1.常量
主要介绍了nan、inf、pi和e四种类型
1、nan表示空值,是float类型,不能用作计算
2、inf、pi和e使用方法类似
1.1 numpy.nan
1、空值的表示方法有三种:nan、NaN、NAN
2、np.nan是一个float类型的数据,不能用作计算,
都无法得到数字,返回值都是nan。
3、两个空值不相等,判断是否为空返回的是布尔型
1、nan不能参与计算
a=np.nan+2
print(a)
输出结果为:nan
2、两个空值不相等
import numpy as np
print(np.nan == np.NaN)
print(np.nan != np.NAN)
输出结果为:False
True
3、数组中含有np.nan的返回值为nan
import numpy as np
x = np.array([1, 1, 8, np.nan, 10])
print(x)
输出结果为:[ 1. 1. 8. nan 10.]
4、判断是否为空值(返回值为True或False)
y = np.isnan(x)
print(y)
输出结果为:[False False False True False]
5、count_nonzero()统计不为空值的个数
#返回的是y中非0元素的个数
z = np.count_nonzero(y)
输出结果为:1
1.2 正无穷大
有四种表示:Inf = inf = infty = Infinity = PINF
import numpy as np
np.Inf
输出结果为:inf
1.3.圆周率(pi)
np.pi
输出结果为:3.141592653589793
1.4自然对数(e)
np.e
输出结果:2.718281828459045
2.数据类型
2.1常见数据类型
numpy 支持的数据类型比 Python 内置的类型要多很多,其中部分
类型 对应为 Python 内置的类型用_标出,下表列举了常用 numpy
基本类型。
类型 | 备注 | 说明 |
---|---|---|
bool_ = bool8 | 8位 | 布尔类型 |
int8 = byte | 8位 | 整型 |
int16 = short | 16位 | 整型 |
int32 = intc | 32位 | 无符号整型 |
int_ = int64 = long = int0 = intp | 64位 | 整型 |
uint8 = ubyte | 8位 | 无符号整型 |
uint16 = ushort 16位 | 无符号整型 | |
uint64 = uintp = uint0 = uint 64位 | 无符号整型 | |
float16 = half | 16位 | 浮点型 |
float32 = single | 32位 | 浮点型 |
float_ = float64 = double | 64位 | 浮点型 |
str_ = unicode_ = str0 = unicode | Unicode | 字符串 |
datetime64 | 日期时间类型 | |
timedelta64 | 表示两个时间之间的间隔 |
2.2创建数据类型
numpy 的数值类型实际上是 dtype 对象的实例。
每个内建类型都有一个唯一定义它的字符代码,如下表所示:
类型 | 备注 | 说明 |
---|---|---|
b | boolean | ‘b1’ |
i | signed integer | ‘i1’, ‘i2’, ‘i4’, ‘i8’ |
u | unsigned integer | ‘u1’, ‘u2’ ,‘u4’ ,‘u8’ |
f | floating-point | ‘f2’, ‘f4’, ‘f8’ |
c | complex floating-point | |
m | timedelta64 | 表示两个时间之间的间隔 |
M | datetime64 | 日期时间类型 |
O | object | 浮点型 |
S | (byte-)string | S3表示长度为3的字符串 |
U | Unicode | 字符串 |
V | void |
数据类型对象 (dtype)
1、数据的类型(整数,浮点数或者 Python 对象)
2、数据的大小(例如, 整数使用多少个字节存储)
3、数据的字节顺序(小端法或大端法)
例如可以使用 ‘i1’, ‘i2’,‘i4’,‘i8’ 代替int8, int16, int32, int64 四种数据类型
import numpy as np
dt = np.dtype('i4')
print(dt)
print(dt.itemsize) #输出字节大小
输出结果为:int32
4
2.3数据类型信息
1、Python 的浮点数通常是64位浮点数,几乎等同于 np.float64 。
2、NumPy和Python整数类型的行为在整数溢出方面存在显著差异,
与 NumPy 不同,Python 的 int 是灵活的。这意味着Python
整数可以扩展以容纳任何整数并且不会溢出。
import numpy as np
ii16 = np.iinfo(np.int16)
print(ii16.min)
print(ii16.max)
运行结果:-32768
32767
3.时间日期和时间增量
3.1 datetime64 基础
在 numpy 中,我们很方便的将字符串转换成时间日期类型
datetime64,datatime64 是带单位的日期时间类型
import numpy as np
a = np.datetime64('2020-03-08 20:00:05')
print(a, a.dtype)#输出时显示其时间最小单位
输出结果:2020-03-08T20:00:05 datetime64[s]
1、从字符串创建 datetime64 类型时,可以强制指定使用的
单位。如下:
a = np.datetime64('2020-03', 'D')
print(a, a.dtype) # 2020-03-01 datetime64[D]
