目录

ndarray对象的内部机理

NumPy数据类型体系

高级数组操作--数组重塑

数组的合并和拆分

堆叠辅助类：r_和c_

元素的重复操作：tile和repeat

花式索引的等价函数：take和put

ndarray对象的内部机理

Numpy的ndarray提高了一种将同质数据块（可以是连续的跨越的）解释为多维数组的对象的方式。正如你之前所看到的那样，数据类型决定了数据的解释方式，比如浮点数，整数，布尔值等等。

ndarray如此强大的一个原因是所有的数组对象都是数据块的一个跨度视图。（strided view）,ndarray不止是一块内存和dtype,它还有跨度信息，这使得数组能够以各种幅度在内存中移动，更准确的讲，ndarray内部由以下内容组成：

*一个指向数组（一个系统内存）的指针。

*数据类型或dtype

*一个表示数组类型（shape）的元组，例如，一个10*5的数组，其形状为（10,5）

*一个跨度元组（stride）,其中的整数指的是为了前进到当前纬度下一元素需要跨过的字节数，例如，一个典型的3*4*5的float数组，其跨度为（160,40,8）

NumPy数据类型体系

[code]>>> import numpy as np
>>> ints = np.ones(10,dtype=np.uint16)
>>> ints
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1], dtype=uint16)
>>> float = np.ones(10,dtype = np.uint32)
>>> float = np.ones(10,dtype = np.float32)
>>> float
array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], dtype=float32)
>>> np.issubdtype(ints.dtype,np.integer)
True
>>> np.issubdtype(float.dtype,np.float32)
True
>>> np.issubdtype(float.dtype,np.float)
True

查看所有父类

[code]>>> np.float64.mro()
[<type 'numpy.float64'>, <type 'numpy.floating'>, <type 'numpy.inexact'>, <type 'numpy.number'>, <type 'numpy.generic'>, <type 'float'>, <type 'object'>]

高级数组操作--数组重塑

改变数组的形状

[code]>>> arr = np.arange(8)
>>> arr
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> arr.reshape((4,2))
array([[0, 1],
[2, 3],
[4, 5],
[6, 7]])
>>> arr.reshape((4,2)).reshape((2,4))
array([[0, 1, 2, 3],
[4, 5, 6, 7]])

作为参数的纬度可以是-1，它表示纬度大小有数据本身推断出来

[code]>>> arr = np.arange(15)
>>> arr.reshape((5,-1))
array([[ 0,  1,  2],
[ 3,  4,  5],
[ 6,  7,  8],
[ 9, 10, 11],
[12, 13, 14]])
>>> arr.reshape((3,-1))
array([[ 0,  1,  2,  3,  4],
[ 5,  6,  7,  8,  9],
[10, 11, 12, 13, 14]])

由于数组的shape属性是一个元组，因此他也可以被传入reshape:

[code]>>> other_arr = np.ones((3,5))
>>> other_arr.shape
(3L, 5L)
>>> arr.reshape(other_arr.shape)
array([[ 0,  1,  2,  3,  4],
[ 5,  6,  7,  8,  9],
[10, 11, 12, 13, 14]])

将多维数组展开的运算过程称为扁平化---降维打击

[code]>>> arr = np.arange(15).reshape((5,3))
>>> arr
array([[ 0,  1,  2],
[ 3,  4,  5],
[ 6,  7,  8],
[ 9, 10, 11],
[12, 13, 14]])
>>> arr.ravel()
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

C和ForTran顺序

与其他科学计算环境相反，NumPy允许你更为灵活地控制在内存中的布局。

默认情况下NumPy是按行优先顺序创建的，在空间方面，这就意味着，对于一个二维数组，每行的数据是存在相邻的行上，另一种是按列优先存放的

C成为行优先，Fortran成为列优先。

[code]>>> arr = np.arange(12).reshape((3,4))
>>> arr
array([[ 0,  1,  2,  3],
[ 4,  5,  6,  7],
[ 8,  9, 10, 11]])
>>> arr.ravel()
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
>>> arr.ravel('F')
array([ 0,  4,  8,  1,  5,  9,  2,  6, 10,  3,  7, 11])

C/行优先顺序：现经过更高的纬度，例如轴1会优先于轴0被处理

Fortran/列优先顺序：后经过更高的纬度，例如，轴0会先于轴1被处理。

数组的合并和拆分

[code]>>> import numpy as np
>>> arr1 = np.array([[1,2,3],[4,5,6]])
>>> arr2 = np.array([[7,8,9],[10,11,12]])
>>> np.concatenate([arr1,arr2],axis=0)
array([[ 1,  2,  3],
[ 4,  5,  6],
[ 7,  8,  9],
[10, 11, 12]])
>>> np.concatenate([arr1,arr2],axis=1)
array([[ 1,  2,  3,  7,  8,  9],
[ 4,  5,  6, 10, 11, 12]])

其他方法

[code]>>> np.vstack((arr1,arr2))
array([[ 1,  2,  3],
[ 4,  5,  6],
[ 7,  8,  9],
[10, 11, 12]])
>>> np.hstack((arr1,arr2))
array([[ 1,  2,  3,  7,  8,  9],
[ 4,  5,  6, 10, 11, 12]])

