Numpy 中的 Ndarray

numpy概述

Numerical Python，数值的Python，补充了Python语言所欠缺的数值计算能力。
Numpy是其它数据分析及机器学习库的底层库。
Numpy完全标准C语言实现，运行效率充分优化。
Numpy开源免费。

numpy历史

1995年，Numeric，Python语言数值计算扩充。
2001年，Scipy->Numarray，多维数组运算。
2005年，Numeric+Numarray->Numpy。
2006年，Numpy脱离Scipy成为独立的项目。

numpy的核心：多维数组

代码简洁：减少Python代码中的循环。
底层实现：厚内核©+薄接口(Python)，保证性能。

ndarray 数组

用np.ndarray类的对象表示n维数组

import numpy as npary = np.array([1, 2, 3, 4, 5, 6])print(type(ary)) # <class 'numpy.ndarray'>

内存中的ndarray对象

元数据(metadata)

存储对目标数组的描述信息，如：ndim、shape、dtype、data等。

实际数据

完整的数组数据

将实际数据与元数据分开存放，一方面提高了内存空间的使用效率，另一方面减少对实际数据的访问频率，提高性能。

数组对象的特点

Numpy数组是同质数组，即所有元素的数据类型必须相同
Numpy数组的下标从0开始，最后一个元素的下标为数组长度减1，同python的列表。

数组对象的创建

np.array(任何可被解释为Numpy数组的逻辑结构)

import numpy as npa = np.array([1, 2, 3, 4, 5, 6])print(a) # [1 2 3 4 5 6]

np.arange(起始值(0),终止值,步长(1))

import numpy as npa = np.arange(0, 5, 1)print(a) # [0 1 2 3 4]b = np.arange(0, 10, 2)print(b) # [0 2 4 6 8]

np.zeros(数组元素个数, dtype='类型')

import numpy as npa = np.zeros(10)print(a) # [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]

np.ones(数组元素个数, dtype='类型')

import numpy as npa = np.ones(10)print(a) # [1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]

对象属性的基本操作

数组的维度：np.ndarray.shape

123456789

import numpy as npary = np.array([1, 2, 3, 4, 5, 6])print(type(ary), ary, ary.shape)#二维数组ary = np.array([    [1,2,3,4],    [5,6,7,8]])print(type(ary), ary, ary.shape) # <class 'numpy.ndarray'> [[1 2 3 4] [5 6 7 8]] (2, 4)

元素的类型：np.ndarray.dtype

123456789

import numpy as npary = np.array([1, 2, 3, 4, 5, 6])print(type(ary), ary, ary.dtype) # <class 'numpy.ndarray'> [1 2 3 4 5 6] int64#转换ary元素的类型b = ary.astype(float)print(type(b), b, b.dtype) # <class 'numpy.ndarray'> [1. 2. 3. 4. 5. 6.] float64#转换ary元素的类型c = ary.astype(str)print(type(c), c, c.dtype) # <class 'numpy.ndarray'> ['1' '2' '3' '4' '5' '6'] <U21

数组元素的个数：np.ndarray.size

import numpy as npary = np.array([    [1,2,3,4],    [5,6,7,8]])#观察维度，size，len的区别print(ary.shape, ary.size, len(ary)) # (2, 4) 8 2

数组元素索引(下标)

数组对象[…, 页号, 行号, 列号]

下标从0开始，到数组len-1结束。

1234567891011121314

import numpy as npa = np.array([[[1, 2],               [3, 4]],              [[5, 6],               [7, 8]]])print(a, a.shape)print(a[0])print(a[0][0])print(a[0][0][0])print(a[0, 0, 0])for i in range(a.shape[0]):    for j in range(a.shape[1]):        for k in range(a.shape[2]):            print(a[i, j, k])

对象属性操作详解

Numpy的内部基本数据类型

类型名	类型表示符
布尔型	bool_
有符号整数型	int8(-128~127) / int16 / int32 / int64
无符号整数型	uint8(0~255) / uint16 / uint32 / uint64
浮点型	float16 / float32 / float64
复数型	complex64 / complex128
字串型	str_，每个字符用32位Unicode编码表示
日期类型	datetime64

