• NumPy学习心得(一)


    NumPy数组

    NumPy数组是一个多维数组对象,称为ndarray。其由两部分组成:

    • 实际的数据
    • 描述这些数据的元数据

    大部分操作仅针对于元数据,而不改变底层实际的数据。

    关于NumPy数组有几点必需了解的:

    • NumPy数组的下标从0开始。
    • 同一个NumPy数组中所有元素的类型必须是相同的。

    NumPy数组属性

    在详细介绍NumPy数组之前。先详细介绍下NumPy数组的基本属性。NumPy数组的维数称为秩(rank),一维数组的秩为1,二维数组的秩为2,以此类推。在NumPy中,每一个线性的数组称为是一个轴(axes),秩其实是描述轴的数量。比如说,二维数组相当于是两个一维数组,其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是NumPy中的轴(axes),第一个轴相当于是底层数组,第二个轴是底层数组里的数组。而轴的数量——秩,就是数组的维数。

    NumPy的数组中比较重要ndarray对象属性有:

    • ndarray.ndim:数组的维数(即数组轴的个数),等于秩。最常见的为二维数组(矩阵)。

    • ndarray.shape:数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中,表示数组的“行数”和“列数”。ndarray.shape返回一个元组,这个元组的长度就是维度的数目,即ndim属性。

    • ndarray.size:数组元素的总个数,等于shape属性中元组元素的乘积。

    • ndarray.dtype:表示数组中元素类型的对象,可使用标准的Python类型创建或指定dtype。另外也可使用前一篇文章中介绍的NumPy提供的数据类型。

    • ndarray.itemsize:数组中每个元素的字节大小。例如,一个元素类型为float64的数组itemsiz属性值为8(float64占用64个bits,每个字节长度为8,所以64/8,占用8个字节),又如,一个元素类型为complex32的数组item属性为4(32/8)。

    • ndarray.data:包含实际数组元素的缓冲区,由于一般通过数组的索引获取元素,所以通常不需要使用这个属性。

    创建数组

      先来介绍创建数组。创建数组的方法有很多。如可以使用array函数从常规的Python列表和元组创造数组。所创建的数组类型由原序列中的元素类型推导而来。   
    [python] 
    1. >>> from numpy import *  
    2.      
    3. >>> a = array( [2,3,4] )     
    4. >>> a  
    5.     array([234])  
    6. >>> a.dtype  
    7.     dtype('int32')  
    8. >>> b = array([1.23.55.1])     
    9. >>> b.dtype  
    10.     dtype('float64')  
    使用array函数创建时,参数必须是由方括号括起来的列表,而不能使用多个数值作为参数调用array   
    [python] 
    1. >>> a = array(1,2,3,4)    # 错误  
    2. >>> a = array([1,2,3,4])  # 正确  
    可使用双重序列来表示二维的数组,三重序列表示三维数组,以此类推。
    [python] 
    1. >>> b = array( [ (1.5,2,3), (4,5,6) ] )    
    2. >>> b  
    3.     array([[ 1.5,  2. ,  3. ],  
    4.         [ 4. ,  5. ,  6. ]])  
    可以在创建时显式指定数组中元素的类型
    [python] 
    1. >>> c = array( [ [1,2], [3,4] ], dtype=complex)  
    2. >>> c  
    3.     array([[ 1.+0.j,  2.+0.j],  
    4.        [ 3.+0.j,  4.+0.j]])  
    通常,刚开始时数组的元素未知,而数组的大小已知。因此,NumPy提供了一些使用占位符创建数组的函数。这些函数有助于满足除了数组扩展的需要,同时降低了高昂的运算开销。

    用函数zeros可创建一个全是0的数组,用函数ones可创建一个全为1的数组,函数empty创建一个内容随机并且依赖与内存状态的数组。默认创建的数组类型(dtype)都是float64

    可以哟娜特d.dtype.itemsize来查看数组中元素占用的字节数目。

    [python] 
    1. >>> d = zeros((3,4))  
    2. >>> d.dtype  
    3. dtype('float64')  
    4. >>> d  
    5. array([[ 0.,  0.,  0.,  0.],  
    6.      [ 0.,  0.,  0.,  0.],  
    7.      [ 0.,  0.,  0.,  0.]])  
    8. >>> d.dtype.itemsize  
    9. 8  
    也可以自己制定数组中元素的类型
    [python] 
    1. >>> ones( (2,3,4), dtype=int16 )  #手动指定数组中元素类型  
    2.       array([[[1111],  
    3.            [1111],  
    4.            [1111]],  
    5.      
    6.           [[1111],  
    7.            [1111],  
    8.            [1111]]], dtype=int16)  
    9. >>> empty((2,3))  
    10.    array([[  2.65565858e-316,   0.00000000e+000,   0.00000000e+000],  
    11.           [  0.00000000e+000,   0.00000000e+000,   0.00000000e+000]])  
    NumPy提供一个类似arange的函数返回一个数列形式的数组:
    [python] 
    1. >>> arange(10305)  
    2.     array([10152025])  
    10开始,差值为5的等差数列。该函数不仅接受整数,还接受浮点参数: 
    [python] 
    1. >>> arange(0,2,0.5)  
    2.     array([ 0. ,  0.5,  1. ,  1.5])  

    arange使用浮点数参数时,由于浮点数精度有限,通常无法预测获得的元素个数。因此,最好使用函数linspace去接收我们想要的元素个数来代替用range来指定步长。linespace用法如下,将在通用函数一节中详细介绍。

