numpy array()

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。　　　
  1. >>> from numpy import *  
  2. 　　　  
  3. >>> a = array( [2,3,4] )　　　  
  4. >>> a  
  5.     array([2, 3, 4])  
  6. >>> a.dtype  
  7.     dtype('int32')  
  8. >>> b = array([1.2, 3.5, 5.1])　　　  
  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。　　　

  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。

 
  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

 
  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。

 
  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

  1. >>> ones( (2,3,4), dtype=int16 )  #手动指定数组中元素类型  
  2.       array([[[1, 1, 1, 1],  
  3. 　　　        [1, 1, 1, 1],  
  4. 　　　        [1, 1, 1, 1]],  
  5. 　　　  
  6. 　　　       [[1, 1, 1, 1],  
  7. 　　　        [1, 1, 1, 1],  
  8. 　　　        [1, 1, 1, 1]]], 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:

  1. >>> arange(10, 30, 5)  
  2.     array([10, 15, 20, 25])  

以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：　

  1. >>> arange(0,2,0.5)  
  2.     array([ 0. ,  0.5,  1. ,  1.5])  

当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。

  1. >>> numpy.linspace(-1, 0, 5)  
  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：
  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：

  1. >>> arange(7, dtype=uint16)  
  2.     array([0, 1, 2, 3, 4, 5, 6], 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。
  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]]]  


    

  1. >>> print arange(10000)  
    2. 

  2. 　　　[   0    1    2 ..., 9997 9998 9999]  
    3. 

  3. 　　　  
    4. 

  4. >>> print arange(10000).reshape(100,100)  
    5. 

  5. 　　　[[   0    1    2 ...,   97   98   99]  
    6. 

  6. 　　　 [ 100  101  102 ...,  197  198  199]  
    7. 

  7. 　　　 [ 200  201  202 ...,  297  298  299]  
    8. 

  8. 　　　 ...,  
    9. 

  9. 　　　 [9700 9701 9702 ..., 9797 9798 9799]  
    10. 

  10. 　　　 [9800 9801 9802 ..., 9897 9898 9899]  
    11. 

  11. 　　　 [9900 9901 9902 ..., 9997 9998 9999]]  
    12. 







 










            

            
posted @ 
2017-11-17 21:36 
爱学英语的程序媛 
阅读(438) 
评论(0) 
编辑 
收藏 
举报