Python数据分析 | Numpy基本属性介绍

Numpy基本属性介绍

目录

1. numpy介绍
2. 常用基本属性

numpy介绍

NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），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。

使用numpy的原因：

• numpy支持大量的数据运算
• 集成了C/C++和Fortran代码
• 众多的机器学习框架的基础(Pandas/scikit-learn/Tensorflow)
• 机器学习中大量的数据运算，numpy的运算速度更快

其中，numpy有以下优点：

• 内存分布连续
• 实现并行化的运算
• 没有GIL锁（能使python程序更加高效地运行）

Numpy提供的数据类型：ndarray
了解更多：numpy介绍

numpy基本属性

• 形状 shape
• 维度 ndmi
• 元素个数 size
• 数组大小 nbytes
• 数据类型 dtype
• 元素大小 itemsize

代码示例如下：

import numpy as np	# 导入numpy

# create an array for 2 demision
a = np.array([[1, 2, 3], [1, 2, 3]])

# 获取数组行列数目(shape)、维度、元素数量、一个数组元素的长度（字节方式）、数组总长度
print(a.shape)  # 获取数组形状(shape)
print(a.ndim)  # 维度
print(a.size)  # 元素数量
print(a.itemsize)  # 一个数组元素的长度（字节方式）
print(a.nbytes)  # 数组总长度

输出结果如下：

(2, 3)	#形状
2	#维度
6	#元素数量
4	#每个数组元素长度
24	#数组总长（6*4）

维度

对于一个numpy数组来说，存在不同的维度
以下是一些维度的示例：

• 0维：65
• 1维：[1,5,45,6,7]
• 2维：[[1,2,3],[1,5,7]]
• 3维：[[[1,2],[1,4]],[[2,6],[3,8]]]

可以和空间坐标进行类比以进行简单理解：0维是一个点（65）；1维是由0维组成，一条线段（[1,5,45,6,7]）；2维由1维组成，一个平面（[[1,2,3],[1,5,7]]）…