    [python] 
    1. >>> numpy.linspace(-105)  
    2.         array([-1.  , -0.75, -0.5 , -0.25,  0.  ])  
    数组中的元素是通过下标来访问的,可以通过方括号括起一个下标来访问数组中单一一个元素,也可以以切片的形式访问数组中多个元素。关于切片访问,将在切片一节介绍。

    知识点:NumPy中的数据类型
    对于科学计算来说,Python中自带的整型、浮点型和复数类型远远不够,因此NumPy
    中添加了许多数据类型。如下:

    NumPy中的基本数据类型
    名称 描述
    bool 用一个字节存储的布尔类型(True或False)
    inti 由所在平台决定其大小的整数(一般为int32或int64)
    int8 一个字节大小,-128 至 127
    int16 整数,-32768 至 32767
    int32 整数,-2 ** 31 至 2 ** 32 -1
    int64 整数,-2 ** 63 至 2 ** 63 - 1
    uint8 无符号整数,0 至 255
    uint16 无符号整数,0 至 65535
    uint32 无符号整数,0 至 2 ** 32 - 1
    uint64 无符号整数,0 至 2 ** 64 - 1
    float16 半精度浮点数:16位,正负号1位,指数5位,精度10位
    float32 单精度浮点数:32位,正负号1位,指数8位,精度23位
    float64或float 双精度浮点数:64位,正负号1位,指数11位,精度52位
    complex64 复数,分别用两个32位浮点数表示实部和虚部
    complex128或complex 复数,分别用两个64位浮点数表示实部和虚部


    NumPy类型转换方式如下:

    [python] 
    1. >>> float64(42)  
    2.     42.0  
    3. >>> int8(42.0)  
    4.     42  
    5. >>> bool(42)  
    6.     True  
    7. >>> bool(42.0)  
    8.     True  
    9. >>> float(True)  
    10.     1.0  
    许多函数的参数中可以指定参数的类型,当然,这个类型参数是可选的。如下:
    [python] 
    1. >>> arange(7, dtype=uint16)  
    2.     array([0123456], dtype=uint16)  

    输出数组

     当输出一个数组时,NumPy以特定的布局用类似嵌套列表的形式显示: 
    • 第一行从左到右输出
    • 每行依次自上而下输出
    • 每个切片通过一个空行与下一个隔开
    • 一维数组被打印成行,二维数组成矩阵,三维数组成矩阵列表。
     
    [python] 
    1. >>> a = arange(6)                         # 1d array  
    2. >>> print a  
    3.     [0 1 2 3 4 5]  
    4.      
    5. >>> b = arange(12).reshape(4,3)           # 2d array  
    6. >>> print b  
    7.     [[ 0  1  2]  
    8.     [ 3  4  5]  
    9.     [ 6  7  8]  
    10.     [ 9 10 11]]     
    11. >>> c = arange(24).reshape(2,3,4)         # 3d array  
    12. >>> print c  
    13.     [[[ 0  1  2  3]  
    14.     [ 4  5  6  7]  
    15.     [ 8  9 10 11]]  
    16.      
    17.     [[12 13 14 15]  
    18.     [16 17 18 19]  
    19.     [20 21 22 23]]]  
    reshape将在下一篇文章中介绍 
    如果一个数组太长,NumPy自动省略中间部分而只打印两端的数据  
     
    [python] 
    1. >>> print arange(10000)  
    2.    [   0    1    2 ..., 9997 9998 9999]  
    3.      
    4. >>> print arange(10000).reshape(100,100)  
    5.    [[   0    1    2 ...,   97   98   99]  
    6.     [ 100  101  102 ...,  197  198  199]  
    7.     [ 200  201  202 ...,  297  298  299]  
    8.     ...,  
    9.     [9700 9701 9702 ..., 9797 9798 9799]  
    10.     [9800 9801 9802 ..., 9897 9898 9899]  
    11.     [9900 9901 9902 ..., 9997 9998 9999]]  

      可通过
    设置printoptions参数来禁用NumPy的这种行为并强制打印整个数组。
    
    
    [python] 
    1. set_printoptions(threshold='nan')  

    这样,输出时数组的所有元素都会显示出来。

  • 相关阅读:
    使用Python Falsk-Mail 发送邮件
    Python反射
    Python类的特殊成员方法
    Python静态方法、类方法、属性方法
    Python面向对象三大特性(封装、继承、多态)
    Python之面向对象
    Python标准库之re模块
    Python标准库之logging模块
    Python标准库之subprocess模块
    Python标准库之hashlib模块与hmac模块
  • 原文地址:https://www.cnblogs.com/gsxx/p/8260857.html
Copyright © 2020-2023  润新知