写在前面
最近在系统的看一些python科学计算开源包的内容，虽然以前是知道一些的，但都属于零零碎碎的，希望这次能把常用的一些函数、注意项整理下。小白的一些废话，高手请略过^ _ ^。文章中的函数仅仅是为了自己好理解，并没有按照官方文档上的函数声明形式记录。
numpy.narray
numpy.narray创建
numpy.narray的构造方式挺多的，这里就不一一说明，因为一般情况下，在进行科学计算时是通过给定的数据文件来读取的，而读取时使用的是pandas，具体可参考官方文档，或者参见这位大牛的文章。
numpy.narray.shape & numpy.narray.reshape
numpy.narray的形状可以用numpy.narray.shape属性来获取，它返回的是narray形状的tuple，反映了各个轴的长度。
na_a = np.array([1,2,3,4]) #长度为4的一维数组
na_b = np.array([[1,2,3,4],[5,6,7,8]]) #2行4列的二维数组
out:
#print na_a
[1 2 3 4]
#print na_b
[[1 2 3 4]
[5 6 7 8]]
#print na_a.shape
(4,)
#print na_b.shape
(2, 4)
numpy.narray.shape相当于一个c++的public成员，不仅可以获取，还可以通过它改变narray的形状。当某一轴指定为-1时，该轴的长度将通过其他轴来计算。
na_b.shape = (4,2)
na_a.shape = (2,-1)
out:
#print na_b
[[1 2]
[3 4]
[5 6]
[7 8]]
#print na_a
[[1 2]
[3 4]]
需要注意的是：通过shape属性改变narray的形状时，并没对narray元素内存中的位置改变，只是改变了外观，仅仅是换了件马甲。
当然，如果你熟悉了使用函数，不想使用属性来改变形状时，可以通过narray.reshape()，注意的是该函数返回的结果和原narray共享内存空间，换句话说，一个narray对象的改变将导致另一个narray也发生相应的改变。
na_c = na_b.reshape((4,2))
na_c[0][0] = 100
out:
#print na_c
[[1 2]
[3 4]
[5 6]
[7 8]]
#print na_c
[[100 2]
[ 3 4]
[ 5 6]
[ 7 8]]
#print na_b
[[100 2]
[ 3 4]
[ 5 6]
[ 7 8]]
numpy.narray.dtype
narray元素的类型可以使用dtype属性来获取，当然也可以在构造narray对象时指定元素的类型，需要注意的是，在numpy中float是64位，而complex是128位的。这里的float和complex是python内置的数据类型，numpy也定义了自己的float等数据类型，而且更加的细化，比如float类型，numpy就有float16、float32、float64和float128.
af = np.array([1,2,3,4], dtype=float)
ac = np.array([5,6,7,8], dtype=complex)
af.dtype
ac.dtype
dtype('float64')
dtype('complex128')
python的完整数据类型中有大部分是所占字节来细化的，完整的数据在typeDict中定义，可通过numpy.typeDict.values()来获取完整类型。numpy在多维数组上的计算很高效，但是在数值对象计算上却比python慢很多，所以在进行数值计算时应避免使用numpy。
numpy.narray.astype() 类型转换
numpy.narray.astype() 可以对narray对象中元素逐一进行类型转换。
a = np.array([1,2,3,4], dtype=np.float)
a.dtype
dtype('float64')
b = a.astype(np.int32)
b.dtype
dtype('int32')
c.dtype
c = a.astype(np.complex)
c.dtype
dtype('complex128')
numpy.narray的自动生成
1.np.arange(start,end,step,dtype) 指定开始值、终值和步长生成一个等差数列，生成的narray中不包括end值。
2.np.linspace(start, end, element_nums, endpoint,dtype) 指定开始值、终值和元素个数生成一个等差数列，通过endpoint指定包不包括end，默认为True。
3.np.logspace(start, end, element_nums, base, endpoint,dtype) endpoint默认为True，base默认为10，该函数产生一个等比数列，元素为
4.np.zeros(dim，dtype)对维度为dim的narray对象初始化为0，数据类型为dtype
5.np.ones(dim, dtype) 对维度为dim的narray对象初始化为1，数据类型为dtype
6.np.empty(dim,dtype) 该函数相当于对narray对象分配内存空间，但不进行初始化，所以切不可认为产生的元素为0。
7.np.full(dim, val, dtype) 产生维度为dim的narray对象并且全部初始为val，前面的zeros()和ones()可看作该函数的特殊形式。
8.上面函数的like版本，即np.zeros_like(object) 、np.ones_like(object) 、np.empty_like(object) 、np.full_like(object) ，这里的object是narray对象，这些函数产生的narray对象和上面一样，但narray的维度(shape)以及数据类型(dtype)是和传入的参数一样的，例如np.zeros_like(object) ==np.zeros(object.shape, object.dtype)。
