python模块 - numpy
Posted yangjunh
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了python模块 - numpy相关的知识，希望对你有一定的参考价值。
numpy - 基础数组操作
基础
-
数据分析及机器学习底层库，C语言实现，提供基础数值计算
-
核心是多维数组的操作，减少python对多维数组操作时的循环
-
numpy.ndarray类表示n维数组类
-
ndarray对象在内存中储存内容
- 元数据：描述数组信息，如ndim、dimensions、dtype、data等
- 实际数据：和元数据分离，一定程度减少实际数据访问，提高性能
-
特点
- 同质性：数组所有元素必须是相同类型
- 数组下标：从0开始
array对象
数据类型
| 类型 | 符号 | 字符码(进行类型转换，自定义符合类型标注) |
|---|---|---|
| 布尔 | bool_ | ? |
| 有符号整数 | int8(-128~127)/int16/32/64 | i1/i2/i4/i8 |
| 无符号整数 | uint8(0~255)/uint16/32/64 | u1/u2/u4/u8 |
| 浮点数 | float/16/32/64 | f2/f4/f8 |
| 复数 | complex64/128 | c8/c16 |
| 字符串 | str_ | U<字符数> |
| 日期 | datetime64 | M8[Y] M8[M] M8[D] M8[h] M8[m] M8[s] |
-
日期 datetime64
- 常见格式：‘年‘, ‘年-月-日‘, ‘年-月-日 时:分:秒‘
- 规范化：可对不同精确度的时间精确到统一时间单位 array.astype(‘M8[Y/M/D/h/m/s]‘)
- 可进行减操作得到时间差，精确到数据中最小时间单位
-
自定义复合类型
# 实例 data=[ (‘zs‘, [90, 80, 85], 15), (‘ls‘, [92, 81, 83], 16), (‘ww‘, [95, 85, 95], 15) ] # 方法一：字符串对应每条数据格式 # 创建 a = numpy.array(data,dtype=‘U3, 3int32, int32‘) # 访问 a[0][‘f0‘] # ‘zs‘ # 方法二：字典对应每条数据字段名称 # 创建 c = np.array(data, dtype={‘names‘: [‘name‘, ‘scores‘, ‘ages‘], ‘formats‘: [‘U3‘, ‘3int32‘, ‘int32‘]}) # 访问 c[0][‘name‘] # ‘zs‘ # 方法三：列表对应每条数据字段名称 # 创建 b = np.array(data, dtype=[(‘name‘, ‘str_‘, 2), (‘scores‘, ‘int32‘, 3), (‘ages‘, ‘int32‘, 1)]) # 访问 b[0][‘name‘] # ‘zs‘
创建：
- numpy.array([]) 普通一维数组
- numpy.arange(start,end,step) 从起始值到终止值按指定步长生成数组
- numpy.zeros(count,dtype=‘类型‘) 生成count个0组成的一维数组
- numpy.ones(count,dtype=‘类型‘) 生成count个1组成的一维数组
属性
可查看和修改部分属性
- 维度(每层元素个数) array.shape
- 维数 array.ndim
- 元素类型 array.dtype
- 个数类
- 总元素个数 array.size [[1,2],[3,4]]的size为4
- 最外层元素数 len(array) [[1,2],[3,4]]的len为2
- 元素字节数 itemsize
- 总字节数 nvytes
- 复数
- 实数部 real
- 虚数部 iamg
- 迭代器 flat
- array[索引] [0][0][0]==[0,0,0]
操作
-
偏移缩放转置：
- 每个元素进行相同操作
- +、-、*、/、**、T
-
遍历(扁平迭代器)
- elem for elem in a.flat
-
类型转换：
- array.astype(type) 类型强制转换
-
变维：
- 就地变维：改变源数据格式
- 视图变维：数据不同展示形式
- 复制变维：复制出新的独立数据
