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]
Numpy Ndarray对象
Numpy 最重要的一个特点是 N 维数组对象 ndarrary ,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的索引. ndarray 对象是用于存放同类型元素的多维数组. ndarra ...
ndarray对象的使用方法
ndarray的基本操作 1.索引 基本索引:一维与list完全一致 多维同理 例如: import numpy ndarr1 = numpy.random.randint(0,10.size=5) ...
NumPy-快速处理数据--ndarray对象--数组的创建和存取
本文摘自,版权归原作者所有. NumPy为Python提供了快速的多维数组处理的能力,而SciPy则在NumPy基础上添加了众多的科学计算所需的各种工具包,有了 ...
3.1Python数据处理篇之Numpy系列(一)---ndarray对象的属性与numpy的数据类型
目录 目录 (一)简单的数组创建 1.numpy的介绍: 2.numpy的数组对象ndarray: 3.np.array(list/tuple)创建数组: (二)ndarray对象的属性 1.五个常用 ...
NumPy Ndarray 对象
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 ...
NumPy-快速处理数据--ndarray对象--多维数组的存取、结构体数组存取、内存对齐、Numpy内存结构
本文摘自,版权归原作者所有. 上一篇讲到:NumPy-快速处理数据--ndarray对象--数组的创建和存取 接下来接着介绍多维数组的存取.结构体数组存取.内存 ...
numpy模块(对矩阵的处理,ndarray对象)
6.12自我总结 一.numpy模块 import numpy as np约定俗称要把他变成np 1.模块官方文档地址 https://docs.scipy.org/doc/numpy/referen ...
Numpy | 02 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. ndarr ...
Numpy Ndarray对象1
标准安装的Python中用列表(list)保存一组值,可以用来当作数组使用,不过由于列表的元素可以是任何对象,因此列表中所保存的是对象的指 针.这样为了保存一个简单的[1,2,3],需要有3个指针和三 ...
随机推荐
VS2015企业版本(安装包+key)+ .NET Reflector 9.0
Reflector9.0系下载:https://yunpan.cn/cMQj9zWbffSqy 访问密码 55eb VS2015中文企业版: http://pan.baidu.com/s/1eRIo ...
菜单的隐藏&;显示
//还是先上万一老师的原代码 //隐藏与显示菜单Self.Menu := nil; {隐藏菜单} Self.Menu := MainMenu1; {显示菜单} //初一看到代码,我有点抓不到感觉的意思 ...
引入HBase依赖包带来的麻烦
在一个项目里用到HBase做底层存储,使用maven来管理相关Jar包依赖,用maven来管理依赖包,特别不爽的就是他会将你引入Jar包自己的依赖都搞进来,经常会出现一些类和方法冲突找不到等状况.这次 ...
OpenCL memory object 之 传输优化
转载自:http://www.cnblogs.com/mikewolf2002/archive/2011/12/18/2291741.html 首先我们了解一些优化时候的术语及其定义: 1.defer ...
tooltip 鼠标移动上去出现图片或文字与title大同小异
代码如下:
apigw鉴权分析(1-3)百度 AI - 鉴权方式分析
http://ai.baidu.com/docs#/Begin/top 一.访问入口 二.鉴权方式分析 1.鉴权认证方式一 - access_token - 针对HTTP API调用者 2.鉴权认证方 ...
Oracle的条件in中包含NULL时的处理
我们在写SQL时经常会用到in条件,如果in包含的值都是非NULL值,那么没有特殊的,但是如果in中的值包含null值(比如in后面跟一个子查询,子查询返回的结果有NULL值),Oracle又会怎么处 ...
用Canvas实现一些简单的图片滤镜
1.灰度滤镜 对于灰度滤镜的实现一般有三种算法 1) 最大值法:即新的颜色值R=G=B=Max(R,G,B),通过这种方法处理后的图片看起来亮度值偏高. 2) 平均值法:即新的颜色值R=G=B=(R+ ...
#WEB安全基础 : HTTP协议 | 0x8 HTTP的Cookie技术
说道Cookie,你喜欢吃饼干吗? 这里的Cookie不是饼干=_= HTTP不对请求和响应的通信状态进行保存,所以被称为无状态协议,为了保持状态和协议功能引入了Cookie技术 Cookie技术在请 ...
python的pickle和shelve模块
python中用于序列化的模块总结 目录 pickle模块 shelve模块 xml模块 pickle模块 介绍 Pickle的问题和所有其他编程语言特有的序列化问题一样,就是它只能用于Python, ...