Numpy基础
一、简介
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
- 一个强大的N维数组对象 ndarray
- 广播功能函数
- 整合 C/C++/Fortran 代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
NumPy 通常与 SciPy（计算扩展）和 Matplotlib（数据可视化）一起使用
SciPy 是一个开源的 Python 算法库和数学工具包，包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。
二、ndarray对象
NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。
ndarray 对象是用于存放同类型元素的多维数组。
ndarray 中的每个元素在内存中都有相同存储大小的区域。
ndarray 内部由以下内容组成：
-
一个指向数据（内存或内存映射文件中的一块数据）的指针。
-
数据类型或 dtype，描述在数组中的固定大小值的格子。
-
一个表示数组形状（shape）的元组，表示各维度大小的元组。
-
一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。
语法
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数说明：
| 名称 | 描述 |
|---|---|
| object | 数组或嵌套的数列 |
| dtype | 数组元素的数据类型，可选 |
| copy | 对象是否需要复制，可选 |
| order | 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认） |
| subok | 默认返回一个与基类类型一致的数组 |
| ndmin | 指定生成数组的最小维度 |
创建一个普通的ndarray对象
import numpy as np a = np.array([1,2,3]) #创建一维数组 print("这是一维数组：",a) b = np.array([[4,5,6],[7,8,9]]) #创建二维数组 print("这是二维数组：",b) c = np.array([1,2,3,4,5],ndmin = 2) #指定最小维度 print("指定了最小维度：",c) d = np.array([1,2,3],dtype = complex) #指定元素数据类型为复数 print("指定了元素数据类型为复数：",d)
三、numpy数据类型
numpy 支持的数据类型比 Python 内置的类型要多很多，其中部分类型对应为 Python 内置的类型。
| bool_ | 布尔型数据类型（True 或者 False） |
| int_ | 默认的整数类型 |
| intc | 与 C 的 int 类型一样，一般是 int32 或 int 64 |
| intp | 用于索引的整数类型 |
| int8 | 字节（-128 to 127） |
| int16 | 整数（-32768 to 32767） |
| int32 | 整数（-2147483648 to 2147483647） |
| int64 | 整数（-9223372036854775808 to 9223372036854775807） |
| uint8 | 无符号整数（0 to 255） |
| uint16 | 无符号整数（0 to 65535） |
| uint32 | 无符号整数（0 to 4294967295） |
| uint64 | 无符号整数（0 to 18446744073709551615） |
| float_ | float64 类型的简写 |
| float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
| float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
| float64 | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
| complex_ | complex128 类型的简写，即 128 位复数 |
| complex64 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
| complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符
数据类型对象是用来描述与数组对应的内存区域如何使用，这依赖如下几个方面：
数据的类型（整数，浮点数或者 Python 对象）
数据的大小（例如， 整数使用多少个字节存储）
数据的字节顺序（小端法或大端法）
在结构化类型的情况下，字段的名称、每个字段的数据类型和每个字段所取的内存块的部分
如果数据类型是子数组，它的形状和数据类型
import numpy as np students = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')]) #创建结构化数据类型 b = np.array([('chancey',18,100),('chanceys',16,99)],dtype = students) #将数据应用于ndarray对象 print(b)
NumPy 数组的维数称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。
在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。
比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。
很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。
NumPy 的数组中比较重要 ndarray 对象属性有：
| 属性 | 说明 |
|---|---|
| ndarray.ndim | 秩，即轴的数量或维度的数量 |
| ndarray.shape | 数组的维度，对于矩阵，n 行 m 列 |
| ndarray.size | 数组元素的总个数，相当于 .shape 中 n*m 的值 |
| ndarray.dtype | ndarray 对象的元素类型 |
| ndarray.itemsize | ndarray 对象中每个元素的大小，以字节为单位 |
| ndarray.flags | ndarray 对象的内存信息 |
| ndarray.real | ndarray元素的实部 |
| ndarray.imag | ndarray 元素的虚部 |
| ndarray.data | 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。 |
详解：
ndarray.ndim 返回数组的维数，等于秩
a = np.arange(24) #生成0-23的整数 print(a.ndim) #返回秩
ndarray.shape 返回维度，以元组的形式返回，分别是它的行和列
a = np.array([[1,2,3],[4,5,6]]) print(a.shape) #此外，a.shape还可以用来修改维度 a.shape = (1,6) print(a) #Numpy用reshape专门用来修改维度 b = a.reshape(3,2) print(b)
ndarray.itemsize 以字节的形式返回数组中每一个元素的大小
x = np.array([1,2,3,4], dtype = 'int64') #int64就是占用64个bits，而每个字节的长度固定为8，所以x的itemsize的值为64/8=8 print(x.itemsize)
ndarray.flags 返回内存地址
>>> import numpy as np >>> x = np.array([1,2,3]) >>> print(x.flags) C_CONTIGUOUS : True #数据是在一个单一的C风格的连续段中 F_CONTIGUOUS : True #数据是在一个单一的Fortran风格的连续段中 OWNDATA : True #数组拥有它所使用的内存或从另一个对象中借用它 WRITEABLE : True #数据区域可以被写入，将该值设置为 False，则数据为只读 ALIGNED : True #数据和所有元素都适当地对齐到硬件上 WRITEBACKIFCOPY : False UPDATEIFCOPY : False #这个数组是其它数组的一个副本，当这个数组被释放时，原数组的内容将被更新
浙公网安备 33010602011771号