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：ndarray介绍

2：ndarry对象的属性

3：ndarray的元素类型

三：ndarray数组的创建方法

1：从Python中的列表、元组等类型创建ndarray数组

a：从列表类型创建

b：从元组类型创建

c：从列表和元组混合类型创建

2：使用NumPy中函数创建ndarray数组

np.arange(n)

np.ones(shape)

np.zeros(shape)

np.full(shape,val)

np.eye(n)

np.ones_like(a)

np.zeros_like(a)

np.full_like(a,val)

np.linspace()

np.concatenate()

3：从字节流（raw bytes）中创建ndarray数组

4：从文件中读取特定格式，创建ndarray数组

四：ndarray数组的变换

.reshape(shape)

.resize(shape)

.swapaxes(ax1,ax2)

.flatten()

.astype(new_type)

.tolist()

一：前言

1：数据的维度

维度：一组数据的组织形式

列表和数组：一组数据的有序结构

区别：组成列表的各元素的数据类型可以不同，而组成数组的各元素的数据类型得相同。

多维数据：由一维或或二维数据在新维度上扩展形成

高维数据：仅利用最基本的二元关系展示数据之间的复杂结构

2：数据维度的Python表示

一维数据：列表（元素有序）和集合（元素无序）类型

二维数据：列表类型

多维数据：列表类型

高维数据：字典类型或数据表示格式（JSON、XML和YAML格式）

3：NumPy的介绍

NumPy是一个开源的Python科学计算基础库，其拥有：

一个强大的N维数组对象ndarray
广播功能函数
整合C/C++/Fortran代码的工具
线性代数、傅里叶变换、随机数生成等功能

NumPy是SciPy、Pandas等数据处理或科学计算库的基础

4：NumPy的引用

import numpy as np

尽管别名可以省略或更改，但建议使用上述约定的别名，将来工作中会更方便。

以下皆以np为NumPy别名

5：计算a²+b²例子，其中a和b都是一维数组

传统方法：

a=[1,2,3]
b=[2,3,4]
c=[]
for i in range(len(a)):c.append(a[i]**2+b[i]**2)
print(c)

调用NumPy库来定义数组方法：

import numpy as np
a=np.array([1,2,3])
b=np.array([2,3,4])
c=a**2+b**2
print(c)

结果都是：

[5,13,25]

二：N维数组对象：ndarray

1：ndarray介绍

ndarray是一个多维数组对象，由两部分组成：

实际的数据
描述这些数据的元数据（数据维度、数据类型等）

ndarray一般要求所有元素类型相同（同质），数组下标从0开始

np.array()        生成一个ndarray数组

ndarray        在程序中的别名是：array

np.array()        输出成[]形式，元素由空格分割。

轴（axis）：保存数据的维度

秩（rank）：轴的数量

ndarray数组可以由非同质对象构成

非同质ndarray元素为对象类型

非同质ndarray对象无法有效发挥NumPy优势，尽量避免使用

示例：

2：ndarry对象的属性

属性	说明
.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n*m的值
.dtyoe	ndarry对象的元素类型
.itemsize	ndarry对象中每个元素的大小，以字节为单位

示例：

3：ndarray的元素类型

数据类型	说明
bool	布尔类型，True或False
intc	与C语言中的int类型一致，一般是int32或int64
intp	用于索引的整数，与C语言中ssize_t一致，int32或int64
int8	字节长度的整数，取值：[-128,127]
int16	16位长度的整数，取值：[-32768,32767]
int32	32位长度的整数，取值：[-2^31,2^31-1]
int64	64位长度的整数，取值：[-2^63,2^63-1]
uint8	8位无符号整数，取值：[0,255]
uint16	16位无符号整数，取值：[0,65535]
uint32	32位无符号整数，取值：[0,2^32-1]
uint64	64位无符号整数，取值：[0,2^64-1]
float16	16位半精度浮点数：1位符号位，5位指数，10位尾数
float32	32位半精度浮点数：1位符号位，8位指数，23位尾数
float64	64位半精度浮点数：1位符号位，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

实部（.real）+j虚部（.imag）

ndarray的元素类型

对比：Python语法仅支持整数、浮点数和复数3种类型

科学计算涉及数据较多，对存储和性能都有较高要求。
对元素类型精细定义，有助于NumPy库合理使用存储空间并优化性能。
对元素类型精细定义，有助于程序员对程序规模有合理评估。

三：ndarray数组的创建方法

1：从Python中的列表、元组等类型创建ndarray数组

a=np.array(list/tuple)
a=np.array(list/tuple,dtype=np.float32)

