python数值计算_python数值计算模块——NumPy

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发，2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。

NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

一个强大的N维数组对象 ndarray

广播功能函数

整合 C/C++/Fortran 代码的工具

线性代数、傅里叶变换、随机数生成等功能

数组属性

本章节我们将来了解 NumPy 数组的一些基本属性。

NumPy 数组的维数称为秩(rank)，一维数组的秩为 1，二维数组的秩为 2，以此类推。

在 NumPy中，每一个线性的数组称为是一个轴(axis)，也就是维度(dimensions)。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴(axis)，第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。

很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。

NumPy 的数组中比较重要 ndarray 对象属性有：

1

2

3

4

5

6

7

8

9ndarray.ndim秩，即轴的数量或维度的数量

ndarray.shape数组的维度，对于矩阵，n 行 m 列

ndarray.size数组元素的总个数，相当于 .shape 中 n*m 的值

ndarray.dtypendarray 对象的元素类型

ndarray.itemsizendarray 对象中每个元素的大小，以字节为单位

ndarray.flagsndarray 对象的内存信息

ndarray.realndarray元素的实部

ndarray.imagndarray 元素的虚部

ndarray.data包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

数组的维数

array.ndim #2

1

2

3

4

5import numpy as np

array = np.array([

[1,2,3],

[2,3,4]

])

数组的形状

相当于几行几列

array.shape #2，3

数组的元素个数

array.size # 6

数组的元素数据类型

关于numpy中的数据类型，罗列如下：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19bool_布尔型数据类型(True 或者 False)

int_默认的整数类型(类似于 C 语言中的 long，int32 或 int64)

intc与 C 的 int 类型一样，一般是 int32 或 int 64

intp用于索引的整数类型(类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64)

int8字节(-128 to 127)

int16整数(-32768 to 32767)

int32整数(-2147483648 to 2147483647)

int64整数(-9223372036854775808 to 9223372036854775807)

uint8无符号整数(0 to 255)

uint16无符号整数(0 to 65535)

uint32无符号整数(0 to 4294967295)

uint64无符号整数(0 to 18446744073709551615)

float_float64 类型的简写

float16半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位

float32单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位

float64双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位

complex_complex128 类型的简写，即 128 位复数

complex64复数，表示双 32 位浮点数(实数部分和虚数部分)

complex128复数，表示双 64 位浮点数(实数部分和虚数部分)

array.dtype # int32

数据每个元素的大小

array.itemsize #4 这里是因为int32占四个字节

数组的内存信息

array.flags

1

2

3

4

5

6

7C_CONTIGUOUS : True

F_CONTIGUOUS : False

OWNDATA : True

WRITEABLE : True

ALIGNED : True

WRITEBACKIFCOPY : False

UPDATEIFCOPY : False

数组的每个元素的实部大小

array.real

这里我们的每个数据都是实数1

2

3[[1 2 3]

[2 3 4]]

数组的每个元素的虚部大小1

2

3

4

5array.imag

[[0 0 0]

[0 0 0]]

数组的创建

numpy.empty

创建空数组:empty(shape, dtype=float, order=’C’)

shape:空数组的行列

dtype:每个元素的数据类型

order:优先顺序，可以不予关注

1

2

3

4

5x = np.empty([3,2],dtype=int,order='F')

[[ 0 1072693248]

[1072693248 0]

[ 0 1072693248]]

numpy.zeros创建指定大小的数组，以0填充

x= np.zeros([2,2],dtype=np.int) 两行两列的0数组

numpy.zeros创建指定大小的数组，以0填充

x= np.zeros([2,2],dtype=np.int) 两行两列的0数组

numpy.ones创建指定形状的数组，数组元素以 1 来填充：

numpy.ones(shape, dtype = None, order = ‘C’)

numpy从已有数组创建数组numpy.asarray1

2

3

4

5

6

7

8

9

10numpy.asarray

numpy.asarray 类似 numpy.array，但 numpy.asarray 只有三个，比 numpy.array 少两个。

numpy.asarray(a, dtype = None, order = None)

参数说明：

参数描述

a任意形式的输入参数，可以是，列表, 列表的元组, 元组, 元组的元组, 元组的列表，多维数组

dtype数据类型，可选

order可选，有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。