Numpy入门（1） - 数据类型及数组创建
常量
NumPy中常见常量共4种。
1. numpy.nan
表示空值。其中 nan = NaN = NAN
import numpy as np x = np.array([1, 2, 3, 4, np.nan, 5]) print(x) >> [ 1. 2. 3. 4. nan 5.]
Note：两个 np.nan 不相等
print(np.nan == np.nan) >> False
2. numpy.inf
表示无穷大。其中 inf = Inf = infty = Infinity = PINF
3. numpy.pi
表示圆周率。
print(np.pi) >> 3.141592653589793
4. numpy.e
表示自然对数e。
print(np.e) >> 2.718281828459045
数据类型
Python 原生的数据类型相对较少， bool、int、float、str等。这在不需要关心数据在计算机中表示的所有方式的应用中是方便的。然而，对于科学计算，通常需要更多的控制。为了加以区分 NumPy 在这些类型名称末尾都加了“_”。
下表列举了常用 NumPy 基本类型。
| 类型 | 备注 | 说明 |
|---|---|---|
| bool_ = bool8 | 8位 | 布尔类型 |
| int8 = byte | 8位 | 整型 |
| int16 = short | 16位 | 整型 |
| int32 = intc | 32位 | 整型 |
| int_ = int64 = long = int0 = intp | 64位 | 整型 |
| uint8 = ubyte | 8位 | 无符号整型 |
| uint16 = ushort | 16位 | 无符号整型 |
| uint32 = uintc | 32位 | 无符号整型 |
| uint64 = uintp = uint0 = uint | 64位 | 无符号整型 |
| float16 = half | 16位 | 浮点型 |
| float32 = single | 32位 | 浮点型 |
| float_ = float64 = double | 64位 | 浮点型 |
| str_ = unicode_ = str0 = unicode | Unicode 字符串 | |
| datetime64 | 日期时间类型 | |
| timedelta64 | 表示两个时间之间的间隔 |
numpy 的数值类型实际上是 dtype 对象的实例。
class dtype(object): def __init__(self, obj, align=False, copy=False): pass
其中obj参数表示要转化的数据类型对象，在 NumPy 中，每个内建类型都有一个唯一定义它的字符代码，如下：
| 字符 | 对应类型 | 备注 |
|---|---|---|
| b | boolean | 'b1' |
| i | signed integer | 'i1', 'i2', 'i4', 'i8' |
| u | unsigned integer | 'u1', 'u2' ,'u4' ,'u8' |
| f | floating-point | 'f2', 'f4', 'f8' |
| c | complex floating-point | |
| m | timedelta64 | 表示两个时间之间的间隔 |
| M | datetime64 | 日期时间类型 |
| O | object | |
| S | (byte-)string | S3表示长度为3的字符串 |
| U | Unicode | Unicode 字符串 |
| V | void |
其中 i1 表示 int8，i2 表示 int16 等等。例如：
a = np.dtype('i1') print(a.type) >> <class 'numpy.int8'> print(a.itemsize) >> 1 a = np.dtype('i2') print(a.type) >> <class 'numpy.int16'> print(a.itemsize) >> 2
可以使用 iinfo 类查看整形数据的限制。
ii16 = np.iinfo(np.int16) print(ii16.min) >> -32768 print(ii16.max) >> 32767 ii32 = np.iinfo(np.int32) print(ii32.min) >> -2147483648 print(ii32.max) >> 2147483647
Python 的浮点数通常是64位浮点数，几乎等同于 np.float64。
NumPy和Python整数类型的行为在整数溢出方面存在显着差异，与 NumPy 不同，Python 的 int 是灵活的。这意味着Python整数可以扩展以容纳任何整数，并占用对应的内存数量且不会溢出。
a = 0 print(sys.getsizeof(a)) >> 24 a = 1 print(sys.getsizeof(a)) >> 28 a = np.iinfo(np.int32).max + 1 print(sys.getsizeof(a)) >> 32
而对于 NumPy 数据类型，超出其限制则会报 Warning
a = np.int64(np.iinfo(np.int64).max) + 1 >> <ipython-input-48-26c3cb429bd3>:4: RuntimeWarning: overflow encountered in long_scalars a = np.int64(np.iinfo(np.int64).max) + 1
时间日期和时间增量
在 NumPy 中，我们很方便的将字符串转换成时间日期类型 datetime64（datetime 已被 python 包含的日期时间库所占用）。
datatime64 是带单位的日期时间类型，其单位如下：
| 日期单位 | 代码含义 | 时间单位 | 代码含义 |
|---|---|---|---|
| Y | 年 | h | 小时 |
| M | 月 | m | 分钟 |
| W | 周 | s | 秒 |
| D | 天 | ms | 毫秒 |
| - | - | us | 微秒 |
| - | - | ns | 纳秒 |
| - | - | ps | 皮秒 |
| - | - | fs | 飞秒 |
| - | - | as | 阿托秒 |
从字符串创建 datetime64 类型时，默认情况下，NumPy 会根据字符串自动选择对应的单位。
a = np.datetime64('2020-03-01') print(a, a.dtype) >> 2020-03-01 datetime64[D] a = np.datetime64('2020-03') print(a, a.dtype) >> 2020-03 datetime64[M] a = np.datetime64('2020-03-08 20:00:05') print(a, a.dtype) >> 2020-03-08T20:00:05 datetime64[s] a = np.datetime64('2020-03-08 20:00') print(a, a.dtype) >> 2020-03-08T20:00 datetime64[m] a = np.datetime64('2020-03-08 20') print(a, a.dtype) >> 2020-03-08T20 datetime64[h]
