pythonnumpy模块_python模块 - numpy

numpy - 基础数组操作

基础

数据分析及机器学习底层库，C语言实现，提供基础数值计算

核心是多维数组的操作，减少python对多维数组操作时的循环

numpy.ndarray类表示n维数组类

ndarray对象在内存中储存内容

元数据：描述数组信息，如ndim、dimensions、dtype、data等

实际数据：和元数据分离，一定程度减少实际数据访问，提高性能

特点

同质性：数组所有元素必须是相同类型

数组下标：从0开始

array对象

数据类型

类型

符号

字符码(进行类型转换，自定义符合类型标注)

布尔

bool_

?

有符号整数

int8(-128~127)/int16/32/64

i1/i2/i4/i8

无符号整数

uint8(0~255)/uint16/32/64

u1/u2/u4/u8

浮点数

float/16/32/64

f2/f4/f8

复数

complex64/128

c8/c16

字符串

str_

U

日期

datetime64

M8[Y] M8[M] M8[D] M8[h] M8[m] M8[s]

日期 datetime64

常见格式：‘年‘, ‘年-月-日‘, ‘年-月-日 时:分:秒‘

规范化：可对不同精确度的时间精确到统一时间单位 array.astype(‘M8[Y/M/D/h/m/s]‘)

可进行减操作得到时间差，精确到数据中最小时间单位

自定义复合类型

# 实例

data=[

(‘zs‘, [90, 80, 85], 15),

(‘ls‘, [92, 81, 83], 16),

(‘ww‘, [95, 85, 95], 15)

]

# 方法一：字符串对应每条数据格式

# 创建

a = numpy.array(data,dtype=‘U3, 3int32, int32‘)

# 访问

a[0][‘f0‘] # ‘zs‘

# 方法二：字典对应每条数据字段名称

# 创建

c = np.array(data, dtype={‘names‘: [‘name‘, ‘scores‘, ‘ages‘],

‘formats‘: [‘U3‘, ‘3int32‘, ‘int32‘]})

# 访问

c[0][‘name‘] # ‘zs‘

# 方法三：列表对应每条数据字段名称

# 创建

b = np.array(data, dtype=[(‘name‘, ‘str_‘, 2),

(‘scores‘, ‘int32‘, 3),

(‘ages‘, ‘int32‘, 1)])

# 访问

b[0][‘name‘] # ‘zs‘

创建：

numpy.array([]) 普通一维数组

numpy.arange(start,end,step) 从起始值到终止值按指定步长生成数组

numpy.zeros(count,dtype=‘类型‘) 生成count个0组成的一维数组

numpy.ones(count,dtype=‘类型‘) 生成count个1组成的一维数组

属性

可查看和修改部分属性

维度(每层元素个数) array.shape

维数 array.ndim

元素类型 array.dtype

个数类

总元素个数 array.size [[1,2],[3,4]]的size为4

最外层元素数 len(array) [[1,2],[3,4]]的len为2

元素字节数 itemsize

总字节数 nvytes

复数

实数部 real

虚数部 iamg

迭代器 flat

array[索引] [0][0][0]==[0,0,0]

操作

偏移缩放转置：

每个元素进行相同操作

+、-、*、/、**、T

遍历(扁平迭代器)

elem for elem in a.flat

类型转换：

array.astype(type) 类型强制转换

变维：

就地变维：改变源数据格式

视图变维：数据不同展示形式

复制变维：复制出新的独立数据

变维类型

方法

描述

数据是否共享

就地变维

shape()

转为指定格式，无返回值

共享(本身)

就地变维

resize()

转为指定格式，无返回值

共享(本身)

视图变维

reshape()

转为指定格式，返回新数组对象

共享(同一数据)

视图变维

reval()

退化为一维，返回新数组对象

共享共享(同一数据)

复制变维

flatten()

