Python Numpy 入门

numpy是一个基础的进行科学计算的第三方库

一、数据维度

一维数据：

一维数据由对等关系的有序或无序数据构成采用线性方式组织

例如：3.1413， 3.1398， 3.1468，3.1349，3.1376

对应列表、数组和集合等概念

一维数据的有序结构

列表：数据类型可以不同

数组：数据类型相同

二维数据

二维数据由多个一维数据构成，是一维数据的组合形式

例如：表格就是一个典型的二维数据

高维数据

利用最基本的二元关系展示数据见的复杂结构，例如键值对

数据维度的python表示

一维数据： 列表（有序）和集合（无序）类型

二维数据：列表类型

三维数据：列表类型

高维数据：字典类型 或数据表示格式

例如JSON、XML、YAML

二、NumPy的数组对象： ndarray

NumPy是一个开源的Python科学计算基础库，包括

1.一个强大的N维数组对象 ndarray

2.广播功能函数

3.整合c/c++/Fortran代码的工具

4.线性代数、傅里叶变换、随机数生成等功能

NumPy是SciPy、Pandas等数据处理或科学计算库的基础

NumPy的引用

import numpy as np (引入模块的别名)

尽管别名可以省略或更改，建议使用上述约定的别名

Python已有列表类型，为什么需要一个数组对象（类型）？

1.数组对象可以去掉原书记安运算所需的循环，使一维向量更像单个数据

2.设置专门的数组对象，经过优化，可以提升这类应用的运算速度

观察：科学计算中，一个维度所有的数据类型往往相同

3.数据对象采用相同的数据类型，有足浴节省运算和存储空间

ndarray是一个多维度组对象，由两部分构成：

1.实际的数据

2.描述这些数据的元数据（数据维度、数据类型等）

ndarray数据一般要求所有元素类型相同（同质），数组下标从0开始

ndarray在程序中的别名是：array

可用np.array()生成一个 ndarray数组

np.array()输出成[] 形式，元素由空格分割

import numpy as np

使用 Anaconda中的IPython进行学习

import numpy as np

a = np.array([[0, 1, 2, 3, 4],
[9, 8, 7, 6, 5]])

三、ndarray对象的属性

(1) .ndim ： 轴的数量或维度的数量

(2) .shape : ndarray对象的尺度，对于矩阵，n行m列

(3) .size : ndarray对象袁术的个数，相当于 .shape中 n*m的值

(4) .dtype : ndarray对象的元素类型

(5) .itemsize : ndarray对象中每个元素的大小

ndarray实例：

a.ndim
Out[35]: 2

a.shape
Out[36]: (2, 5)

a.size
Out[37]: 10

a.dtype
Out[38]: dtype('int32')

a.itemsize
Out[39]: 4

三、ndarray的元素类型

bool：布尔类型，True或False

intc : 与C语言中的int类型一致，一般是int32 或者 64

intp : 用于索引的整数， 与C语言中的ssize_t 一致,int32或int64

int8 : 字节长度的整数

int16： 16位长度的整数

int32 : 32位长度的整数

int64 ：64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 : 64位无符号整数

float16 :16位半精度浮点数

float32 : 32位半精度浮点数

float64 : 64位半精度浮点数

complex64 复数类型，实部和虚部都是32位浮点数

complex128 复数类型，实部和虚部都是64位浮点数 （real + j*imag）

四、ndarray数组的创建方法

np.arange(n) : 类似range(）函数，返回 ndarray类型，元素从0到n-1 （默认类型为整型）

np.ones(shape) : 根据shape生成一个全1数组，shape是元组类型 （默认类型为浮点型）

np.zeros(shape) ： 根据shape生成一个全0数组，shape是元组类型 （默认类型为浮点型）

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的单位矩阵，对角线为1，其余为 0 （默认类型为浮点型）

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

np.linspace() : 根据起止数据间距滴填充数据，形成数组

np.concatenate() 将两个或多个数组合并成一个新的数组

五、ndarray数组的维度变换

.reshape(shape) 不改变数组元素，返回一个shape形状的数组，原数组不变

.resize(shape) 与 .reshape()功能一致，但修改原数组

.swapaxes(ax1,ax2) 将数组n个维度中两个维度进行调换

.flatten() ： 对数组进行降维，返回折叠后的一堆数组，原数组不变

ndarray数组类型变换

astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致

new_a = a.astype(new_type)

ndarray数组向列表的转换

ls = a.tolist()

六、ndarray数组操作

数组的索引和切片

索引：获取数组中特定位置元素的过程

切片：获取数组元素子集的过程

一维数组的索引和切片：与python的列表类型

b = np.array([9, 8, 6, 5])

b[2]

Out[5]: 6

b[1 : 4 : 2]

Out[6]: array([8, 5])

多维数组的切片

1.选取一个维度用 ：

2.每个维度的切片方法与一维数组相同

3.每个维度可以使用补偿跳跃切片

七、ndarray数组的运算

a.mean() ： 计算a与袁术平均值的商

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.ceill(x) np.floor(x) 计算数组各元素ceiling值 或 floor值

Numpy一元函数

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) 计算数组各元素的普通型和双曲型三角函数

np.tan(x) np.tanh(x)

np.exp(x) 计算数组各元素的普通型和双曲型三角函数

np.sign(x) 计算数组各元素的符号值， 1（+），0， -1（-）

NumPy二元函数

/ ** 两个数组各元素进行对应运算

np.maximum(x,y) np.fmin()

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中各元素值的符号复制给数组x对应元素

< >= <= == != 算数比较，产生布尔型数组

喜欢python的小伙伴可以关注我公众号

纯干货技术分享：