与 deltatime 相似，deltatime64 用于表示两个 datetime64 之间的差。Note：年（'Y'）和月（'M'）不能用于和其他单位换算。
a = np.datetime64('2020-03-08') - np.datetime64('2020-03-07') b = np.datetime64('2020-03-08') - np.datetime64('202-03-07 08:00') c = np.datetime64('2020-03-08') - np.datetime64('2020-03-07 23:00', 'D') print(a, a.dtype) >> 1 days timedelta64[D] print(b, b.dtype) >> 956178240 minutes timedelta64[m] print(c, c.dtype) >> 1 days timedelta64[D] a = np.datetime64('2020-03') + np.timedelta64(20, 'D') b = np.datetime64('2020-06-15 00:00') + np.timedelta64(12, 'h') print(a, a.dtype) >> 2020-03-21 datetime64[D] print(b, b.dtype) >> 2020-06-15T12:00 datetime64[m]
a = np.timedelta64(1, 'Y')print(np.timedelta64(a, 'D'))>> TypeError: Cannot cast NumPy timedelta64 scalar from metadata [Y] to [D] according to the rule 'same_kind'
数组的创建
NumPy 提供的最重要的数据结构是 ndarray，它是 python 中 list 的扩展。
1. 根据现有数据创建 ndarray
(a) 通过 array()创建
# 创建一维数组 a = np.array([0, 1, 2, 3, 4]) b = np.array((0, 1, 2, 3, 4)) print(a, type(a)) >> [0 1 2 3 4] <class 'numpy.ndarray'> print(b, type(b)) >> [0 1 2 3 4] <class 'numpy.ndarray'> # 创建二维数组 c = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) print(c, type(c)) >> [[11 12 13 14 15] [16 17 18 19 20] [21 22 23 24 25] [26 27 28 29 30] [31 32 33 34 35]] <class 'numpy.ndarray'> # 创建三维数组 d = np.array([[(1.5, 2, 3), (4, 5, 6)], [(3, 2, 1), (4, 5, 6)]]) print(d, type(d)) >> [[[1.5 2. 3. ] [4. 5. 6. ]] [[3. 2. 1. ] [4. 5. 6. ]]] <class 'numpy.ndarray'>
(b) 通过 asarray() 创建
array() 和 asarray() 都可以将结构数据转化为 ndarray，但是 array() 和 asarray() 主要区别就是当数据源是 ndarray 时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时 asarray()不会。
x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]]) y = np.array(x) z = np.asarray(x) x[1][2] = 2 print(x,type(x),x.dtype) >> [[1 1 1] [1 1 2] [1 1 1]] <class 'numpy.ndarray'> int32 print(y,type(y),y.dtype) >> [[1 1 1] [1 1 1] [1 1 1]] <class 'numpy.ndarray'> int32 print(z,type(z),z.dtype) >> [[1 1 1] [1 1 2] [1 1 1]] <class 'numpy.ndarray'> int32
(c) 通过 fromfunction() 创建
给函数绘图的时候可能会用到fromfunction()，该函数可从函数中创建数组。
def f(x, y): return 10 * x + y x = np.fromfunction(f, (5, 4), dtype=int) print(x) >> [[ 0 1 2 3] [10 11 12 13] [20 21 22 23] [30 31 32 33] [40 41 42 43]]
2. 使用 0 和 1 填充
（a) 0 数组
zeros()：返回给定形状和类型的 0 数组。zeros_like()：返回与给定数组形状和类型相同的 0 数组
x = np.zeros(5) print(x) >> [0. 0. 0. 0. 0.] x = np.zeros([2, 3]) print(x) >> [[0. 0. 0.] [0. 0. 0.]] x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.zeros_like(x) print(y) >> [[0 0 0] [0 0 0]]
(b) 1 数组
ones()：返回给定形状和类型的 1 数组。ones_like()：返回与给定数组形状和类型相同的 1 数组。
(c) 空数组
empty()：返回一个空数组，数组元素为随机数。empty_like()：返回与给定数组具有相同形状和类型的新数组。
x = np.empty(5) print(x) >> [1.95821574e-306 1.60219035e-306 1.37961506e-306 9.34609790e-307 1.24610383e-306]
(d) 单位数组
eye()：返回一个对角线上为1，其它地方为零的单位数组。identity()：返回一个方的单位数组。
x = np.eye(4) print(x) >> [[1. 0. 0. 0.] [0. 1. 0. 0.] [0. 0. 1. 0.] [0. 0. 0. 1.]] x = np.eye(2, 3) print(x) >> [[1. 0. 0.] [0. 1. 0.]] x = np.identity(4) print(x) >> [[1. 0. 0. 0.] [0. 1. 0. 0.] [0. 0. 1. 0.] [0. 0. 0. 1.]]
