NumPy学习笔记

array属性

• ndim 维度数量
• shape 一个表示各维度大小的元组,即数组形状
• dtype 数据类型
• size 元素总个数

array创建

• array函数：接收一个普通的Python序列，转成ndarray
• zeros函数：创建指定长度或形状的全零数组
• ones函数：创建指定长度或形状的全1数组
• empty函数：创建一个没有任何具体值的数组（准确地说是一些未初始化的垃圾值）

array其他创建方式

• arrange函数：类似于python的range函数，通过指定开始值、终值和步长来创建一维数组，注意数组不包括终值
• linspace函数：通过指定开始值、终值和元素个数来创建一维数组，可以通过endpoint关键字指定是否包括终值，缺省设置是包括终值
• logspace函数：和linspace类似，不过它创建等比数列
• 使用随机数填充数组，即使用numpy.random模块的random()函数，数组所包含的的元素数量由参数决定
• reshape()函数可以改变数组的形状，但是注意元素总个数不能改变

Numpy中的数据类型

• 32/148int_ 默认整型（与C中的long相同，通常为int64或者int32）
• intc 完全等同于C中的long（通常为int64或者int32）
• intp 表示索引的整型，与C中的size_t相同，通常为int64或者int32
• int8 i1 字节（-128 ~ 127），1个字节int16 i2 整型（-32768 ~ 32767），2个字节
• int32 i4 整型（-2147483648 ~ 2147483647),4个字节
• int64 i8 整型（-9223372036854775808~9223372036854775807），8字节
• uint8 u1 无符号整型（0~255）
• uint16 u2 无符号整型（0~65535）
• uint32 u4 无符号整型（0~4294967295）
• float_ float64的简写形式
• float16 f2 半精度浮点型：符号位，5位指数，10位小数部分
• float32 f4或者f 半精度浮点型：符号位，8位指数，23位小数部分
• float64 f8或者d 半精度浮点型：符号位，11位指数，52位小数部分
• float128 f16或者g 扩展精度浮点数
• complex_ c1 complex128的简写形式
• complex64 c8 复数，由两个32位的浮点数来表示（实数部分和虚数部分）
• complex128c16 复数，由两个64位的浮点数来表示（实数部分和虚数部分）
• bool_ 以一个字节形式存储的布尔值（True或者False）
• bool ? 存储True和False值的布尔类型
• object O Python对象类型
• String_ S 固定长度的字符串类型（每个字符1个字节）。例如要创建一个长度为8的字符串，应使用S8
• Unicode_ U 固定长度的unicode类型（字节数由平台决定），跟字符串的定义方式一样，比如U20

改变array形状

• 直接修改ndarray的shape值
• 使用reshape函数，可以创建一个改变了尺寸的新数组，原数组的shape保持不变，但注意他们共享内存空间，因此修改任何一个也对另一个产生影响，因此注意新数组的元素个数必须与原数组一样
• 当指定新数组某个轴的元素为-1时，将根据数组元素的个数自动计算此轴的长度

NumPy基本操作

数组与标量、数组之间的运算

• 数组不用循环即可对每个元素执行批量运算，这通常就叫做矢量化，即用数组表达式代替循环的做法
• 矢量化数组运算性能要比纯Python方式快上一两个数量级
• 大小相等的数组之间的任何算术运算都会将运算应用到元素级