a = np.datetime64('2020-03', 'Y')
print(a, a.dtype) # 2020 datetime64[Y]
print(np.datetime64('2020-03') == np.datetime64('2020-03-01')) # True
print(np.datetime64('2020-03') == np.datetime64('2020-03-02')) #False
1、如果两个 datetime64 对象具有不同的单位,它们可能仍然
代表相同的时刻。并且从较大的单位(如月份)转换为较小的单位
(如天数)是安全的
2、2019-03 和 2019-03-01 所表示的其实是同一个时间,虽然指定
的单位不同
2、 从字符串创建 datetime64 数组时,如果单位不统一,
则一律转化成其中最小的单位
import numpy as np
a = np.array(['2020-03', '2020-03-08', '2020-03-08 20:00'], dtype='datetime64')
print(a, a.dtype)
#['2020-03-01T00:00' '2020-03-08T00:00' '2020-03-08T20:00'] datetime64[m]
3、使用 arange() 创建 datetime64 数组,用于生成日期范围
(步长默认为最小单位值)
import numpy as np
a = np.arange('2020-08-01', '2020-08-10', dtype=np.datetime64)
print(a)
#
# '2020-08-06' '2020-08-07' '2020-08-08' '2020-08-09']
print(a.dtype) # datetime64[D]
输出结果:['2020-08-01' '2020-08-02' '2020-08-03' '2020-08-04' '2020-08-05' '2020-08-06' '2020-08-07' '2020-08-08' '2020-08-09']
datetime64[D]
3.2 datetime64 和 timedelta64 运算
1、timedelta64 表示两个 datetime64 之间的差。
timedelta64也是带单位的,并且和相减运算中的
两个 datetime64 中的较小的单位保持一致。
import numpy as np
a = np.datetime64('2020-03-08') - np.datetime64('2020-03-07')
b = np.datetime64('2020-03-08') - np.datetime64('202-03-07 08:00')
c = np.datetime64('2020-03-08') - np.datetime64('2020-03-07 23:00', 'D')
print(a, a.dtype) # 1 days timedelta64[D]
print(b, b.dtype) # 956178240 minutes timedelta64[m]
print(c, c.dtype) # 1 days timedelta64[D]
2、生成 timedelta64时,要注意年(‘Y’)和月(‘M’)这两个
单位无法和其它单位进行运算(一年有几天?一个月有几
个小时?这些都是不确定的)
import numpy as np
a = np.timedelta64(1, 'Y')
b = np.timedelta64(a, 'M')
print(a) # 1 years
print(b) # 12 months
c = np.timedelta64(1, 'h')
d = np.timedelta64(c, 'm')
print(c) # 1 hours
print(d) # 60 minutes
print(np.timedelta64(a, 'D'))
#TypeError: Cannot cast NumPy timedelta64 scalar from metadata [Y] to [D] according to the rule 'same_kind'
3、timedelta64 的运算
import numpy as np
a = np.timedelta64(1, 'Y')
b = np.timedelta64(6, 'M')
c = np.timedelta64(1, 'W')
d = np.timedelta64(1, 'D')
e = np.timedelta64(10, 'D')
print(a) # 1 years
print(b) # 6 months
print(a + b) # 18 months
print(a - b) # 6 months
print(2 * a) # 2 years
print(a / b) # 2.0
print(c / d) # 7.0
print(c % e) # 7 days
3.3 datetime64 的应用
为了允许在只有一周中某些日子有效的上下文中使用日期时间,
NumPy包含一组“busday”(工作日)功能。
1、将指定的偏移量应用于工作日,单位天(‘D’)。计算
下一个工作日,如果当前日期为非工作日,默认报错。可
以指定 forward 或backward 规则来避免报错。(一个是
向前取第一个有效的工作日,一个是向后取第一个有效的
工作日)
import numpy as np
# 2020-07-10 星期五
a = np.busday_offset('2020-07-10', offsets=1)
print(a) # 2020-07-13
a = np.busday_offset('2020-07-11', offsets=1)
print(a)
