Python开发：NumPy学习ndarray数组

Posted 2022-05-04 guobin-

一、数据维度

　　一个数据表达一个含义，一组数据表达一个或多个含义。

　　数据维度概念：一组数据的组织形式，其中有一维数据、二维数据、多维数据、高维数据。

　　1、  一维数据

　　一维数据由对等关系的有序或无序数据构成，采用线性方式组织。

　　对应：列表、集合

#列表有序
[1,2,3,4,5]
#集合无序
1,2,3,4,5

　　2、二维数据

　　二维数据由多个一维数据构成，是一维数据的组合形式。

　　对应：列表

[[1,2,3],[4,5,6]]

　　3、多维数据

　　多维数据由一维或二维数据在新维度上扩展形成。

　　对应：列表

[[[1],[2],[3]],[[4],[5],[6]],[[7],[8],[9]]]

　　4、高维数据

　　高维数据仅使用最基本二元关系展示数据间的复杂结构。

　　对应：字典或数据表示格式

#字典一一对应为二元关系
dict=
          "x1":"1",  
          "y1":"2",  
     

　　数据表示格式：JSON、XML、YAML等格式

二、NumPy

　　1、简介

　　NumPy是一个开源的科学计算基础库，是SciPy、Pandas等数据处理或科学计算库的基础。

　　2、主要功能：

　　（1）、提供了一个强大的N维数组对象ndarray：

　　　　优点：

　　　　1、数组对象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。

　　　　2、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。

　　　　3、数组对象采用相同的数据类型，有助于节省运算和存储空间。

　　　　实例：

import numpy as np
a=np.array([1,2,3,4,5])
b=np.array([6,7,8,9,10])
c=[]
c=a**2+b**2
print(c)

　　　　

　　（2）、提供了一组广播功能相关的函数，用来在数据间进行计算；

　　（3）、整合了C/C++/Fortran代码，并提供整合工具；

　　（4）、提供了线性代数、傅里叶变换、随机数生成等功能用于科学计算。

三、ndarray：

　　多维数组，由实际数据和描述这些数据的元数据（数据维度、数据类型）两部分构成。

　　一般要求所有元素类型相同，数组下标从0开始。

　　np.array()可以生成一个ndarray数组，输出成[]形式，元素由空格分割。

　　两个属性：

　　轴（axis）:保存数据维度；秩（rank）:轴的数量　　

　　ndarray对象的属性：

　　1、ndim：秩，轴数量或维度数量

import numpy as np
a=np.array([[1,2,3,4,5],[6,7,8,9,10]])
print(a.ndim)

　　

　　2、shape：ndarray对象尺度，即n行m列

import numpy as np
a=np.array([[1,2,3,4,5],[6,7,8,9,10]])
print(a.shape)

　　

　　3、size：ndarray对象元素个数，为shape中n*m

import numpy as np
a=np.array([[1,2,3,4,5],[6,7,8,9,10]])
print(a.size)

　　

　　4、dtype：ndarray对象的元素的类型

import numpy as np
a=np.array([[1,2,3,4,5],[6,7,8,9,10]])
print(a.dtype)

　　

　　5、itemsize：ndarray对象中每个元素大小

import numpy as np
a=np.array([[1,2,3,4,5],[6,7,8,9,10]])
print(a.itemsize)

　　

四、ndarray的相关操作

1、创建：

　　(1)、从Python中的列表、元组等

import numpy as np
#不声明数据类型，创建时会自动读取类型
nd=np.array(list/tuple)

import numpy as np
#声明数据类型
nd=np.array(list/tuple,dtype=np.int32)

　　（2）、使用NumPy中函数

函数	说明
arange(n)	返回ndarray类型，元素从0到n-1
ones(shape)	根据shape生成一个全1数组
zeros(shape)	根据shape生成全0数组
full(shape,value)	根据shape生成一个数组，每元素值全为value
eye(n)	一个正方形的n*n单位矩阵，对角线为1，其余为0
ones_like(a)	根据数组a的形状生成一个全1数组
zeros_like(a)	根据数组a的形状生成一个全0数组
full_like(a,value)	根据数组a的形状生成一个数组，每元素值全为value
linspace()	根据起止数据等间距地填充数据，形成数组
concatenate()	根据两个或多个数组合并成一个新数组

 

　　arange函数默认是整数类型，其他函数默认为float类型，np.ones((1,2),dtype=np.int32)将ones生成的数组类型为int32。

　　举例：

 

　　【2,20】linspace前闭合后闭合等分：

import numpy as np
nd=np.linspace(2,20,10)
print(nd)

　　

　　

　　添加endpoint=Flase，【2,20）linspace前闭合后开放等分：

import numpy as np
nd=np.linspace(2,20,10,endpoint=False)
print(nd)

　　

 

　　concatenate合并：

import numpy as np
nd=np.linspace(2,20,10)
nd2=np.linspace(2,10,3)
nd3=np.concatenate((nd,nd2))
print(nd3)

　　

　　(3)、从字节流中

　　(4)、从文件中读取特定格式

2、变换

　　（1）、维度变换

　　reshape（不改变原数组）

import numpy as np
nd=np.full((2,4,8),6)
a=nd.reshape((8,8))
print(a)
print()
print(nd)

　　

　　resize（改变原数组）

import numpy as np
nd=np.full((2,4,8),6)
print(nd)
print()
nd.resize((8,8))
print(nd)

　　

　　（2）、元素类型变换

　　astype（返回一个新数组）

import numpy as np
nd=np.full((2,4,8),6,dtype=int)
print(nd)
nd2=nd.astype(np.float)
print()
print(nd2)

　　

　　（3）、ndarray数组转化成列表

　　tolist（）

import numpy as np
nd=np.full((2,4,2),1)
print(nd)
nd2=nd.tolist()
print()
print(nd2)

　　

3、索引

　　获取数组中特定位置元素的过程。

　　一维：和python列表的索引方式相同

　　多维：nd[x,y,z]

import numpy as np
nd=np.arange(18).reshape((2,3,3))
print(nd)
print("索引的元素为："+str(nd[1,2,2]))

　　

4、切片

　　获取数组元素子集的过程

　　一维：和python列表的切片方式相同

　　多维：

import numpy as np
nd=np.arange(18).reshape((2,3,3))
print(nd)
print("切出来的：")
print(nd[:,:,::2])

　　

5、运算

　　数组与标量间的计算则为数组中每个元素与标量的计算。

　　示例：

import numpy as np
nd=np.arange(18).reshape((2,3,3))
print(nd)
nd=nd/2
print("运算结果：")
print(nd)

　　

　　函数如下：

函数	说明
abs(n) fabs(n)	计算数组各元素的绝对值
sqrt(n)	计算数组各元素的平方根
square(n)	计算数组各元素的平方
rint(n)	各元素四舍五入
modf(n)	各元素的整数和小数部分分成两个独立数组
cos(n)	三角函数
exp(n)	各元素指数值
sign(n)	各元素的符号值，正数显示+，负数显示-，0显示0
log(n)	计算各元素对数
ceil(n) floor(n)	计算各元素ceiling值或floor值