python中ndarray对象_Python3NumPy——ndarray对象

Python3NumPy——ndarray对象

1.前沿

推荐导入语法：import numpy as np

NumPy中使用ndarray对象表示数组，ndarray是NumPy库的核心对象

2.创建ndarray对象

函数array()传递Python序列创建数组

import numpy as np #导入Numpy库，给出别名为np

x1 = np.array([1,2,3,4,5,6])

print('-'*20 + '第EX1个例子' + '-'*20)

print('EX1=>传递参数为单列表，创建的1维数组x1为： {}'.format(x1))

print('EX1=>x1的形状为元组类型： {}'.format(x1.shape))

print('-'*20 + '第EX2个例子' + '-'*20)

x2 = np.array([[1,2,3],[4,5,6],[7,8,9]])

print('EX2=>传递参数为嵌套列表，创建的2维数组x2为： \n{}'.format(x2))

print('EX2=>x2的形状为元组类型： {}'.format(x2.shape))

print('-'*20 + '第EX3个例子' + '-'*20)

x3 = np.array((7,8,9,10))

print('EX3=>传递参数为单元组，创建的1维数组x3为： {}'.format(x3))

print('EX3=>x3的形状为元组类型： {}'.format(x3.shape))

print('-'*20 + 'End' + '-'*20)

--------------------第EX1个例子--------------------

EX1=>传递参数为单列表，创建的1维数组x1为： [1 2 3 4 5 6]

EX1=>x1的形状为元组类型： (6,)

--------------------第EX2个例子--------------------

EX2=>传递参数为嵌套列表，创建的2维数组x2为：

[[1 2 3]

[4 5 6]

[7 8 9]]

EX2=>x2的形状为元组类型： (3, 3)

--------------------第EX3个例子--------------------

EX3=>传递参数为单元组，创建的1维数组x3为： [ 7 8 9 10]

EX3=>x3的形状为元组类型： (4,)

--------------------End--------------------

Note:补充知识=》修改数组形状，修改后的形状后，其元素在内存中的位置并未改变；只是改变了轴的长度。

X = np.array([[1,2,3,4],[5,6,7,8],[7,8,9,10]])#X传递参数为嵌套列表，创建的2维

print('原型状数组X为(3行,4列)： \n{}'.format(X))

print('X的形状为元组类型(0轴长度为3，1轴为4)： {}'.format(X.shape))

print('-'*20 + '第一次修改X的形状' + '-'*20)

X.shape = 4, 3

print('第一次修改形状后数组X为(4行,3列)： \n{}'.format(X))

print('-'*20 + '第二次修改X的形状' + '-'*20)

X.shape = 2, -1 # -1表示自动计算1轴的长度，结果为6

print('第二次修改形状后数组X为(2行,6列)： \n{}'.format(X))

print('='*50)

print('-'*20 + '指定形状数组：reshape()方法' + '-'*20)

a = np.array([1,2,3,4,5,6,7,8,9])

print('原型状数组a为(1行,9列)： \n{}'.format(a))

a1 = a.reshape((3,3))

print('变换为3X3数组a1为(3行,3列)： \n{}'.format(a1))

print('再次打印a数组为： \n{}'.format(a))

a[0] = 100

print('修改a的第一个元素的值为100后a为： \n{}'.format(a))

print('修改a的第一个元素的值为100后a1为： \n{}'.format(a1))

print('表明：a和a1共享存储空间')

原型状数组X为(3行,4列)：

[[ 1 2 3 4]

[ 5 6 7 8]

[ 7 8 9 10]]

X的形状为元组类型(0轴长度为3，1轴为4)： (3, 4)

--------------------第一次修改X的形状--------------------

第一次修改形状后数组X为(4行,3列)：

[[ 1 2 3]

[ 4 5 6]

[ 7 8 7]

[ 8 9 10]]

--------------------第二次修改X的形状--------------------

第二次修改形状后数组X为(2行,6列)：

[[ 1 2 3 4 5 6]