退化为一维，返回新数组对象

不共享(不同数据)

array1 = numpy.arange(1,9) # 1*8 一维数组

array1.shape(2,4) # 2*4 二维数组

array1.resize(2,4) # 2*4 二维数组

array2 = array1.reshape(2,4) # 2*4 二维数组

array1 = numpy.arange(1,9) # 1*8 一维数组

array1.shape(2,2,2) # 2*2*2 三维数组

array1.resize(2,2,2) # 2*2*2 三维数组

array3 = array1.reshape(2,2，2) # 2*2*2 三维数组

array4 = array3.reval() # 1*8 一维数组

array1 = numpy.arange(1,9) # 1*8 一维数组

array5 = array1.flatten() # 1*8 一维数组

array1,array2,array3,array4 共享数据

array5 独立数据

案例：

生成3*3*3的三维数组，元素为1到27

array1 = numpy.arange(1,28).resize(3,3,3)

切片：

array([start: end: step，start: end: step，start: end: step])根据维度切出指定页行列

# 一维数组

a = numpy.arange(1, 10)

# 1 2 3 4 5 6 7 8 9

# 正序

print(a[::]) # 1 2 3 4 5 6 7 8 9

print(a[:]) # 1 2 3 4 5 6 7 8 9

# 倒序

print(a[::-1]) # 9 8 7 6 5 4 3 2 1

# 省略start，倒推到边界，step=1就end-1倒推，step=-1就end+1倒推

print(a[:4:-1]) # 9 8 7 6 相当于[8:4:-1]

print(a[:-4:-1]) # 9 8 7 相当于[-1:-4:-1]

# 省略end，正推到边界，step=1就start+1正推，step=-1就start-正推

print(a[7::-1]) # 8 7 6 5 4 3 2 1 相当于[7:-1:-1]

print(a[-7::-1]) # 3 2 1 相当于[-7:-10:-1]

掩码：根据指定条件进行筛选

array = numpy.arange(1, 5)

mask = [True, False,True, False,True]

print(array[mask])

# array([1,3,5])

print(array[array>3])

# array([4,5])

print(array>3)

# array([False, False,True, True,True])

合并拆分

水平方向

合并 c = numpy.hstack((a,b))/row_stack((a,b))

等分a,b = numpy.hsplit(c,2)

a = numpy.arange(1,1+6).reshape(2,3)

# array([[1,2,3],

# [4,5,6]])

b = numpy.arange(1+6,1+12).reshape(2,3)

# array([[7,8,9],

# [10,11,12]])

c = numpy.hstack((a,b))

# array([[1,2,3,7,8,9],

# [4,5,6,10,11,12]])

d,e = numpy.hsplit(c,2)

# d同a，e同b

垂直方向

合并c = numpy.vstack((a,b))/column_stack((a,b))

等分a,b = numpy.vsplit(c,2)

a = numpy.arange(1,1+6).reshape(2,3)

# array([[1,2,3],

# [4,5,6]])

b = numpy.arange(1+6,1+12).reshape(2,3)

# array([[7,8,9],

# [10,11,12]])

c = numpy.vstack((a,b))

# array([[1,2,3],

# [4,5,6],

# [7,8,9],

# [10,11,12]])

d,e = numpy.vsplit(c,2)

# d同a，e同b

深度方向

合并c = numpy.dstack((a,b))，等分a,b = numpy.dsplit(c,2)

a = numpy.arange(1,1+6).reshape(2,3)

# array([[1,2,3],

# [4,5,6]])

b = numpy.arange(1+6,1+12).reshape(2,3)

# array([[7,8,9],

# [10,11,12]])

c = numpy.dstack((a,b))

# array([[[1,7],

# [2,8],

# [3,9]],

# [[4,10],

# [5,11],

# [6,12]]])

d,e = numpy.dsplit(c,2)

# array([[[1],

# [2],

# [3]],

# [[4],

# [5],

# [6]]])

通用方法

合并c = numpy.concatenate((a,b),axis=0)

等分a,b = numpy.dsplit(c,2,,axis=0)