Numpy库
英文官方文档:https://docs.scipy.org/doc/numpy/reference/arrays.ndarray.html
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 |
原文地址:https://www.cnblogs.com/z-bear/p/9460966.html