强大的Numpy - (Numpy基础知识 1) - 快看看你有那些不知道

---

学习内容来自菜鸟教程, 感谢菜鸟教程 🙇‍，如内容对您有帮助，欢迎点赞

Numpy简介

• NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
• NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发，2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。
• NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
  • 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
  • 线性代数、傅里叶变换、随机数生成等功能
• Numpy应用
  • NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用， 这种组合广泛用于替代 MatLab，是一个强大的科学计算环境，有助于我们通过 Python 学习数据科学或者机器学习。
  • SciPy 是一个开源的 Python 算法库和数学工具包。SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
  • Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。它为利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+ 向应用程序嵌入式绘图提供了应用程序接口（API）。

Numpy的安装

• 使用pip：pip install numpy scipy matplotlib
• 安装成功验证：

import numpy as np # 引入numpy数组
a = np.array([1,2,3,4])
print(a)

[1 2 3 4]

Numpy Ndarray对象

• NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。

• ndarray 对象是用于存放同类型元素的多维数组。

• ndarray 中的每个元素在内存中都有相同存储大小的区域。

• ndarray 内部由以下内容组成：

  • 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。跨度可以是负数，这样会使数组在内存中后向移动，切片中 obj[::-1] 或 obj[:,::-1] 就是如此。

• 创建一个 ndarray 只需调用 NumPy 的 array 函数即可：

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

• 参数说明

参数名称	参数描述
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

a = np.array([1, 2, 3, 4]) # 创建一维数组  
print(a)

[1 2 3 4]

a = np.array([[1,  2],  [3,  4]]) # 创建多维数组
print(a)

[[1 2]
 [3 4]]

a = np.array([1, 2, 3, 4], ndmin = 2); # 指定维度
print("value:", a)
print("shape:" ,a.shape)

value [[1 2 3 4]]
shape: (1, 4)

a = np.array([1, 2, 3], dtype = complex) # 指定数据类型
print("value:", a)
print("type:", a.dtype)

value: [1.+0.j 2.+0.j 3.+0.j]
type: complex128

• ndarray 对象由计算机内存的连续一维部分组成，并结合索引模式，将每个元素映射到内存块中的一个位置。内存块以行顺序(C样式)或列顺序(FORTRAN或MatLab风格，即前述的F样式)来保存元素。

NumPy 数据类型

• numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。下表列举了常用 NumPy 基本类型。

类型名称	类型描述
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）

• numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32，np.float32，等等。

数据类型对象 (dtype)

• 数据类型对象是用来描述与数组对应的内存区域如何使用，这依赖如下几个方面：
  • 数据的类型（整数，浮点数或者 Python 对象）
  • 数据的大小（例如， 整数使用多少个字节存储）
  • 数据的字节顺序（小端法或大端法）
  • 在结构化类型的情况下，字段的名称、每个字段的数据类型和每个字段所取的内存块的部分
  • 如果数据类型是子数组，它的形状和数据类型
• 字节顺序是通过对数据类型预先设定"<“或”>“来决定的。”<“意味着小端法(最小值存储在最小的地址，即低位组放在最前面)。”>"意味着大端法(最重要的字节存储在最小的地址，即高位组放在最前面)。
• dtype 对象是使用以下语法构造的：

np.dtype(object, align, copy)

• object - 要转换为的数据类型对象
• align - 如果为 true，填充字段使其类似 C 的结构体。
• copy - 复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用

# 使用内置类型
dt = np.dtype(np.int32) 
print(dt)

int32

# int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替
dt = np.dtype('i4')
print(dt)

int32

import numpy as np
# 字节顺序标注
dt = np.dtype('<i4')
print(dt)

int32

# 自定义结构化数据类型
dt = np.dtype([('name', str, 40),('age',np.int8)]) 
print('value:', dt)

value: [('name', '<U40'), ('age', 'i1')]

# 自定义结构化数据类型并应用于 ndarray 对象
dt = np.dtype([('name', str, 40),('age',np.int8)]) 
a = np.array([('alice', 18),('bob', 20),('jack', 19)], dtype = dt)
print('value:', a)
print('type:', a.dtype)

value: [('alice', 18) ('bob', 20) ('jack', 19)]
type: [('name', '<U40'), ('age', 'i1')]

# 类型字段名可以用于存取单独一列
dt = np.dtype([('name', str, 40),('age',np.int8)]) 
a = np.array([('alice', 18),('bob', 20),('jack', 19)], dtype = dt)
print('value:', a)
print('type:', a.dtype)
print('names:', a['name'])
print('age:', a['age'])

value: [('alice', 18) ('bob', 20) ('jack', 19)]
type: [('name', '<U40'), ('age', 'i1')]
names: ['alice' 'bob' 'jack']
age: [18 20 19]

---

学习内容来自菜鸟教程, 感谢菜鸟教程 🙇‍，如内容对您有帮助，欢迎点赞