学习Python数据分析(2.1)----Numpy数组以及数组的操作
2017-12-18 09:49
826 查看
学习了几天,第二章,关于NumPy数组的基础部分,这里做一个简单摘要;该章节主要是关于数组的多种操作——组合、数据类型、设置维度和分割等。
1 . Numpy 数组对象
创建一个3X3的多维数组,并显示该数组维度
2 . Numpy数据类型
Python支持的数据类型有整型、浮点型以及复数型,但这些类型不足以满足科学计算的需求,因此NumPy添加了很多其他的数据类型。在实际应用中,我们需要不同精度的数据类型,它们占用的内存空间也是不同的。在NumPy中,大部分数据类型名是以数字结尾的,这个数字表示其在内存中占用的位数。
数据类型转换
创建自定义数据类型
查看数据类型
3 . 一维数组的切片
4 . 多维数组的切片和索引
5 . 数组的组合
水平组合
6 . 数组的属性
ndim属性,给出数组的维数,或数组轴的个数
size属性,给出数组元素的总个数
itemsize属性,给出数组中的元素在内存中所占字节数
这部分主要是对Numpy有个概念性的认识和掌握,在以后实际需要的时候,能够想到使用Numpy 序列。
参考 《Numpy Beginner’s Guide–Second Edition》Ivan Idris
1 . Numpy 数组对象
创建一个3X3的多维数组,并显示该数组维度
>>> from numpy import * >>> m=array([arange(3),arange(3),arange(3)]) >>> m array([[0, 1, 2], [0, 1, 2], [0, 1, 2]]) >>> m.shape (3, 3) >>>
2 . Numpy数据类型
Python支持的数据类型有整型、浮点型以及复数型,但这些类型不足以满足科学计算的需求,因此NumPy添加了很多其他的数据类型。在实际应用中,我们需要不同精度的数据类型,它们占用的内存空间也是不同的。在NumPy中,大部分数据类型名是以数字结尾的,这个数字表示其在内存中占用的位数。
数据类型转换
>>> float64(36) 36.0 >>> int8(36.0) 36 >>> bool(36) True >>> bool(0) False >>> float(True) 1.0 >>> float(False) 0.0 >>>
创建自定义数据类型
>>> t=dtype([('name', str_, 40), ('numitems', int32), ('price',float32)]) >>> t dtype([('name', '<U40'), ('numitems', '<i4'), ('price', '<f4')]) >>>
查看数据类型
>>> t['name'] dtype('<U40') >>>
3 . 一维数组的切片
>>> from numpy import * >>> a = arange(16) >>> a[4:7] array([4, 5, 6]) >>>
4 . 多维数组的切片和索引
>>> b = arange(24).reshape(2,3,4) >>> b.shape (2, 3, 4) >>> b array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]]) >>>
5 . 数组的组合
>>> a = arange(16).reshape(4,4) >>> a array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15]]) >>> b=2*a >>> b array([[ 0, 2, 4, 6], [ 8, 10, 12, 14], [16, 18, 20, 22], [24, 26, 28, 30]]) >>>
水平组合
>>> hstack((a,b)) array([[ 0, 1, 2, 3, 0, 2, 4, 6], [ 4, 5, 6, 7, 8, 10, 12, 14], [ 8, 9, 10, 11, 16, 18, 20, 22], [12, 13, 14, 15, 24, 26, 28, 30]]) >>> concatenate((a,b),axis=1) array([[ 0, 1, 2, 3, 0, 2, 4, 6], [ 4, 5, 6, 7, 8, 10, 12, 14], [ 8, 9, 10, 11, 16, 18, 20, 22], [12, 13, 14, 15, 24, 26, 28, 30]]) >>>
6 . 数组的属性
>>> b array([[ 0, 2, 4, 6], [ 8, 10, 12, 14], [16, 18, 20, 22], [24, 26, 28, 30]])
ndim属性,给出数组的维数,或数组轴的个数
>>> b.ndim 2 >>>
size属性,给出数组元素的总个数
>>> b.size 16
itemsize属性,给出数组中的元素在内存中所占字节数
>>> b.itemsize 4
这部分主要是对Numpy有个概念性的认识和掌握,在以后实际需要的时候,能够想到使用Numpy 序列。
参考 《Numpy Beginner’s Guide–Second Edition》Ivan Idris
<OVER>
相关文章推荐
- 学习Python数据分析随手笔记【一】numpy数组的函数简单应用
- 学习Python数据分析随手笔记【二】numpy数组的属性
- Python数据分析基础教程:Numpy学习指南
- Python数据分析|第4章 NumPy基础:数组和矢量计算
- Python数据分析之numpy学习(二)
- 学习Python数据分析(1)----numpy,Pandas,matplotlib,scipy 的安装
- python数据分析学习笔记-Numpy-Matplotlib-Pandas
- python学习之路-3 初始python数据类型以及文件操作
- 『利用Python进行数据分析学习』第四章:numpy基础学习
- Python 学习(4)---文件的读写操作以及数据的腌制
- Python数据分析001——numpy数组的深入思考
- Python数据分析之numpy学习(一)
- Python数据分析(3)-numpy中nd数组的创建
- python数据分析学习笔记--numpy
- Python数据分析之numpy学习
- 用Python处理数据(一)—— NumPy数组学习
- python中对numpy数组的保存(图像分析image2array后保存数组可用于进一步数据分析)
- python numpy操作数组学习笔记(二)数组的分割和组合
- numpy教程 - 基本数据类型、多维数组ndarray及其切片操作
- Java中的移位操作以及基本数据类型转换成字节数组【收集】