1.Numpy库介绍:
Numpy是Numercial Python的简称,是一个开源的Python科学计算基础库。
提供一个强大的N维数组对象ndarray,并提供了基于数组的算术操作及广播功能函数;
;
整合C/C++/Fortran代码工具;
线性代数、傅里叶变换、随机数生成等功能。
Numpy是Scipy、Pandas等数据处理或科学计算库的基础。
Numpy的引用直接使用以下语句即可:
import numpy as np # 尽管别名可以省略或者修改,建议使用上述约定的别名
2.多维数组对象ndarray的设置原因:
Python中可以利用列表表示数组,那Numpy为什么还要设置ndarray那?
例如,计算A²+B²,其中A和B是一维数组。
在python语法中,需要利用循环结构,计算数组中的每个数据。
def pysum():
a = [0,1,2,3,4]
b = [9,8,7,6,5]
c = []
for i in range(len(a)):
c.append(a[i]**2 + b[i]**3)
return c
print(pysum())
而NUmpy则把一个一维数据作为单个数据,直接进行计算。
import numpy as np
def npsum():
a = np.array([0,1,2,3,4])
b = np.array([9,8,7,6,5])
c = a**2 + b**3
return c
print(npsum())
从上面例子中可以看出,N维数组对象ndarray:
数组对象可以去掉元素见运算所需的循环,使一维向量更像单个数据。
设置专门的数组对象,经过优化,可以提升这类应用的运算速度(numpy底层是由C语言编写,计算速度更快)。
数组对象采用相同的数据类型,有助于节省运算和存储空间(因为在科学计算中,一个维度所有数据的类型往往是相同的)。
3.多维数组对象ndarray:
ndarray是Python中一个快速、灵活的大型数据集容器,作为一个多维数组对象,由两部分构成:
实际的数据;
描述这些数据的元数据(数据维度、数据类型等):
ndarray数组一般要求所有要素类型相同(同质),数组下标从0开始(但也有特殊情况)。
轴(axis):保存数据的维度。
秩(rank):轴的数量。
4.生成ndarray:
生成数组最简单的方法就是使用array函数,array函数接收任意的序列型对象,生成一个Numpy数组。
# 当np.array()不指定dtype时,numpy将根据数据情况关联一个dtype类型
x = np.array(list/tuple)
x = np.array(list/tuple,dtype=np.float32)
数组生成函数列表:
函数
说明
np.array()
----
np.asarray()
将输入转换为ndarray,但是如果输入已经是ndarray则不再复制
np.arange(n)
类似range()函数,返回ndarray类型,元素从0到n-1
np.ones(shape)
根据shape生成一个全1数组,shape是元祖类型
np.ones_like(a)
根据数组a的形状生成一个全1数组
np.zeros(shape)
根据shape生成一个全0数组,shape是元祖类型
np.zeros_like(a)
根据数组a的形状生成一个全0数组
np.empty(shape)
根据shape生成一个没有初始化数值的空数组,shape是元祖类型
np.empty_like(a)
根据数组a的形状生成一个没有初始化数值的空数组
np.full(shape,val)
根据shape生成一个数组,每个元素都是val
np.full_like(a,val)
根据数组a的形状生成一个数组,每个元素值都是val
np.eye(n)
创建一个正方的n×n单位矩阵,对角线为1,其余为0
np.linspace()
根据起始数据等间距地填充数据,形成数组
5.ndarray对象的属性:
通过下述函数可以查看数组的相应属性信息。
属性
说明
.ndim
秩,即轴的数量或维度的数量
.shape
ndarray对象尺度,对于矩阵,n行m列
.size
ndarray对象元素的个数,相当于.shape中n×m的值
.dtype
ndarray对象的元素类型
.astype
转换ndarray对象的数据类型
.itemsize
ndarray对象中每个元素的大小,以字节为单位
import numpy as np
a = np.array([[0,1,2,3,4],[9,8,7,6,5]])
a.ndim
Out[3]: 2
a.shape
Out[4]: (2, 5)
a.size
Out[5]: 10
a.dtype
Out[6]: dtype('int32')
a.itemsize
Out[7]: 4
6.ndarray对象的数据类型:
从上面实例中看到a.dtype返回的类型是int32,这个类型在基础的python语法中并不存在,它是numpy定义的元素类型,除此之外,numpy还有很多其他元素类型:
数据类型
说明
bool
布尔类型,True或False
intc
与C语言中的int类型一致,一般是int32或int64
intp
用于索引的整数,与C语言中ssize_t一致,int32或int64
int8
字节长度的整数,取值:[-128,127]
int16
16位长度的整数,取值:[-32768,32767]
int32
32位长度的整数,取值:[-231,231-1]
int64
64位长度的整数,取值:[-263,263-1]
还有一类元素类型,没有负数部分,称为无符号整数:
数据类型
说明
uint8
8位无符号整数,取值:[0,255]
uint16
16位无符号整数,取值:[0,65535]
uint32
32位无符号整数,取值:[0,2^32-1]
uint64
64位无符号整数,取值:[0,2^64-1]
float16
16位半精度浮点数:1位符号位,5位指数,10位尾数
float32
32位半精度浮点数:1位符号位,8位指数,23位尾数
float64
64位半精度浮点数:1位符号位,11位指数,52位尾数
ndarray还支持两种复数类型:
数据类型
说明
complex64
复数类型,实部和虚部都是32位浮点数
complex128
复数类型,实部和虚部都是64位浮点数
相比python语法仅支持整数、浮点数和复数3种类型,那ndarray为什么要支持这么多的元素类型那?
科学计算涉及数据较多,对存储和性能都有较高要求;
对元素类型精细定义,有助于Numpy合理使用存储空间并优化性能;
对元素类型精细定义,有助于程序员对程序规模有合理评估。
Reference:
《Python for Data Analysis:Data Wrangling with Pandas,Numpy,and IPython》