(e) 对角数组
diag()：提取对角线或构造对角数组。
x = np.arange(9).reshape((3, 3)) print(x) >> [[0 1 2] [3 4 5] [6 7 8]] print(np.diag(x)) >> [0 4 8] print(np.diag(x, k=1)) >> [1 5] print(np.diag(x, k=-1)) >> [3 7] v = [1, 3, 5, 7] x = np.diag(v) print(x) >> [[1 0 0 0] [0 3 0 0] [0 0 5 0] [0 0 0 7]]
(f) 常数数组
full()：返回一个常数数组。full_like()：返回与给定数组具有相同形状和类型的常数数组。
x = np.full((2,), 7) print(x) >> [7 7] x = np.full(2, 7) print(x) > [7 7] x = np.full((2, 7), 7) print(x) >> [[7 7 7 7 7 7 7] [7 7 7 7 7 7 7]] x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.full_like(x, 7) print(y) >> [[7 7 7] [7 7 7]]
3. 利用数值范围来创建 ndarray
arange()：返回给定间隔内的均匀间隔的值。linspace()：返回指定间隔内的等间隔数字。logspace()：返回数以对数刻度均匀分布。numpy.random.rand()：返回一个由[0,1)内的随机数组成的数组。
x = np.arange(5) print(x) >> [0 1 2 3 4] x = np.arange(3, 7, 2) print(x) >> [3 5] x = np.linspace(start=0, stop=2, num=9) print(x) >> [0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ] x = np.logspace(0, 1, 5) print(np.around(x, 2)) >> [ 1. 1.78 3.16 5.62 10. ] # np.around 返回四舍五入后的值，可指定精度。 # around(a, decimals=0, out=None) # a 输入数组 # decimals 要舍入的小数位数。 默认值为0。 如果为负，整数将四舍五入到小数点左侧的位置 x = np.linspace(start=0, stop=1, num=5) x = [10 ** i for i in x] print(np.around(x, 2)) >> [ 1. 1.78 3.16 5.62 10. ] x = np.random.random(5) print(x) >> [0.41768753 0.16315577 0.80167915 0.99690199 0.11812291] x = np.random.random([2, 3]) print(x) >> [[0.41151858 0.93785153 0.57031309] [0.13482333 0.20583516 0.45429181]]
4. 结构数组的创建
结构数组，首先需要定义结构，然后利用np.array()来创建数组，其参数dtype为定义的结构。
(a) 利用字典定义结构
personType = np.dtype({ 'names': ['name', 'age', 'weight'], 'formats': ['U30', 'i8', 'f8']}) a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)], dtype=personType) print(a, type(a)) >> [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)] <class 'numpy.ndarray'>
(b) 利用包含多个元组的列表定义结构
personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')]) a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)], dtype=personType) print(a, type(a))
>> [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
<class 'numpy.ndarray'>
数组的属性
在使用 numpy 时，你会想知道数组的某些信息。很幸运，在这个包里边包含了很多便捷的方法，可以给你想要的信息。
numpy.ndarray.ndim：用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。numpy.ndarray.shape：表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即ndim属性(秩)。numpy.ndarray.size：数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。numpy.ndarray.dtype：ndarray对象的元素类型。numpy.ndarray.itemsize：以字节的形式返回数组中每一个元素的大小。
a = np.array([1, 2, 3, 4, 5]) print(a.shape) >> (5,) print(a.dtype) >> int32 print(a.size) >> 5 print(a.ndim) >> 1 print(a.itemsize) >> 4 b = np.array([[1, 2, 3], [4, 5, 6.0]]) print(b.shape) >> (2, 3) print(b.dtype) >> float64 print(b.size) >> 6 print(b.ndim) >> 2 print(b.itemsize) >> 8
浙公网安备 33010602011771号