NumPy 数组对象
NumPy 数组对象
# 来源:NumPy Essentials ch2
数组索引和切片
# 创建 100x100 个 0~1 随机数
x = np.random.random((100, 100)) # 取第 42 行 87 列的元素(从零开始)
y = x[42, 87]# 取第 k 行的所有元素
# 等价于 x[k] 和 x[k, ...]
print(x[k, :]) a = np.array([[10 * y + x for x in range(6)] for y in range(6)])
'''
+--+--+--+--+--+--+
| 0| 1| 2| 3| 4| 5|
+--+--+--+--+--+--+
|10|11|12|13|14|15|
+--+--+--+--+--+--+
|20|21|22|23|24|25|
+--+--+--+--+--+--+
|30|31|32|33|34|35|
+--+--+--+--+--+--+
|40|41|42|43|44|45|
+--+--+--+--+--+--+
|50|51|52|53|54|55|
+--+--+--+--+--+--+
'''a[0, 3:5]
'''
array([3, 4])
+--+--+--+--+--+--+
| | | | 3| 4| |
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
'''a[4: ,4:]
'''
array([[44, 45],
[54, 55]])
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
| | | | |44|45|
+--+--+--+--+--+--+
| | | | |54|55|
+--+--+--+--+--+--+
'''a[:, 2]
'''
array([ 2, 12, 22, 32, 42, 52])
+--+--+--+--+--+--+
| | | 2| | | |
+--+--+--+--+--+--+
| | |12| | | |
+--+--+--+--+--+--+
| | |22| | | |
+--+--+--+--+--+--+
| | |32| | | |
+--+--+--+--+--+--+
| | |42| | | |
+--+--+--+--+--+--+
| | |52| | | |
+--+--+--+--+--+--+
'''a[2::2, ::2]
'''
array([[20, 22, 24],
[40, 42, 44]])
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
|20| |22| | |24|
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
|40| |42| | |44|
+--+--+--+--+--+--+
| | | | | | |
+--+--+--+--+--+--+
'''
内存布局
# flags 属性保存了数组的内存布局信息
print x.flags
'''C_CONTIGUOUS : True F_CONTIGUOUS : False OWNDATA : True WRITEABLE : True ALIGNED : True UPDATEIFCOPY : False C_CONTIGUOUS:是否为 C 风格连续,也就是行为主,最后一个维度是连续的
F_CONTIGUOUS:是否为 F 风格连续,也就是列为主,第一个维度是连续的
OWNDATA:是否拥有数据,视图不拥有数据
WRITEABLE:是否可写
ALIGNED:是否对齐
UPDATEIFCOPY:
'''# NumPy 默认是 C 风格连续
c_array = np.random.rand(10000, 10000)
# 可以手动转换为 F 风格连续
f_array = np.asfortranarray(c_array) def sum_row(x):'''计算第零行的和'''return np.sum(x[0, :])
def sum_col(x):'''计算第零列的和'''return np.sum(x[:, 0])'''
我们可以看到,C 风格数组按行访问比较快
F 风格数组按列访问比较快%timeit sum_row(c_array)
10000 loops, best of 3: 21.2 µs per loop %timeit sum_row(f_array)
10000 loops, best of 3: 157 µs per loop %timeit sum_col(c_array)
10000 loops, best of 3: 162 µs per loop %timeit sum_col(f_array)
10000 loops, best of 3: 21.4 µs per loop
'''
副本和视图
# 视图不共享 NumPy 对象,共享底层数据
# 副本不共享 NumPy 对象,不共享底层数据x = np.random.rand(100,10)# 切片和索引都会产生视图
# 而不是副本
y = x[:5, :] # 看看底层内存是否一致
np.may_share_memory(x, y)
# True# 我们将 y 所有元素清零
y[:] = 0# 并打印 x 前 5 行
print(x[:5, :])
'''
[[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]
'''# 但是这样不会产生视图
x = np.random.rand(100,10)
y = np.empty([5, 10])
y[:] = x[:5, :]
np.may_share_memory(x, y)
# False y[:] = 0
print(x[:5, :])
数组创建
# 最简单的方式就是从 Python 列表创建 NumPy 数组
x = np.array([1, 2, 3])
y = np.array(['hello', 'world']) # 但有时我们想创建范围内的数值数组
x = range(5)
y = np.array(x) # NumPy 有个辅助函数
# 等价于上面的操作
x = np.arange(5) # 多维数组也是一样的
x = np.array([[1, 2, 3],[4, 5, 6]]) x.ndim # 2
x.shape # (2, 3)# rand 创建指定形状的数组,元素为 0~1 的随机数
x = np.random.rand(2, 2, 2)
print(x.shape)
# (2, 2, 2)# random 和 rand 相似
# 只是接受元组形式的形状
shape_tuple = (2, 3, 4)
y = np.random.random(shape_tuple)
print(y.shape)
# (2, 3, 4) # randint(l, h, size=sz) 创建 l ~ h-1 的随机整数
# 默认是 10 个
LOW, HIGH = 1, 11
SIZE = 10
x = np.random.randint(LOW, HIGH, size=SIZE)
print(x)
[ 6 9 10 7 9 5 8 8 9 3] # 还有一些其它的创建函数
# zeros(size) 和 ones(size) 创建指定形状的全零或全一数组
# eye(n) 创建 n 维单位矩阵
# full(size, n) 创建指定形状的纯量数组,所有元素都为 n
数据类型
x = np.random.random((10,10)) # dtype 属性是数据类型
x.dtype
# dtype('float64') x = np.array(range(10))
x.dtype
# dtype('int32') x = np.array(['hello', 'world'])
x.dtype
# dtype('S5') # 创建数组时可以指定数据类型
# 我们可以传入 NumPy 类型
x = np.ones((10, 10), dtype=np.int)
x.dtype
# dtype('int32') # 也可以传入表示类型的字符串
x = np.zeros((10, 10), dtype='|S1')
x.dtype
# dtype('S1') # NumPy 会使用它们来构造 dtype
# 完整列表请见
# http://docs.scipy.org/doc/numpy/user/basics.types.html
NumPy 数组对象相关推荐
- [转载] Numpy数组对象ndarray
参考链接: Numpy中的N维数组 ndarray Numpy数组对象ndarray 文章目录 Numpy数组对象ndarrayN维数组对象:ndarrayndarray对象的属性:ndarray的元 ...