9.fromstring(s, dtype)这个函数是比较又意思的，将字符串转换为一个narray对象， 我们先看看这个函数输出情况。
s="abcdefgh"
np.fromstring(s)
array([ 8.54088322e+194]) ## 这是什么鬼？
### 输出一下dtype呢？
dtype('float64')
显然，这里是按照float64类型存放的，那如果换一个数据类型呢？
np.fromstring(s,dtype=np.int8)
array([ 97, 98, 99, 100, 101, 102, 103, 104], dtype=int8)
这个学过c语言的都应该知道是ASCII编码，也就可以看出，在python中一个字符是占8位，即一个字节的，继续看：
np.fromstring(s,dtype=np.int16)
array([25185, 25699, 26213, 26727], dtype=int16)
这里改变数据类型位2个字节，那么应该是两个字符联立一起表示一个int16，25185=98*256+97，高位存放在低字节中，这是小端模式。OK，那如果我现在要存放的是[‘a','b'…'h']这样的narray对象呢？数据类型是什么？应该是‘|s1'
np.fromstring(s,'|S1')
array(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'],
dtype='|S1')
frombuffer()也可以创建的narray对象，但此时创建的narray对象和原字符串是内存共享的，学过c++的都知道，string类型是只读类型，无法修改，所以在frombuffer()创建的narray无法做修改，如果要修改，请用fromstring()。
. fromfunction(fun, dim)通过自定义函数接口来创建narray对象，fun是一个函数名(看作指针)，dim是一个创建对象的维度。
def fun(i):
return i%4+1
np.fromfunction(fun,(10,))
array([ 1., 2., 3., 4., 1., 2., 3., 4., 1., 2.])
可见利用fromfunction()创建narray时，参数i是从0开始自增的，自增的次数是维度的大小给定的，上面给定的维度位(10，)，是一个一维数组，i从0自增到9(共10次)。看另外一个例子：
def fun2(i,j):
return (i+1)*(j+1)
np.fromfunction(fun2,(9,9))
array([[ 1., 2., 3., 4., 5., 6., 7., 8., 9.],
[ 2., 4., 6., 8., 10., 12., 14., 16., 18.],
[ 3., 6., 9., 12., 15., 18., 21., 24., 27.],
[ 4., 8., 12., 16., 20., 24., 28., 32., 36.],
[ 5., 10., 15., 20., 25., 30., 35., 40., 45.],
[ 6., 12., 18., 24., 30., 36., 42., 48., 54.],
[ 7., 14., 21., 28., 35., 42., 49., 56., 63.],
[ 8., 16., 24., 32., 40., 48., 56., 64., 72.],
[ 9., 18., 27., 36., 45., 54., 63., 72., 81.]])
行可以看作j的自增，列可以看作i的自增，所以可以看作是两个for循环。
numpy.narray的元素存取
可以按照python中list存取元素的方式。
a = np.arange(10) #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
a[5] #5
a[3:5] #[3,4]
a[:5] #[0,1,2,3,4]
a[:-1] #[0, 1, 2, 3, 4, 5, 6, 7, 8]
### 也可以指定步长，通过第三个数指定
a[1:-1:2] #从开始到结束，没隔两个数取一次 array([1, 3, 5, 7])
a[5:1:-2] #反向取 array([5, 3])
注意，通过这种方式取的新narray和原始narray内存共享，所以任何一个改变，另一个也将改变。 除此之外，numpy还提供了一下几个存取方式： 使用list存取，list的每个元素作为下标，这种方式得到的新narray和原始narray不共享内存。
a = np.arange(10)
a[[1,1,7,7]] #array([1, 1, 7, 7])
使用narray提取新数组，narray的元素作为下标，得到的新narray维度和参数narray维度相同。这个有点绕，看个例子吧：
a[np.array([2,1,3,6])] #array([2, 1, 3, 6])
a[np.array([[2,1,3,6],[7,4,6,1]])]
##
## array([[2, 1, 3, 6],
[7, 4, 6, 1]])
使用bool数组提取，提取bool数组中为True的下标元素：
a[np.array([True, False,True,False,False,False,True,False,False,False])]
## array([0, 2, 6])
a[np.array([True,False,True,False,False,False,True,False,False,False])]=-1,-2,-3
print a #array([-1, 1, -2, 3, 4, 5, -3, 7, 8, 9])
多维数组
请先看一张图：
左边是用切片方式提取右边6*6的narray对象元素。这种提取元素方式和原narray对象内存共享。
这里个人的理解，利用切片方式提取的新narray和原narray是内存共享的，而使用列表、bool数组等方式则不共享，原因很简单，利用切片方式，例如a[3:5]，是从第三个元素到第5个元素(不包括)，那么是用元素所占字节来移动的，就像c中的指针，这样比较便利。而其他方式是用下标，这些下标往往不连续，如果用指针方式的话则要来回移动，比较麻烦。所以不提供内存共享这种方式。
