Numpy库

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