Numpy 数据类型及数组基础

numpy概述

• NumPy是Python中科学计算的基础包。
• 它是⼀个Python库
• 提供多维数组对象，各种派⽣对象（如掩码数组和矩阵
• 提供对数据/数组各种操作

数据类型

• numpy的数据类型和c语⾔中的数据类型实现并不⼀样
• 可以理解对基础数据类型的优化和升级
• ⼀切为了快速处理⼤型/⼤量数据为宗旨

基础数据类型

• bool_: 布尔值，⽤⼀个字节存储
• int_： 默认整型，通常是int64/int32
• intc: 整型，通常是int32/int64
• intp: ⽤作索引的整型，通常是int32/int64
• int8/16/32/64: 整型
• uint8/16/32/64： ⽆符号整型
• float_: float64的简写
• float16: 半精度浮点型， 1bit符号， 5bits指数，10bits尾数
• float32: 单精度浮点型， 1bit符号，8bits指数，23bits尾数
• float64: 双精度浮点型， 1bit符号，11bits指数，52bits尾数
• complex_: complex128
• complex64: 复数，两个32位浮点数表示
• complex128: 复数， 由两个64位浮点数表示

简写型数据类型

• ‘b’: 字节型， np.dtype(‘b’)
• ‘i’: 有符号整型， np.dtype(‘i4’)就是⼀个 np.int32类型
• ’u’: ⽆符号整型， np.dtype(‘u8’)就是⼀个np.uint64
• ‘f’: 浮点型， np.dtype(‘f8’)
• ‘c’: 复数浮点型
• ’S’: ‘a’: 字符串， np.dtype(‘S6’)
• ‘U’: Unicode编码字符串， n’p.dtype(‘U’) 就是np.str_类型
• ‘V’: 原⽣数据， ⽐如空或者void， np.dtype(‘V’)就是np.void

其中如果出现<则表示低字节序(little endian), 同理>则表示⾼字节序

numpy数组基础

• 数组操作是numpy的核⼼
• 数组跟list类似，但数组要求内容类型必须⼀致，如果不⼀致需要进⾏强制转换，可能会损失精度。相当于是一个拓展的列表。
• 主要包括
  • 数组的属性
  • 数组的索引
  • 数组的切分
  • 数组的编写
  • 数组的拼接和分裂

数组的属性

• numpy可以有多维数组
• 其属性包括：
  • 维度(ndim):一维、二维、三维
  • 形状(shape):通常可以理解成数组各个维度的⻓度
  • ⻓度(size): 数组所存储的元素的总个数
  • 数据类型(dtype): 数组的数据类型（数组要求数据必须同⼀类型）
  • itemsize: 每个元素的字节⻓度
  • nbytes： nbytes=itemsize x size

下面是一个数组的例子

import numpy as np
# ⽣成三个数组
a1 = np.random.randint(100, size=10) # 参数siz是⽣成数组的shape属性
a2 = np.random.randint(100, size=(4,6))
a3 = np.random.randint(100, size=(2,5,6))
# 打印出数组a1, a2, a3的属性
for a in [a1, a2, a3]:
 print("dtype={}, ndim={}, shape={}, size={}, itemsize={}, nbytes={}".\
 format(a.dtype, a.ndim, a.shape, a.size, a.itemsize, a.nbytes))

dtype=int32, ndim=1, shape=(10,), size=10, itemsize=4, nbytes=40
dtype=int32, ndim=2, shape=(4, 6), size=24, itemsize=4, nbytes=96
dtype=int32, ndim=3, shape=(2, 5, 6), size=60, itemsize=4, nbytes=240

几个特殊数组的创建

import numpy as np
x = np.empty(5)
print("Empty array: \n", x)
x = np.zeros(10)
print("Zeros Array: \n", x)
x = np.ones(10)
print("Ones Array: \n", x)

Empty array:
 [-4.94065646e-323 0.00000000e+000 2.12199579e-314 0.00000000e+000
 0.00000000e+000]
Zeros Array:
 [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
Ones Array:
 [1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]

这个empty和我们理解的空稍微有所差别，他是一些及其接近0的数。而zeros则是直接都为0。

数组的索引

• 数组的索引使⽤⽅式跟list⼀样。可以是正数，负数

一维数组的索引

# ⼀位数组的索引
a1 = np.random.randint(100, size=10)
print('a1=', a1)
# 数组的索引跟list⼀致，分正负数，意义和⽤法都与list⼀致
print("a1[1]=", a1[1])
print("a1[-1]=", a1[-1])

a1={} [55 66 85 75 27 31 18 8 6 73]
a1[1]= 66
a1[-1]= 73

多维数组的索引

# 多维数组需要使⽤逗号隔开，其余使⽤⽅法和list类似
a1 = np.random.randint(100, size=(3,5))
print("a1 = ", a1)
# # 数组的索引跟list⼀致，分正负数，意义和⽤法都与list⼀致
# 得到⼆维数组的某⼀⾏
print("a1[1] = ", a1[1])
print("a1[1] = ", a1[