python——Numpy库

Posted 2021-01-02 z-bear

 

Numpy库

英文官方文档：https://docs.scipy.org/doc/numpy/reference/arrays.ndarray.html

Numpy库中的数组对象：N维数组类型：ndarray

1)      ndarray的作用：

　　a)      数组对象性可以去掉元素间运算所需的循环，使一维向量更像单个数据。

　　b)     设置专门的数组对象，经过优化，可以提升这类应用的运算速度。

 

 

2)      ndarray是一个多维数组对象，有两部分组成：

　　实际的数据 和 描述这些数据的元数据（数据维度、数据类型等）

                 ndarray数组一般要求所有元素类型相同（同质），数组下标从零开始

 

 

3)      ndarray实例对象的属性：

　　.ndim：秩，即轴的数量或维度的数量

　　.shape：ndarray对象的尺度，对于矩阵，n行m列

　　.size：ndarray对象元素的个数，相当于.shape中的n*m

　　.dtype：ndarray对象的元素类型

　　.itemsize：ndarray对象中的每个元素的大小，以字节为单位

 

 

4)        ndarray的元素类型：

数据类型	说明
bool	布尔类型，True or False
intc	与C语言中的int类型一致Int32或int6
intp	用于索引的整数，与C语言中的ssize_t一致，int2或int64
int8	8字节长度的整数，取值[-128,127]
int16/int32/int64	类似int8
uint8	8位无符正数，取值[0,255]
uint16/uint32/uint64	类似uint8
float16	16位半精度浮点数:1位符号位,5位指数(10^指数),10位尾数
float32	类似float16；1为符号位，8位指数，23位尾数
float64	类似float16；1为符号位，11位指数，52位尾数
complex64	复数类型，实部和虚部都是32位浮点数
complex128	复数类型，实部和虚部都是64位浮点数

       对比：python语法只支持整数，浮点数和复数3种类型

                而科学计算对数据的类型，精度都有较高要求

       注意：非同质的ndarray无法有效发挥Numpy优势，尽量避免使用

 

 

5)      ndarray数组的创建方法：

　　a)      从python中的列表、元组等类型创建ndarray数组

　　　　x=Numpy.array(list/tuple)     

　　　　x=Numpy.array(list/tuple, dtype=np.int64)

　　　　不指定dtype,Numpy将根据数据情况关联一个dtype

　　b)     使用Numpy中函数创建ndarray数组，如：arange,ones,zeros等

函数	说明
Numpy.arange(n)	类似range()函数，返回ndarray类型，元素从0到n-1
Numpy.ones(shape)	根据shape生成一个全一数组，shape是元组类型
Numpy.zeros(shape)	根据shape生成一个全零数组，shape是元组类型
Numpy.full(shape,val)	根据shape生成一个数组，每个元素值都是val
Numpy.eye(n)	生成n阶单位阵
Numpy.ones_like(a)	根据数组a的形状生成一个全1数组
Numpy.zeros_like(a)	根据数组a的形状生成一个全0数组
Numpy.full_like(a,val)	根据数组a的形状生成一个数组，每个元素值都是val
Numpy.linspace()	根据起止数据等间距地填充数据，形成数组
Numpy.concatenate()	将两个或多个数组合并成一个新的数组

 

　　c)      从字节流(raw bytes )中创建ndarray数组

　　d)     从文件中读取特定格式，创建ndarray数组

 

 

6）ndarray数组的变换

　　a)  ndarray数组的维度变换(例如x=Numpy.eye(n))

函数	说明
x.reshape(shape)	不改变数组元素，返回一个shape形状的数组，原数组不变
x.resize(shape)	与.reshape()功能一致，但修改原数组
x.swapaxes(ax1,ax2)	将数组n个维度中的两个维度进行调换
x.flatten()	对数组进行降维，返回折叠后的一维数组，原数组不变

 

　　b)     ndarray数组的其他变换

函数	说明
x.astype(new_type)	类型变换：创建一个新数组(原始数据的一个拷贝）即使两个数据类型一致
x.tolist()	向列表变换

 

 

7）ndarray数组的操作：
              数组的索引：获取数组中特定元素。例如

 

 
            数组的切片：获取数组元素子集的过程。

              a）  一维数组的索引和切片：与python的列表类似

              b）多维数组的索引：

　　每个维度的索引值用逗号分隔，选取一个维度用 ：(冒号)，每个维度切片方法与一维数组相同。

　　例如：

8）ndarray数组的运算：

数组与标量之间的运算：

              数组与标量之间的运算作用于数组的每一个元素

     　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　  Numpy的一元函数：

函数	说明
Numpy.abs(x)/.fabs(x)	计算数组中各元素的绝对值
Numpy.sqrt()	计算数组中各元素的平方根
Numpy.square(x)	计算数组中各元素的平方
Numpy.log(x)/.log10(x)/log2(x)	计算数组各元素自然对数、10底对数、2底对数
Numpy.ceil(x)/.floor(x)	计算数组各元素的ceilling值或floor的值
Numpy.rint(x)	计算数组各元素的四舍五入值
Numpy.modf(x)	将数组各元素的小数和整数部分以两个独立数组形式返回
Numpy.cos(x)/.cosh(x) Numpy.sin(x)/.sinh(x) Numpy.tan(x)/.tanh(x)	计算数组各元素的普通型和双曲型三角函数
Numpy.sign(x)	计算数组各元素的符号值
Numpy.exp(x)	计算数组各元素的指数值

      

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　Numpy的二元函数：

函数	说明
+  -  *  /  **	两数组各元素进行对应运算
Numpy.maximum(x)/.fmax(x) Numpy.minimum(x)/.fmin()	元素级的最值
Numpy.mod(x,y)	元素级的模运算
Numpy.copysign(x,y)	将数组y中各元素的符号赋值给数组x对应元素
>  <  >=  ==  !=	算术比较运算符，产生布尔类型