# ValueError: Non-business day date in busday_offset
a = np.busday_offset('2020-07-11', offsets=0, roll='forward')
b = np.busday_offset('2020-07-11', offsets=0, roll='backward')
print(a) # 2020-07-13
print(b) # 2020-07-10
a = np.busday_offset('2020-07-11', offsets=1, roll='forward')
b = np.busday_offset('2020-07-11', offsets=1, roll='backward')
print(a) # 2020-07-14
可以指定偏移量为 0 来获取当前日期向前或向后最近的工作日,当然,
如果当前日期本身就是工作日,则直接返回当前日期。
2、返回指定日期是否是工作日
import numpy as np
# 2020-07-10 星期五
a = np.is_busday('2020-07-10')
b = np.is_busday('2020-07-11')
print(a) # True
print(b) # False
3、统计一个 datetime64[D] 数组中的工作日天数
import numpy as np
# 2020-07-10 星期五
begindates = np.datetime64('2020-07-10')
enddates = np.datetime64('2020-07-20')
a = np.arange(begindates, enddates, dtype='datetime64')
b = np.count_nonzero(np.is_busday(a))
print(a)
# ['2020-07-10' '2020-07-11' '2020-07-12' '2020-07-13' '2020-07-14'
# '2020-07-15' '2020-07-16' '2020-07-17' '2020-07-18' '2020-07-19']
print(b) # 6
4、自定义周掩码值,即指定一周中哪些星期是工作日
import numpy as np
# 2020-07-10 星期五
a = np.is_busday('2020-07-10', weekmask=[1, 1, 1, 1, 1, 0, 0])
b = np.is_busday('2020-07-10', weekmask=[1, 1, 1, 1, 0, 0, 1])
print(a) # True
print(b) # False
5、返回两个日期之间的工作日数量
import numpy as np
# 2020-07-10 星期五
begindates = np.datetime64('2020-07-10')
enddates = np.datetime64('2020-07-20')
a = np.busday_count(begindates, enddates)
b = np.busday_count(enddates, begindates)
print(a) # 6
print(b) # -6
4 数组的创建
numpy 提供的最重要的数据结构是 ndarray ,它是 python
中 list 的扩展
4.1依据现有数据来创建 ndarray
4.1.1 通过array()函数进行创建。
一般根据括号的层数判断数组的维度
创建一维数组
import numpy as np
a = np.array([0, 1, 2, 3, 4])
b = np.array((0, 1, 2, 3, 4))
print(a, type(a))
# [0 1 2 3 4] <class 'numpy.ndarray'>
print(b, type(b))
# [0 1 2 3 4] <class 'numpy.ndarray'>
创建二维数组
c = np.array([[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20],
[21, 22, 23, 24, 25],
[26, 27, 28, 29, 30],
[31, 32, 33, 34, 35]])
print(c, type(c))
# [[11 12 13 14 15]
# [16 17 18 19 20]
# [21 22 23 24 25]
# [26 27 28 29 30]
# [31 32 33 34 35]] <class 'numpy.ndarray'>
# 创建三维数组
d = np.array([[(1.5, 2, 3), (4, 5, 6)],
[(3, 2, 1), (4, 5, 6)]])
print(d, type(d))
#[[[1.5 2. 3. ]
# [4. 5. 6. ]]
# [[3. 2. 1. ]
#[4. 5. 6. ]]] <class 'numpy.ndarray'>
4.1.2 (b)通过asarray()函数进行创建
array() 和 asarray() 都可以将结构数据转化为 ndarray,但是
array() 和 asarray() 主要区别就是当数据源是ndarray 时,
array() 仍然会 copy 出一个副本,占用新的内存,但不改变
dtype 时 asarray() 不会。
import numpy as np
x = [[1, 1, 1], [1, 1, 1], [1, 1, 1]]
y = np.array(x)
z = np.asarray(x)
x[1][2] = 2
print(x,type(x))
#[[1, 1, 1], [1, 1, 2], [1, 1, 1]] <class 'list'>
print(y,type(y))
#[[1 1 1]
#[1 1 1]
#[1 1 1]] <class 'numpy.ndarray'>
print(z,type(z))
#[[1 1 1]
#[1 1 1]