自定义复合类型：list of tuples

1234567891011121314151617181920212223242526272829303132333435363738394041

# 自定义复合类型import numpy as np

data=[   ('zs', [90, 80, 85], 15),   ('ls', [92, 81, 83], 16),   ('ww', [95, 85, 95], 15)]#第一种设置dtype的方式a = np.array(data, dtype='U3, 3int32, int32')print(a)print(a[0]['f0'], ":", a[1]['f1'])print("=====================================")#第二种设置dtype的方式b = np.array(data, dtype=[('name', 'str_', 2),                    ('scores', 'int32', 3),                    ('age', 'int32', 1)])print(b[0]['name'], ":", b[0]['scores'])print("=====================================")

#第三种设置dtype的方式c = np.array(data, dtype={'names': ['name', 'scores', 'ages'],                    'formats': ['U3', '3int32', 'int32']})print(c[0]['name'], ":", c[0]['scores'], ":", c.itemsize)print("=====================================")

#第四种设置dtype的方式  d = np.array(data, dtype={'name': ('U3', 0),                    'scores': ('3int32', 16),                    'age': ('int32', 28)})print(d[0]['names'], d[0]['scores'], d.itemsize)

print("=====================================")

#测试日期类型数组f = np.array(['2011', '2012-01-01', '2013-01-01 01:01:01','2011-02-01'])f = f.astype('M8[D]')f = f.astype('i4')print(f[3]-f[0])

f.astype('bool')

类型字符码

类型	字符码
np.bool_	?
np.int8/16/32/64	i1 / i2 / i4 / i8
np.uint8/16/32/64	u1 / u2 / u4 / u8
np.float/16/32/64	f2 / f4 / f8
np.complex64/128	c8 / c16
np.str_	U
np.datetime64	M8[Y] M8[M] M8[D] M8[h] M8[m] M8[s]

数组维度操作

视图变维(数据共享)： reshape() 与 ravel()

123456789

import numpy as npa = np.arange(1, 9)print(a)     # [1 2 3 4 5 6 7 8]b = a.reshape(2, 4)   #视图变维  : 变为2行4列的二维数组print(b)c = b.reshape(2, 2, 2) #视图变维    变为2页2行2列的三维数组print(c)d = c.ravel()    #视图变维   变为1维数组print(d)

复制变维(数据独立)：flatten()

e = c.flatten()print(e)a += 10print(a, e, sep='\n')

就地变维：直接改变原数组对象的维度，不返回新数组

a.shape = (2, 4)print(a)a.resize(2, 2, 2)print(a)

数组索引操作

# 数组对象切片的参数设置与列表切面参数类似#  步长+：默认切从首到尾#  步长-：默认切从尾到首数组对象[起始位置:终止位置:步长, ...]# 默认位置步长：1

123456789101112131415

import numpy as npa = np.arange(1, 10)print(a)  # 1 2 3 4 5 6 7 8 9print(a[:3])  # 1 2 3print(a[3:6])   # 4 5 6print(a[6:])  # 7 8 9print(a[::-1])  # 9 8 7 6 5 4 3 2 1print(a[:-4:-1])  # 9 8 7print(a[-4:-7:-1])  # 6 5 4print(a[-7::-1])  # 3 2 1print(a[::])  # 1 2 3 4 5 6 7 8 9print(a[:])  # 1 2 3 4 5 6 7 8 9print(a[::3])  # 1 4 7print(a[1::3])  # 2 5 8print(a[2::3])  # 3 6 9

多维数组的切片操作

12345678910

import numpy as npa = np.arange(1, 28)a.resize(3,3,3)print(a)#切出1页 print(a[1, :, :])     #切出所有页的1行print(a[:, 1, :])      #切出0页的1行1列print(a[0, :, 1])

ndarray数组的掩码操作：之后的要学到的pandas包也经常使用

import numpy as npa = np.arange(1, 10)mask = [True, False,True, False,True, False,True, False,True]print(a[mask])

多维数组的组合与拆分

垂直方向操作：vstack vsplit

import numpy as npa = np.arange(1, 7).reshape(2, 3)b = np.arange(7, 13).reshape(2, 3)# 垂直方向完成组合操作，生成新数组c = np.vstack((a, b))# 垂直方向完成拆分操作，生成两个数组d, e = np.vsplit(c, 2)

