记录一下python的数据结构 - array

记录一下python的数据结构 - array

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。

所以使用前，需要`import numpy as np`

\>>> a = np.array([1,2,3,4])
\>>> b = np.array([[1,2,3][4,5,6]])

\#上面例子中的参数序列的元素都是整数，因此所创建的数组的元素类型也是整数，并且是32bit的长整型。
\#可以通过dtype参数在创建时指定元素类型:

\>>> np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]], dtype=np.float)

= array([[  1.,   2.,   3.,   4.],
[  4.,   5.,   6.,   7.],
[  7.,   8.,   9.,  10.]])

\>>> np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]], dtype=np.complex)

= array([[  1.+0.j,   2.+0.j,   3.+0.j,   4.+0.j],
[  4.+0.j,   5.+0.j,   6.+0.j,   7.+0.j],
[  7.+0.j,   8.+0.j,   9.+0.j,  10.+0.j]])

\>>> a.shape
= (4,)

\>>> b.shape
= (2,3)

\>>> b.shape = 3,2 # 对b进行调整
\>>> b
= ([[1,2][3,4][5,6]])

\>>> b.shape = 2,-1
\>>> b
= ([[1,2,3][4,5,6]])

\>>> d = a.reshape((2,2)) #创建1个改变了尺寸的新数组，且a和d共享内存，改变其中一个元素，会同时修改另一个

\>>> a = np.arange(10)
\>>> a
= [0,1..,8,9]

\>>> np.arange(0,1,0.1) #arange函数类似于range函数，通过指定开始值、终值和步长来创建一维数组，当然也是不包括终值的
= array([ 0. ,  0.1,  0.2,  0.3,  0.4,  0.5,  0.6,  0.7,  0.8,  0.9])

\>>> np.arange(0, 60, 10).reshape(-1, 1) + np.arange(0, 6)
= array([[ 0,  1,  2,  3,  4,  5],
[10, 11, 12, 13, 14, 15],
[20, 21, 22, 23, 24, 25],
[30, 31, 32, 33, 34, 35],
[40, 41, 42, 43, 44, 45],
[50, 51, 52, 53, 54, 55]])

\>>> a[5] #用整数做下标
\>>> a[3:5] #用范围做下标获取数组切片，包括a[3]但不包括a[5]
= array([3,4])

\>>> a[:5]
array([0,1,2,3,4])

\>>> a[:-1] #用法同list

\>>> a[2:4] = 100,101 # 索引修改值

\>>> a[1:-1:2] #第三个参数表示步长
= array([1, 3, 5, 7])

\>>> a[::-1] #数组头尾颠倒，省略范围的开始和结束
= array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])

\>>> a[5:1:-2] #步长为负，则起始点要大于结束点
= array([5, 3])

\>>> b = a[3:7] #通过索引产生的新数组b，和a共享数据空间