1. Numpy数组对象
Numpy中的多维数组称为ndarray,是Numpy中最常见的数组对象。
优势:
numpy数组通常是由相同种类的元素组成,即数组中的数据项的类型一致。这样的好处是,由于知道数组元素的类型相同,所以能快速确定存储数据所需空间的大小。
Numpy数组能够运用向量化运算来处理整个数组,速度较快;而Python的列表通常需要借助循环语句遍历列表(Python本身效率偏低)运行效率相对来说较差。Numpy使用了优化过的C API,运算速度较快
2. 创建ndarray数组对象
导入numpy,一般使用np作为简写,这是官方倡导的写法。
import numpy as np
1. 基于原有的list或者tuple转换
2. np.arange
3. 使用np.random.rand生成随机数组
以及使用zeros,ones,empty函数创建数组
3. Numpy的数值类型
bool 布尔类型,True或False,占用1比特inti 其长度取决于平台的整数,一般是int32或者int64int8 字节长度的整数,取值:[-128,127]int16 16位长度的整数,取值:[-32768,32767]int32 32位长度的整数int64 32位长度的整数uint8 8位无符号整数uint16 16位无符号整数uint32 32位无符号整数uint64 32位无符号整数float16 16位半精度浮点数:1位符号位,5位指数,10位尾数float32 32位半精度浮点数:1位符号位,8位指数,23位尾数float64或float双精度浮点数:1位符号位,11位指数,52位尾数complex 复数类型,实部和虚部都是32位浮点数
每一种数据类型都有相对应的数据转换函数,在创建数组时,可以指定数据类型,复数不能转换为整数类型或者浮点数
4. ndarray数组的属性
dtype属性,数组中元素的数据类型;
ndim属性,数组维度的数量;
shape属性,数组对象的尺度,对于矩阵,即n行m列,shape是一个元祖;
size属性,用来保存元素的数量;
itemsize属性,返回数组中各个元素所占用的字节数大小;
nbytes属性, 如果想知道整个数组所需的字节数量,可以使用该属性,值等于数组的size属性值乘以itemsize属性值;
T属性,数组转置
real和imag属性,复数的实部和虚部flat属性,返回一个numpy.flatiter对象,即可迭代对象。
5. 常用函数
向上取整np.ceil(arr)
向下取整np.floor(arr)
四舍五入np.rint(arr)
判断数组中的元素是否为空np.isnan(arr)
相乘np.multiply(arr1,arr2)
相除np.divide(arr1,arr2)
计算相加结果np.sum(arr)
计算平均数np.mean(arr)
最大值np.max(arr)
最小值np.min(arr)
方差np.var(arr)
标准差np.std(arr)
最大值的下标(索引)np.argmax(arr)
最小值的下标(索引)np.argmin(arr)
累加计算np.cumsum(arr)
累乘np.cumprod(arr) where()函数 1.条件 2.条件成立时取得数据 3.条件不成立时 取得数据
any()函数 表示数组中至少有一个符合条件的元素,返回True,否则返回False
all()函数 表示数组中的元素必须全部符合条件时,返回True,否则返回False
unique() 返回数组中的唯一值,返回一个排好序的一维数组