水平方向操作：hstack hsplit

import numpy as npa = np.arange(1, 7).reshape(2, 3)b = np.arange(7, 13).reshape(2, 3)# 水平方向完成组合操作，生成新数组 c = np.hstack((a, b))# 水平方向完成拆分操作，生成两个数组d, e = np.hsplit(c, 2)

深度方向操作：dstack dsplit(3 维)

import numpy as npa = np.arange(1, 7).reshape(2, 3)b = np.arange(7, 13).reshape(2, 3)# 深度方向(3维)完成组合操作，生成新数组i = np.dstack((a, b))# 深度方向(3维)完成拆分操作，生成两个数组k, l = np.dsplit(i, 2)

长度不等的数组组合：pad+vstack/hstack/dstack

123456789

import numpy as npa = np.array([1,2,3,4,5])b = np.array([1,2,3,4])# 填充b数组使其长度与a相同b = np.pad(b, pad_width=(0, 1), mode='constant', constant_values=-1)print(b)# 垂直方向完成组合操作，生成新数组c = np.vstack((a, b))print(c)

多维数组组合与拆分的相关函数：concatenate split

1234567891011

# 通过axis作为关键字参数指定组合的方向，取值如下：# 若待组合的数组都是二维数组：#   0: 垂直方向组合#    1: 水平方向组合# 若待组合的数组都是三维数组：#   0: 垂直方向组合#    1: 水平方向组合#    2: 深度方向组合np.concatenate((a, b), axis=0)# 通过给出的数组与要拆分的份数，按照某个方向进行拆分，axis的取值同上np.split(c, 2, axis=0)

简单的一维数组组合方案：row_stack colomn_stack

12345678

a = np.arange(1,9)      #[1, 2, 3, 4, 5, 6, 7, 8]b = np.arange(9,17)     #[9,10,11,12,13,14,15,16]#把两个数组摞在一起成两行c = np.row_stack((a, b))print(c)#把两个数组组合在一起成两列d = np.column_stack((a, b))print(d)

注：均分，份数需可整除。

类的其他属性

shape - 维度
dtype - 元素类型
size - 元素数量
ndim - 维数，len(shape)
itemsize - 元素字节数
nbytes - 总字节数 = size x itemsize
real - 复数数组的实部数组
imag - 复数数组的虚部数组
T - 数组对象的转置视图
flat - 扁平迭代器

123456789101112131415

import numpy as npa = np.array([[1 + 1j, 2 + 4j, 3 + 7j],              [4 + 2j, 5 + 5j, 6 + 8j],              [7 + 3j, 8 + 6j, 9 + 9j]])print(a.shape)print(a.dtype)print(a.ndim)print(a.size)print(a.itemsize)print(a.nbytes)print(a.real, a.imag, sep='\n')print(a.T)print([elem for elem in a.flat])b = a.tolist()print(b)

查看全文

http://www.taodudu.cc/news/show-3625855.html

numpy中的ndarray方法和属性详解
python中ndarray是什么意思_什么是Numpy的ndarray
ndarray 求和_Numpy ndarray 创建与简单的数学运算
详解numpy库ndarray对象的切片操作(三帽号规则)
NumPy ndarray对象
Python_Numpy库的ndarray对象的属性有哪些?如何获取它们的值?
python中ndarray对象_numpy基础——ndarray对象
详解 Numpy.ndarray
Python的Numpy库的ndarray对象常用构造方法及初始化方法
Rust机器学习之ndarray
ndarray基础操作
ndarray
数据结构3 ：ndarray
NumPy学习笔记（一）—— ndarray数组
使用ndarray
Numpy：数组对象（Ndarray）的定义和创建
mxnet快速入门教程值NDArray(一)
Python--ndarray 常用属性详解
Python: NumPy中的多维数组ndarray
【matlab教程】12、已知函数表达式画函数图
求多元函数表达式
函数声明和函数表达式的区别：
已知方程用 matlab 求表达式,已知自变量,因变量和函数表达式,可以用matlab求出函数表达式中的未知参数吗...
matlab 列出具体表达式,MATLAB中如何实现输出一个函数表达式
逻辑函数表达式的形式
关于函数表达式的标识符/函数名
函数声明、函数表达式与立即调用函数表达式的比较
javascript函数声明和函数表达式
matlab显示函数表达式_MATLAB在绘图时的用法——线形图
函数声明与函数表达式的区别