初学python之Numpy的数组对象ndarray

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