拆份矩阵

[code]>>> from numpy.random import randn
>>> arr = randn(5,2)
>>> arr
array([[ 0.97856788, -1.37528149],
[ 0.55720216, -0.58241076],
[-0.26465266, -1.46150681],
[ 0.11445839, -0.66410352],
[ 0.44568727, -1.0911138 ]])
>>> first,second,third = np.split(arr,[1,3])
>>> first
array([[ 0.97856788, -1.37528149]])
>>> second
array([[ 0.55720216, -0.58241076],
[-0.26465266, -1.46150681]])
>>> third
array([[ 0.11445839, -0.66410352],
[ 0.44568727, -1.0911138 ]])

堆叠辅助类：r_和c_

Numpy命名空间中有两个特殊对象---r_和c_，他们可以使数组的堆叠操作更为简洁：

[code]>>> arr = np.arange(6)
>>> arr1 = arr.reshape((3,2))
>>> arr2 = randn(3,2)
>>> np.r_[arr1,arr2]
array([[ 0.        ,  1.        ],
[ 2.        ,  3.        ],
[ 4.        ,  5.        ],
[-0.32236699,  0.87641534],
[-1.10413826, -0.84423609],
[ 1.52870818, -1.63998148]])
>>> np.c_[arr1,arr2]
array([[ 0.        ,  1.        , -0.32236699,  0.87641534],
[ 2.        ,  3.        , -1.10413826, -0.84423609],
[ 4.        ,  5.        ,  1.52870818, -1.63998148]])
>>> np.c_[np.r_[arr1,arr2],arr]
array([[ 0.        ,  1.        ,  0.        ],
[ 2.        ,  3.        ,  1.        ],
[ 4.        ,  5.        ,  2.        ],
[-0.32236699,  0.87641534,  3.        ],
[-1.10413826, -0.84423609,  4.        ],
[ 1.52870818, -1.63998148,  5.        ]])
>>> np.c_[1:6,-10:-5]
array([[  1, -10],
[  2,  -9],
[  3,  -8],
[  4,  -7],
[  5,  -6]])

元素的重复操作：tile和repeat

repeat会将数组每个元素重复一定次数，从而产生一个更大的数组

[code]>>> arr = np.arange(3)
>>> arr.repeat(3)
array([0, 0, 0, 1, 1, 1, 2, 2, 2])

参数为数组，次数就为数组内元素

[code]>>> arr.repeat([2,5,1])
array([0, 0, 1, 1, 1, 1, 1, 2])

[code]>>> arr = randn(2,2)
>>> arr
array([[ 0.62378524,  0.58608875],
[-2.102162  , -0.20826398]])
>>> arr.repeat(2,axis=0)
array([[ 0.62378524,  0.58608875],
[ 0.62378524,  0.58608875],
[-2.102162  , -0.20826398],
[-2.102162  , -0.20826398]])
>>> arr.repeat(3,axis=1)
array([[ 0.62378524,  0.62378524,  0.62378524,  0.58608875,  0.58608875,
0.58608875],
[-2.102162  , -2.102162  , -2.102162  , -0.20826398, -0.20826398,
-0.20826398]])

tile的功能是沿指定轴向堆叠数组的副本。你可以形象的将其想象成‘铺瓷砖’

[code]>>> np.tile(arr,2)
array([[ 0.62378524,  0.58608875,  0.62378524,  0.58608875],
[-2.102162  , -0.20826398, -2.102162  , -0.20826398]])
>>> np.tile(arr,(3,2))
array([[ 0.62378524,  0.58608875,  0.62378524,  0.58608875],
[-2.102162  , -0.20826398, -2.102162  , -0.20826398],
[ 0.62378524,  0.58608875,  0.62378524,  0.58608875],
[-2.102162  , -0.20826398, -2.102162  , -0.20826398],
[ 0.62378524,  0.58608875,  0.62378524,  0.58608875],
[-2.102162  , -0.20826398, -2.102162  , -0.20826398]])

花式索引的等价函数：take和put

[code]>>> arr = np.arange(10)*100
>>> inds = [7,1,2,6]
>>> arr
array([  0, 100, 200, 300, 400, 500, 600, 700, 800, 900])
>>> arr[inds]
array([700, 100, 200, 600])

ndarray有两个专门用于获取和设置单个轴向上的选区：

[code]>>> arr.take(inds)
array([700, 100, 200, 600])
>>> arr.put(inds,42)
>>> arr
array([  0,  42,  42, 300, 400, 500,  42,  42, 800, 900])
>>> arr.put(inds,[1,111,11111,222222])
>>> arr
array([     0,    111,  11111,    300,    400,    500, 222222,      1,
800,    900])

在其他轴上使用take,只需传入axis关键字即可：

[2,0,2,1]对应数组第一行的坐标，即是无参数是使用自己的元素填充

[code]>>> inds=[2,0,2,1]
>>> arr = randn(2,4)
>>> arr
array([[ 0.37017406,  0.83873575, -1.49859514,  0.03938596],
[ 0.03290924, -0.1093802 , -0.17473124,  0.0457244 ]])
>>> arr.take(inds,axis=1)
array([[-1.49859514,  0.37017406, -1.49859514,  0.83873575],
[-0.17473124,  0.03290924, -0.17473124, -0.1093802 ]])

 

阅读更多