[ 7 8 7 8 9 10]]

==================================================

--------------------指定形状数组：reshape()方法--------------------

原型状数组a为(1行,9列)：

[1 2 3 4 5 6 7 8 9]

变换为3X3数组a1为(3行,3列)：

[[1 2 3]

[4 5 6]

[7 8 9]]

再次打印a数组为：

[1 2 3 4 5 6 7 8 9]

修改a的第一个元素的值为100后a为：

[100 2 3 4 5 6 7 8 9]

修改a的第一个元素的值为100后a1为：

[[100 2 3]

[ 4 5 6]

[ 7 8 9]]

表明：a和a1共享存储空间

3.元素类型

采用dtype属性获取

创建ndarray对象时，可以指定元素类型

元素数据类型转换方法：astype()

xi = np.array([1,2,3,4],dtype=np.int32) #指定整形

print('xi的类型为： {}'.format(xi.dtype))

print('-'*20 + 'End' + '-'*20)

xf = np.array([1,2,3,4],dtype=np.float) #指定浮点型

print('xf的类型为： {}'.format(xf.dtype))

print('-'*20 + 'End' + '-'*20)

xc = np.array([1,2,3,4],dtype=np.complex) #指定为复数型

print('xc的类型为： {}'.format(xc.dtype))

print('-'*20 + 'End' + '-'*20)

xi的类型为： int32

--------------------End--------------------

xf的类型为： float64

--------------------End--------------------

xc的类型为： complex128

--------------------End--------------------

print("numpy中去重的数据类型：")

set(np.typeDict.values())

numpy中去重的数据类型：

{numpy.uint16,

numpy.complex64,

numpy.complex128,

numpy.timedelta64,

numpy.int32,

numpy.uint8,

numpy.float64,

numpy.void,

numpy.int64,

numpy.uint32,

numpy.object_,

numpy.int8,

numpy.int32,

numpy.uint64,

numpy.int16,

numpy.uint32,

numpy.str_,

numpy.datetime64,

numpy.float32,

numpy.bool_,

numpy.float64,

numpy.complex128,

numpy.float16,

numpy.bytes_}

print('xi.dtype的为： {}'.format(xi.dtype))

print('xi.dtype.type的为： {}'.format(xi.dtype.type))

xi.dtype的为： int32

xi.dtype.type的为：

print('-'*20 + '数据类型导致的溢出问题' + '-'*20)

xi16 = np.int16(200)

print('xi16 X xi16的结果溢出，计算出现错误： {}'.format(xi16*xi16))

--------------------数据类型导致的溢出问题--------------------

xi16 X xi16的结果溢出，计算出现错误： -25536

C:\Anaconda3\lib\site-packages\ipykernel\__main__.py:3: RuntimeWarning: overflow encountered in short_scalars

app.launch_new_instance()

NumPy的数值对象的运算速度比Python的内置类型的运算速度慢很多，如果程序中需要大量地单个数值运算，避免使用NumPy的数值对象。

print('-'*20 + '数据类型导致的时间问题' + '-'*20)

v1 = 3.14

v2 = np.float64(v1)

%timeit v1*v1

%timeit v2*v2

--------------------数据类型导致的时间问题--------------------

10000000 loops, best of 3: 46.6 ns per loop

The slowest run took 35.90 times longer than the fastest. This could mean that an intermediate result is being cached.

10000000 loops, best of 3: 129 ns per loop

t1 = np.array((1,2,3,4,5), dtype=np.float)

print('转换数据类型为int32')

t11 = t1.astype(np.int32)

print(t11)

print('-'*40)

t2 = np.array((1,2,3,4), dtype=np.complex)

print('转换数据类型为complex64')

t22 = t2.astype(np.complex64)

print(t22)

转换数据类型为int32

[1 2 3 4 5]

----------------------------------------

转换数据类型为complex64

[1.+0.j 2.+0.j 3.+0.j 4.+0.j]