在这之前我们使用切片都是通过在[]中指定起点、终点以及步长，如果要单独创建切片对象呢？使用slice对象，创建的方式很简单，把[]中的:替换为None。
a = np.arange(0,60,10).reshape(-1,1)+np.arange(6)
### 广播，后面会说到
array([[ 0, 1, 2, 3, 4, 5],
[10, 11, 12, 13, 14, 15],
[20, 21, 22, 23, 24, 25],
[30, 31, 32, 33, 34, 35],
[40, 41, 42, 43, 44, 45],
[50, 51, 52, 53, 54, 55]])
a[::2,2:]
##
array([[ 2, 3, 4, 5],
[22, 23, 24, 25],
[42, 43, 44, 45]])
idx = slice(None,None,2),slice(2,None)
a[idx]
##
array([[ 2, 3, 4, 5],
[22, 23, 24, 25],
[42, 43, 44, 45]])
同时，numpy提供了IndexExpression类的对象s_来方便slice的创建。
np.s_[::2,2:]
##
(slice(None, None, 2), slice(2, None, None))
结构体数组
numpy提供了和c类似的结构体数组，并且相互之间能够读取，以一个例子来说明：
## 创建persontype类型
persontype=np.dtype({
'names':['name','age','weight'],
'formats':['S30','i','f']}, align=True)
## 创建结构体数组
a=np.array([("zhang",20,55.5), ("wang",24,65.2)], dtype=persontype)
persontype有两个key，names和formats，names是以字典的方式标明结构体所含的字段，formats是对相应字段的数据类型。S30表示长度不超过30个字节的字符串，i相当于np.int32，f相当于np.float32，下面创建结构体数组的时候指定数据类型是我们创建的persontype。
## print a
array([('zhang', 20, 55.5 ), ('wang', 24, 65.19999695)],
dtype={'names':['name','age','weight'], 'formats':['S30','
## print a[0]
('zhang', 20, 55.5)
## a[0].dtype
dtype({'names':['name','age','weight'], 'formats':['S30','
## a[0]["name"]
'zhang'
b=a['age'] ## 20 24
b[0]=50
## print a[0]
('zhang', 50, 55.5)
通过tostring()和tofile()可以将结构体数组写入文件，并可以通过c读取，由于c中的结构体存在对齐，所以在python创建结构体数组时也需要使用相应的对齐方式，这一点通过align来指定，True为对齐，False不对齐。
narray内存结构
以二维narray对象为例，我们来看看narray对象在内存中的结构。
a = np.array([[0,1,2],[3,4,5],[6,7,8]], dtype=np.float32)
该二维数组的结构如下图：
左边时一个结构体，描述了该narray对象的基本信息，包括数据类型(np.float32)、维度(轴的数量)、每个轴的数据个数、每个轴相邻元素的字节差、最后是存放数据的内存地址。通过切片方式得到的新narray就是在data字段表示的内存上获得原始narray的视图，我们来看看：
b=a[::2,::2]
## b
array([[ 0., 2.],
[ 6., 8.]], dtype=float32)
## b.strides
(24, 8)
获得的新narray.strides发生了变化，而这个变化也刚好是每个轴相邻元素跨越的字节数。narray的数据在内存上的排列有两种形式，分别是C和FORTRAN格式，上面我们展示的就是C的格式，第0轴是最上位的，也就是说，第0轴作为行，所以第0轴的相邻元素跨越的字节数是最多的(比如这里为3*4=12)，而FORTRAN结构与C格式相反，它是第1轴跨越的字节数最多。numpy默认是C格式，如果想改成FORTRAN的格式，只需要在创建narray的时候设置order=‘F'。narray的flags属性描述了存储区的一些属性：
## a.flags
C_CONTIGUOUS : True #C语言格式
F_CONTIGUOUS : False #Fortran语言格式
OWNDATA : True #数组是否拥有该存储区，如果是一个narray的视图则不拥有
WRITEABLE : True #是否可写 (改变其中数据)
ALIGNED : True # 对齐
UPDATEIFCOPY : False
OK，这里引出一个东东，如果要将a进行转置，我们是需要将需要将a顺时针旋转90°，那么还有上面简单的方法？我们先看看a.T.flags：
## a.T.flags
C_CONTIGUOUS : False
F_CONTIGUOUS : True
OWNDATA : False
WRITEABLE : True
ALIGNED : True
UPDATEIFCOPY : False
从这上面可以看到，对于a的转置，numpy是将其内存格式改变了，从C语言格式变成了Fortran的格式，并且转置是a的一个视图。这样的方式比旋转方式更加快速。
以上这篇python科学计算之narray对象用法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
扫一扫
1324
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
