Numpy简介
NumPy 数据类型
数组ndarray(n维数据类型)的元素类型优点
对比:python仅支持整数、浮点数和复数3种类型
1.科学计算涉及数据较多,对存储和性能都有较高要求
2.对元素类型精细定义,有助于Numpy合理使用存储空间并优化性能
3.对元素类型精细定义,有助于程序员对程序规模有合理评估
ndarray里可包含同质元素也可包含非同质元素
非同质ndarray元素为对象类型,创建时必须指定dtype=object
非同质ndarray对象无法有效发挥Numpy优势,尽量避免使用
这种做法可能会使得对数组的操作变得更加缓慢,因为它需要在内存中存储每个元素的类型信息和引用。如果可能,最好使用具有相同形状和数据类型的NumPy数组
ndarray在程序中的别名是 array
import numpy as np
def npSum():
a = np.array([0,1,2,3,4])
b = np.array([9,8,7,6,5])
c = a**2 + b**3
return c
print(npSum())
IPython提示符(In[15] Out[15])
.ndm 轴的数量或维度的数量
.shape ndarray对象的尺度,对于矩阵,n行m列
.size ndarray对象元素的个数,相当于.shape中n*m的值
.dtype ndarray对象的元素类型
.itemsize ndarray对象中每个元素的大小,以字节为单位
ndarray创建方法
1.从python中的列表、元组等类型创建
x = np.array(list/tuple,dtype=np.float32)
dtype可不写,此时不指定,Numpy将根据数据情况关联一个dtype类型
列表和元组包含的数据个数相同就可以混合使用
元组和列表是Python中的两种不同类型的序列。它们有以下区别:
元组是不可变的,而列表是可变的。这意味着你可以在列表中添加、删除或修改元素,但你不能在元组中这样做。如果你需要表示一个不能更改的序列,或如果你希望确保序列的内容在代码中是固定的,那么使用元组。
元组使用圆括号()来定义,而列表使用方括号[]来定义。例如:
my_tuple = (1, 2, 3)
my_list = [1, 2, 3]
通常情况下,元组用于表示相关联的数据,例如一个点的坐标(x, y)或一个人的姓名、年龄和地址的元组(name, age, address)。列表通常被用于存储和操作一组相关的数据,例如一组数字或字符串。
元组是比列表更轻量级的对象,它们在内存中的开销更小,并且速度更快。因此,如果你需要存储大量的不可变数据,并且对性能有严格的要求,那么使用元组。
元组支持多种类型的元素,而列表通常只包含单一类型的元素。例如,一个元组可以同时包含整数、字符串和浮点数,而列表通常只包含整数或字符串等相同类型的元素。
2.使用Numpy中函数创建ndarrary数组,如arange,ones,zeros等
函数 | 说明 |
---|---|
np.arange(n) | 类似range()函数,返回ndarray类型,元素从0到-1 |
np.ones(shape) | 根据shape生成一个全1数组,shape是元组类型 |
np.zeros(shape) | 根据shape生成一个全0数组,shape是元组类型 |
np.full(shape,val) | 根据shape生成一个数组,每个元素值都是val |
np.eye(n) | 创建一个正方的N*N单位矩阵,对角线为1,其余为0 |
np.ones_like(a) | 根据数组a的形状生成一个全1数组 |
np.zeros_like(a) | 根据数组a的形状生成一个全0数组 |
np.full_like(a,val) | 根据数组a的形状生成一个数组,每个元素值都是val |
ones,zeros,eye默认都是生成浮点数类型,除非元素类型dtype指定
arange是生成整数类型
np.arange()函数: 创建一个等差数列的一维数组,可以指定起始点、终止点和步进值。例如:
import numpy as np
a = np.arange(1, 10, 2)
print(a)
输出:
[1 3 5 7 9]
p.ones()函数: 创建一个全是1的数组,可以指定数组的形状和数据类型。例如:
import numpy as np
a = np.ones((2,3), dtype=np.float64)
print(a)
输出:
[[1. 1. 1.]
[1. 1. 1.]]
np.zeros()函数: 创建一个全是0的数组,可以指定数组的形状和数据类型。例如:
import numpy as np
a = np.zeros((3,4), dtype=np.int32)
print(a)
输出:
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
3.使用Numpy中其他函数创建ndarrary数组
函数 | 说明 |
---|---|
np.linspace() | 根据起止数据等间距地填充数据,形成数组 |
np.concatenate() | 将两个或多个数组合并成一个新的数组 |
ndarray数组的变换
对于创建的ndarray数组,可以对其进行维度变换和元素类型变换
a = np.ones((2,3,4),dtype=np.int32)
ndarray数组的维度变换
偶尔出现报错情况,按下Shift + Enter执行偶尔会有用,疑问中
a = np.ones((2,3,4),dtype=np.int32)
a.flatten()
Out[92]:
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1])
b = a.flatten()
b
Out[95]:
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1])
a
Out[96]:
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]])
ndarray数组类型变换
np.int没有这个类型,写入程序选择int32或者int64
new_a = a.astype(new_type)
ndarray数组向列表的转换
ls = a.tolist()
数组的索引和切片
Numpy数组编号从0开始
多维数组的索引
多维数组的切片
numpy一元函数对ndarray中的数据执行元素级运算的函数
函数 | 说明 |
---|---|
np.abs(x) np.fabs(x) | 计算数组各元素的绝对值 |
np.sqrt(x) | 计算数组各元素的平方根 |
np.square(x) | 计算数组各元素的平方 |
np.log(x) np.log10(x) np.log2(x) | 计算数组各元素的自然对数、10底对数和2底对数 |
np.ceil(x)np.floor(x) | 计算数组各元素的ceiling值或floor值 |
np.rint(x) | 计算数组各元素的四舍五入值 |
np.modf(x) | 将数组各元素的小数和整数部分以两个独立数组形式返回 |
np.cos(x)、 np.cosh(x)、np.sin(x)、 np.sinh(x)、np.tan(x) 、np.tanh(x) | 经典大片计算数组各元素的普通型和双曲型三角函数 |
np.exp(x) | 计算数组各元素的指数值 |
np.sign(x) | 计算数组各元素的符号值,1(+), 0, ‐1(‐) |
NumPy二元函数对ndarray中的数据执行元素级运算的函数
函数 | 说明 |
---|---|
+、 ‐、 * 、/ 、** | 两个数组各元素进行对应运算 |
np.maximum(x,y) 、np.fmax()、 np.minimum(x,y) 、np.fmin() | 元素级的最大值/最小值计算 |
np.mod(x,y) | 元素级的模运算 |
np.copysign(x,y) | 将数组y中各元素值的符号赋值给数组x对应元素 |
> < >=<===!= | 算术比较,产生布尔型数组 |