

属性	具体说明
ndarray.ndim	维度个数，也就是数组轴的个数，比如一维、二维、三维等
ndarray.shape	数组的维度。这是一个整数的元组，标识每个维度上数组的大小。例如，一个n行和m列的数组，它的shape属性为（n,m）
ndarray.size	数组元素的总个数，等于shape属性中元组元素的乘积
ndarray.dtype	描述数组中元素类型的对象，既可以使用标准的Python类型创建或指定，也可以使用NumPy特有的数据类型来指定，比如numpy.int32、numpy.float64等
ndarray.itemsize	数组中每个元素的字节大小。例如，元素类型为float64的数组有8（64/8）个字节，这相当于ndarray.dype.itemsize

二、创建NumPy数组

最简单的创建ndarray对象的方式是使用array()函数，在调用该函数时传入一个列表或者元组。

# 创建一个一维数组

data1 = np.array([1, 2, 3])

# 创建一个二维数组

data2 = np.array([[1, 2, 3], [4, 5, 6]])

 通过zeros()函数创建元素值都是0的数组；通过ones()函数创建元素值都为1的数组。

# 创建元素值全是0的数组

np.zeros((3, 4))

# 创建元素值全是1的数组

np.ones((3, 4))

 通过empty()函数创建一个新的数组，该数组只分配了内存空间，它里面填充的元素都是随机的。

# 创建元素值全是随机数的数组

np.empty((5, 2))

 通过arange()函数可以创建一个等差数组，它的功能类似于range()，只不过arange()函数返回的结果是数组，而不是列表。

np.arange(1, 20, 5)

三、ndarray对象的数据类型

查看数据类型

ndarray.dtype可以创建一个表示数据类型的对象，如果希望获取数据类型的名称，则需要访问name属性进行获取。

data_one = np.array([[1, 2, 3], [4, 5, 6]])

data_one.dtype.name 

 NumPy的数据类型是由一个类型名和元素位长的数字组成。

通 过 zeros() 、 ones() 、 empty() 函数创建的数 组 ，默认的 数 据类型为 float64 。

默认情况下，64 位 windows 系统输出的结果为 int32 ， 64 位 Linux 或 macOS 系统输出结果为 int64 ，当然也可以通过 dtype 来指定数据类型的长度 。

 NumPy中常用的数据类型

数据类型	含义
bool	布尔类型，值为True或者False
int8、uint8	有符号和无符号的8位整数
int16、uint16	有符号和无符号的16位整数
int32、uint32	有符号和无符号的32位整数
int64、uint64	有符号和无符号的64位整数
float16	半精度浮点数（16位）
float32	半精度浮点数（32位）
float64	半精度浮点数（64位）
complex64	复数，分别用两个32位浮点数表示实部和虚部
complex128	复数，分别用两个64位浮点数表示实部和虚部
object	Python对象
string_	固定长度的字符串类型
Unicode	固定长度的Unicode类型

每一个NumPy内置的数据类型都有一个特征码，它能唯一标识一种数据类型。

特征码	含义
b	布尔型
u	无符号整型
c	复数类型
S，a	字节字符串
V	原始数据
i	有符号整型
f	浮点型
O	Python对象
U	Unicode字符串

 转换数据类型

ndarray对象的数据类型可以通过astype()方法进行转换。

data = np.array([[1, 2, 3], [4, 5, 6]])

data.dtype

# 数据类型转换为float64

float_data = data.astype(np.float64)

float_data.dtype