当np.array()不指定dtype时，NumPy将根据情况关联一个dtype类型。

a：从列表类型创建

b：从元组类型创建

c：从列表和元组混合类型创建

2：使用NumPy中函数创建ndarray数组

np.arange(n)

类似range()函数，返回ndarray类型，元素从0到n-1

np.ones(shape)

根据shape生成一个全1的数组，shape是元组类型

np.zeros(shape)

根据shape生成一个全0的数组，shape是元组类型

np.full(shape,val)

根据shape生成一个数组，每个元素值都是val

np.eye(n)

创建一个n维单位矩阵，主对角元为1，其余为0

np.ones_like(a)

根据数组a的形状生成一个元素全为1的数组

np.zeros_like(a)

根据数组a的形状生成一个元素全为0的数组

np.full_like(a,val)

根据数组a的形状生成一个元素全为val的数组

np.linspace()

根据起止数据等间距地填充数据，创建数组

np.concatenate()

将两个或多个数组合并成一个新的数组

3：从字节流（raw bytes）中创建ndarray数组

4：从文件中读取特定格式，创建ndarray数组

四：ndarray数组的变换

.reshape(shape)

不改变数组元素，返回一个shape形状的数组，原数组不变

.resize(shape)

与.reshape(shape)功能一致，但修改原数组

.swapaxes(ax1,ax2)

将数组n个维度中俩个维度进行调换，但不改变原数组

0,1分别指维度的序号，a原本是2行3列，通过调换后返回了一个3行2列的数组。

.flatten()

对数组进行降维，返回折叠后的一维数组，原数组不变

.astype(new_type)

该方法一定会创建新的数组，即使两个类型一致，也会对原始数据进行拷贝

.tolist()

实现数组向列表的转换，不改变原数组

NumPy的数组对象：ndarray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 ...
《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：数组对象（Ndarray）的属性
文章目录数组的属性内存布局属性数据类型属性其他属性数组的属性数组属性反映了数组本身固有的信息.通常,通过其属性访问数组允许您获取或者设置数组的内在属性,而无需创建新数组.属性是数组的核心部 ...
Numpy：数组对象（Ndarray）的定义和创建
文章目录数组定义创建数组 1. 通过现有数据创建 2. 通过数值范围创建 3. 通过形状或值创建数组定义数组对象(Ndarray)是一个组合词,其中:N为数字,d(dimension)维度,a ...
Numpy：数组（Ndarray）操作之数组的转换
文章目录数组转换数组转为其他类型数组元素数据类型转换数组的副本和视图概念方法数组操作的内容较多,主要以对数组的转换,数组变化形状,对数组元素进行选择和操作,以及数组元素的增删改查,数组的 ...
Numpy关于数组的基本使用
Numpy关于数组的基本使用 D系鼎溜已关注 2020.03.27 17:34:14字数 1,713阅读 165 附上参考链接 https://www.runoob.com/numpy/numpy-t ...
B01_NumPy Ndarray对象(ndarray内容结构，参数，多维，最小维度，dtype参数)
NumPy Ndarray对象 NumPy 最重要的一个特点是其 N 维数组对象 ndarray,它是一系列同类型数据的集合,以 0 下标为开始进行集合中元素的索引. ndarray 对象是用于存放同 ...
python 数组运算_python数据分析（二） python numpy--数组和矢量运算--数组对象
Numpy numpy是数值计算最重要的基础包,几乎所有的科学运算的模块底层所用的都是numpy数组. Numpy本身没有提供多么高级的数据分析功能,他所提供的功能主要是: 1.具有矢量算术运算(用数 ...
numpy matrix 矩阵对象
https://docs.scipy.org/doc/numpy/reference/generated/numpy.matrix.html#numpy.matrix 1.简介 Matrix类型继承于 ...

NumPy的数组对象：ndarray

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：ndarray介绍

2：ndarry对象的属性

3：ndarray的元素类型

三：ndarray数组的创建方法

1：从Python中的列表、元组等类型创建ndarray数组

a：从列表类型创建

b：从元组类型创建

c：从列表和元组混合类型创建

2：使用NumPy中函数创建ndarray数组

np.arange(n)

np.ones(shape)

np.zeros(shape)

np.full(shape,val)

np.eye(n)

np.ones_like(a)

np.zeros_like(a)

np.full_like(a,val)

np.linspace()

np.concatenate()

3：从字节流（raw bytes）中创建ndarray数组

4：从文件中读取特定格式，创建ndarray数组

四：ndarray数组的变换

.reshape(shape)

.resize(shape)

.swapaxes(ax1,ax2)

.flatten()

.astype(new_type)

.tolist()

NumPy的数组对象：ndarray相关推荐

最新文章

热门文章