#[1 1 1]] <class 'numpy.ndarray'>
array() 和 asarray() 的区别。
array()和 asarray()主要区别就是当数据源是ndarray时,
array() 仍然会 copy 出一个副本,占用新的内存,但不改变
dtype 时 asarray() 不会。
import numpy as np
x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])
y = np.array(x)
z = np.asarray(x)
w = np.asarray(x, dtype=np.int)
x[1][2] = 2
print(x,type(x),x.dtype)
# [[1 1 1]
# [1 1 2]
# [1 1 1]] <class 'numpy.ndarray'> int32
print(y,type(y),y.dtype)
# [[1 1 1]
# [1 1 1]
# [1 1 1]] <class 'numpy.ndarray'> int32
print(z,type(z),z.dtype)
# [[1 1 1]
# [1 1 2]
# [1 1 1]] <class 'numpy.ndarray'> int32
print(w,type(w),w.dtype)
# [[1 1 1]
# [1 1 2]
# [1 1 1]] <class 'numpy.ndarray'> int32
更改为较大的dtype时,其大小必须是array的最后一个axis的总大小
(以字节为单位)的除数
import numpy as np
x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])
print(x, x.dtype)
# [[1 1 1]
# [1 1 1]
# [1 1 1]] int32
x.dtype = np.float
# ValueError: When changing to a larger dtype, its size must be a divisor of the total size in bytes of the last
axis of the array.
4.1.3 (c)通过fromfunction()函数进行创建
给函数绘图的时候可能会用到 fromfunction() ,该函数可从函数
中创建数组
1、通过在每个坐标上执行一个函数来构造数组。
import numpy as np
def f(x, y):
return 10 * x + y
x = np.fromfunction(f, (5, 4), dtype=int)
print(x)
# [[ 0 1 2 3]
# [10 11 12 13]
# [20 21 22 23]
# [30 31 32 33]
# [40 41 42 43]]
x = np.fromfunction(lambda i, j: i == j, (3, 3), dtype=int)
print(x)
# [[ True False False]
# [False True False]
4.2 依据 ones 和 zeros 填充方式
4.2.1 (a)零数组
- zeros() 函数:返回给定形状和类型的零数组。
- zeros_like() 函数:返回与给定数组形状和类型相同
的零数组。
import numpy as np
x = np.zeros(5)
print(x) # [0. 0. 0. 0. 0.]
x = np.zeros([2, 3])
print(x)
# [[0. 0. 0.]
# [0. 0. 0.]]
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.zeros_like(x)
print(y)
# [[0 0 0]
# [0 0 0]]
4.2.2 (b)1数组
- ones() 函数:返回给定形状和类型的1数组。
- ones_like() 函数:返回与给定数组形状和类型相同的1数组。
import numpy as np
x = np.ones(5)
print(x) # [1. 1. 1. 1. 1.]
x = np.ones([2, 3])
print(x)
# [[1. 1. 1.]
# [1. 1. 1.]]
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.ones_like(x)
print(y)
# [[1 1 1]
# [1 1 1]]
4.2.3 (c)空数组
- empty() 函数:返回一个空数组,数组元素为随机数。
- empty_like 函数:返回与给定数组具有相同形状和类型的新数组。
import numpy as np
x = np.empty(5)
print(x)
# [1.95821574e-306 1.60219035e-306 1.37961506e-306
# 9.34609790e-307 1.24610383e-306]
x = np.empty((3, 2))
print(x)
# [[1.60220393e-306 9.34587382e-307]
# [8.45599367e-307 7.56598449e-307]
# [1.33509389e-306 3.59412896e-317]]
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.empty_like(x)
print(y)
# [[ 7209029 6422625 6619244]
# [ 100 707539280 504]]
4.2.4 (d)单位数组
- eye() 函数:返回一个对角线上为1,其它地方为零的单位数组。
- identity() 函数:返回一个方的单位数组
import numpy as np
x = np.eye(4)
print(x)