- NumPy Essentials 带注释源码 二、NumPy 数组对象
# 来源:NumPy Essentials ch2 数组索引和切片 # 创建 100x100 个 0~1 随机数 x = np.random.random((100, 100)) # 取第 42 行 ...
- python数组初始化_Python科学计算库Numpy数组的初始化和基本操作
umPy系统是Python的一种开源的数值计算扩展.这种工具可用来存储和处理大型矩阵,比Python自身的嵌套列表(nested list structure)结构要高效的多(该结构也可以用来表示矩阵 ...
- python numpy数据类型_Python之numpy数组学习(一)
原标题:Python之numpy数组学习(一) 我回来了. 前言 前面已经安装并学习了Python中的科学计算库,今天主要学习下numpy数组. Numpy数组对象 Numpy中的多维数组称为ndar ...
- NumPy — 创建全零、全1、空、arange 数组,array 对象类型,astype 转换数据类型,数组和标量以及数组之间的运算,NumPy 数组共享内存
NumPy 简介 一个用 python 实现的科学计算包.包括: 1.一个强大的 N 维数组对象 Array : 2.比较成熟的(广播)函数库: 3.用于整合 C/C++ 和 Fortran 代码的工 ...
- 《利用Python》进行数据分析:Numpy基础1 数组对象ndarray
#coding=utf-8__author__ = 'andy' import numpy as np '''数组.numpy数组.ndarray,基本都是一个东西'''#创建数组data1=[6,7 ...
- numpy基础1多维数组对象
1 # coding: utf-8 2 # numpy ndarry:多维数组对象 3 import numpy as np 4 # 生成随机数组 5 data = np.random.randn(2 ...
- NumPy的数组对象:ndarray
目录 一:前言 1:数据的维度 2:数据维度的Python表示 3:NumPy的介绍 4:NumPy的引用 5:计算a²+b²例子,其中a和b都是一维数组 二:N维数组对象:ndarray 1:nda ...
- 初识 Python 科学计算库之 NumPy(创建多维数组对象)
文章目录 参考 描述 NumPy 特点 获取 导入 多维数组对象 np.array() np.asarray() 范围 随机 概览 np.random.randn() np.random.normal ...
最新文章
- 自动化运维工具Saltstack(一)
- c语言插入排序算法伪代码,排序算法——插入排序(C语言实现)
- OCS 2007 R2将前端加入到企业版池
- 干货分享:什么是Java设计工厂模式?
- 使用TestBed测试具有依赖关系的Angular服务
- python list长度_python的入门阶段 编程思维100题 我跟罗志祥没关系
- 32tomcat的目录结构
- 1070. 结绳(25)
- Linux终端命令(6)--ifconfig,(find -name ‘*.txt‘ | xargs rm -rf)
- 在ArcEngine中使用Geoprocessing工具-执行工具
- maven tomcat插件_Maven技术01
- win7中计算机被改为了句号,WIN7中中文输入法快捷键无法修改的解决方法.doc
- 阿姆达尔定律(Amdahl's law)
- 电脑坏了,疑似主板故障
- 使用svn merge 实现回退版本
- 网盘上传文件服务器失败原因,win7系统在百度网盘上传文件一直失败的解决方法...
- 裸辞半年,我靠Python闷声赚了20万
- ADS 修改绘图单位
- 打印服务spoolsv.exe应用程序错误解决方法
- 啊哈哈哈,鸡(面)汤(经)来喽~(得物,B站,百度),附答案总结