变维类型 方法 描述 数据是否共享 就地变维 shape() 转为指定格式，无返回值 共享(本身) 就地变维 resize() 转为指定格式，无返回值 共享(本身) 视图变维 reshape() 转为指定格式，返回新数组对象 共享(同一数据) 视图变维 reval() 退化为一维，返回新数组对象 共享共享(同一数据) 复制变维 flatten() 退化为一维，返回新数组对象 不共享(不同数据) array1 = numpy.arange(1,9) # 1*8 一维数组 array1.shape(2,4) # 2*4 二维数组 array1.resize(2,4) # 2*4 二维数组 array2 = array1.reshape(2,4) # 2*4 二维数组 array1 = numpy.arange(1,9) # 1*8 一维数组 array1.shape(2,2,2) # 2*2*2 三维数组 array1.resize(2,2,2) # 2*2*2 三维数组 array3 = array1.reshape(2,2，2) # 2*2*2 三维数组 array4 = array3.reval() # 1*8 一维数组 array1 = numpy.arange(1,9) # 1*8 一维数组 array5 = array1.flatten() # 1*8 一维数组 array1,array2,array3,array4 共享数据 array5 独立数据 案例： 生成3*3*3的三维数组，元素为1到27 array1 = numpy.arange(1,28).resize(3,3,3) -
切片：
- array([start: end: step，start: end: step，start: end: step]）根据维度切出指定页行列
# 一维数组 a = numpy.arange(1, 10) # 1 2 3 4 5 6 7 8 9 # 正序 print(a[::]) # 1 2 3 4 5 6 7 8 9 print(a[:]) # 1 2 3 4 5 6 7 8 9 # 倒序 print(a[::-1]) # 9 8 7 6 5 4 3 2 1 # 省略start，倒推到边界，step=1就end-1倒推，step=-1就end+1倒推 print(a[:4:-1]) # 9 8 7 6 相当于[8:4:-1] print(a[:-4:-1]) # 9 8 7 相当于[-1:-4:-1] # 省略end，正推到边界，step=1就start+1正推，step=-1就start-正推 print(a[7::-1]) # 8 7 6 5 4 3 2 1 相当于[7:-1:-1] print(a[-7::-1]) # 3 2 1 相当于[-7:-10:-1] -
掩码：根据指定条件进行筛选
array = numpy.arange(1, 5) mask = [True, False,True, False,True] print(array[mask]) # array([1,3,5]) print(array[array>3]) # array([4,5]) print(array>3) # array([False, False,True, True,True]) -
合并拆分
-
水平方向
-
合并 c = numpy.hstack((a,b))/row_stack((a,b))
-
等分a,b = numpy.hsplit(c,2)
a = numpy.arange(1,1+6).reshape(2,3) # array([[1,2,3], # [4,5,6]]) b = numpy.arange(1+6,1+12).reshape(2,3) # array([[7,8,9], # [10,11,12]]) c = numpy.hstack((a,b)) # array([[1,2,3,7,8,9], # [4,5,6,10,11,12]]) d,e = numpy.hsplit(c,2) # d同a，e同b
-
-
垂直方向
-
合并c = numpy.vstack((a,b))/column_stack((a,b))
-
等分a,b = numpy.vsplit(c,2)
a = numpy.arange(1,1+6).reshape(2,3) # array([[1,2,3], # [4,5,6]]) b = numpy.arange(1+6,1+12).reshape(2,3) # array([[7,8,9], # [10,11,12]]) c = numpy.vstack((a,b)) # array([[1,2,3], # [4,5,6], # [7,8,9], # [10,11,12]]) d,e = numpy.vsplit(c,2) # d同a，e同b
-
-
深度方向
-
合并c = numpy.dstack((a,b))，等分a,b = numpy.dsplit(c,2)
a = numpy.arange(1,1+6).reshape(2,3) # array([[1,2,3], # [4,5,6]]) b = numpy.arange(1+6,1+12).reshape(2,3) # array([[7,8,9], # [10,11,12]]) c = numpy.dstack((a,b)) # array([[[1,7], # [2,8], # [3,9]], # [[4,10], # [5,11], # [6,12]]]) d,e = numpy.dsplit(c,2) # array([[[1], # [2], # [3]], # [[4], # [5], # [6]]])
-
-
通用方法
- 合并c = numpy.concatenate((a,b),axis=0)
- 等分a,b = numpy.dsplit(c,2,,axis=0)
-
以上是关于python模块 - numpy的主要内容，如果未能解决你的问题，请参考以下文章