# [[1. 0. 0. 0.]
# [0. 1. 0. 0.]
# [0. 0. 1. 0.]
# [0. 0. 0. 1.]]
x = np.eye(2, 3)
print(x)
# [[1. 0. 0.]
# [0. 1. 0.]]
x = np.identity(4)
print(x)
# [[1. 0. 0. 0.]
# [0. 1. 0. 0.]
# [0. 0. 1. 0.]
# [0. 0. 0. 1.]]
4.2.5 (e)对角数组
- diag() 函数:提取对角线或构造对角数组
import numpy as np
x = np.arange(9).reshape((3, 3))
print(x)
# [[0 1 2]
# [3 4 5]
# [6 7 8]]
print(np.diag(x)) # [0 4 8]
print(np.diag(x, k=1)) # [1 5]
print(np.diag(x, k=-1)) # [3 7]
v = [1, 3, 5, 7]
x = np.diag(v)
print(x)
# [[1 0 0 0]
# [0 3 0 0]
# [0 0 5 0]
# [0 0 0 7]]
4.2.6 (f)常数数组
- full() 函数:返回一个常数数组。
- full_like() 函数:返回与给定数组具有相同形状和类型的常数数组。
import numpy as np
x = np.full((2,), 7)
print(x)
# [7 7]
x = np.full(2, 7)
print(x)
# [7 7]
x = np.full((2, 7), 7)
print(x)
# [[7 7 7 7 7 7 7]
# [7 7 7 7 7 7 7]]
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.full_like(x, 7)
print(y)
# [[7 7 7]
# [7 7 7]]
4.3 利用数值范围来创建ndarray
- arange() 函数:返回给定间隔内的均匀间隔的值。
- linspace() 函数:返回指定间隔内的等间隔数字。
- logspace() 函数:返回数以对数刻度均匀分布。
- numpy.random.rand() 返回一个由[0,1)内的随机数组成的数组。
import numpy as np
x = np.arange(5)
print(x) # [0 1 2 3 4]
x = np.arange(3, 7, 2)
print(x) # [3 5]
x = np.linspace(start=0, stop=2, num=9)
print(x)
# [0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ]
x = np.logspace(0, 1, 5)
print(np.around(x, 2))
# [ 1. 1.78 3.16 5.62 10.
x = np.linspace(start=0, stop=1, num=5)
x = [10 ** i for i in x]
print(np.around(x, 2))
# [ 1. 1.78 3.16 5.62 10. ]
x = np.random.random(5)
print(x)
# [0.41768753 0.16315577 0.80167915 0.99690199 0.11812291]
x = np.random.random([2, 3])
print(x)
# [[0.41151858 0.93785153 0.57031309]
# [0.13482333 0.20583516 0.45429181]]
np.around 返回四舍五入后的值,可指定精度。
around(a, decimals=0, out=None)
a 输入数组
decimals 要舍入的小数位数。 默认值为0。 如果为负,
整数将四舍五入到小数点左侧的位置
4.4字典
4.4.1 (a)利用字典来定义结构
import numpy as np
personType = np.dtype({
'names': ['name', 'age', 'weight'],
'formats': ['U30', 'i8', 'f8']})
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>
4.4.2 (b)利用包含多个元组的列表来定义结构
import numpy as np
personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')])
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>
# 结构数组的取值方式和一般数组差不多,可以通过下标取得元素:
print(a[0])
# ('Liming', 24, 63.9)
print(a[-2:])
# [('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# 我们可以使用字段名作为下标获取对应的值
print(a['name'])
# ['Liming' 'Mike' 'Jan']
print(a['age'])
# [24 15 34]
print(a['weight'])
# [63.9 67. 45.8]