《Python》NumPy——快速处理数据

NumPy——快速处理数据

---

    标准安装的Python中用列表(list)保存一组值，可以用来当作数组使用，不过由于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。这样为了保存一个简单的[1,2,3]，需要有3个指针和三个整数对象。对于数值运算来说这种结构显然比较浪费内存和CPU计算时间。
    此外Python还提供了一个array模块，array对象和列表不同，它直接保存数值，和C语言的一维数组比较类似。但是由于它不支持多维，也没有各种运算函数，因此也不适合做数值运算。
    NumPy的诞生弥补了这些不足，NumPy提供了两种基本的对象：ndarray（N-dimensional array object）和 ufunc（universal function object）。ndarray(下文统一称之为数组)是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。

---

一、ndarray对象

函数库的导入
推荐以下方式导入NumPy函数库：
import numpy as np

1. 一维数组

1.1 通过Python序列创建一维数组

我们可以通过给array函数传递Python的序列对象创建一维数组。

array函数创建一维数组实例：

a = np.array([1, 2, 3, 4])

• shape属性的使用：
  数组的大小可以通过其shape属性获得，数组c的shape有两个元素，因此它是二维数组，其中第0轴的长度为3，第1轴的长度为4。还可以通过修改数组的shape属性，在保持数组元素个数不变的情况下，改变数组每个轴的长度。下面的例子将数组c的shape改为(4,3)，注意从(3,4)改为(4,3)并不是对数组进行转置，而只是改变每个轴的大小，数组元素在内存中的位置并没有改变。

shape属性使用 实例1：

c.shape = 4,3

    当某个轴的元素为-1时，将根据数组元素的个数自动计算此轴的长度，因此下面的程序将数组c的shape改为了(2,6)。

shape属性使用 实例2：

c.shape = 2,-1

• reshape方法的使用：
  使用数组的reshape方法，可以创建一个改变了尺寸的新数组，原数组的shape保持不变。

reshape方法使用实例：
我对数组“a”进行尺寸改变得到一个新的数组d，再对比a和d。

d = a.reshape((2,2))

1.2 通过NumPy函数创建一维数组

    上面的例子都是先创建一个Python序列，然后通过array函数将其转换为数组，这样做显然效率不高。因此NumPy提供了很多专门用来创建数组的函数。

• arange函数：
  arange函数类似于python的range函数，通过指定开始值、终值和步长来创建一维数组，注意数组不包括终值。

arange函数使用实例：

 np.arange(0,1,0.1) #arrange(始值，终值，步长)

• linspace函数：
  linspace函数通过指定开始值、终值和元素个数来创建一维数组，可以通过endpoint关键字指定是否包括终值，缺省设置是包括终值。

linspace函数使用实例：

np.linspace(0, 1, 12)   # linspace(始值，终值，元素个数)

• logspace函数：
  logspace函数和linspace类似，不过它创建等比数列，下面的例子产生1(10^0)到100(102)、
  有20个元素的等比数列。

2. 多维数组

    多维数组的存取和一维数组类似，因为多维数组有多个轴，因此它的下标需要用多个值来表示，NumPy采用组元(tuple)作为数组的下标。组元不需要圆括号，虽然我们经常在Python中用圆括号将组元括起来，但是实际上组元的语法定义只需要用逗号隔开即可。

2.1 通过给array函数传递Python多层嵌套的序列创建多维数组

array函数创建二维数组实例：

c = np