Numpy基础数据结构 python
Numpy基础数据结构
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
1.一维数组
import numpy as np
ar = np.array([1,2,3,4,5,6,7]) print(ar) # 输出数组，注意数组的格式：中括号，元素之间没有逗号（和列表区分） print(ar.ndim) # 输出数组维度的个数（轴数），或者说“秩”，维度的数量也称rank print(ar.shape) # 数组的维度，对于n行m列的数组，shape为（n，m） print(ar.size) # 数组的元素总数，对于n行m列的数组，元素总数为n*m print(ar.dtype) # 数组中元素的类型，类似type()（注意了，type()是函数，.dtype是方法） print(ar.itemsize) # 数组中每个元素的字节大小，int32类型字节为4，float64的字节为8 print(ar.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。 ar # 交互方式下输出，会有array(数组) # 数组的基本属性 # ① 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 # ② 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。
输出结果：
[1 2 3 4 5 6 7] 1 (7,) 7 int32 4 <memory at 0x0000027EA4F80F48> array([1, 2, 3, 4, 5, 6, 7])
2.二维数组
import numpy as np ar2 = np.array([[1,2,3],[2,3,4]]) print(ar2) print(ar2.ndim) print(ar2.shape) print(ar2.dtype) ar2
输出结果：
[[1 2 3] [2 3 4]] 2 (2, 3) int32 array([[1, 2, 3], [2, 3, 4]])
3.有字符串的混合数组
import numpy as np lst = [[1,2,3],['a','b','c']] print(type(lst)) ar2 = np.array([['a','b','c'],[1,2,3]]) print(ar2) print(ar2.dtype) #有字符串组成的类型一定为字符串型号
输出结果：
<class 'list'> [['a' 'b' 'c'] ['1' '2' '3']] <U1
4.三维数组
import numpy as np #三维数组,由两个二维数组构成，而每个二维数组由2个一维数组构成 ar2 = np.array([[[1,2,3],[2,3,4]], [[4,5,6],[7,8,9]] ]) print(ar2) print(ar2.shape) print(ar2.ndim)
输出结果：
[[[1 2 3] [2 3 4]] [[4 5 6] [7 8 9]]] (2, 2, 3) 3
5. 创建数组_1 array()
# 创建数组：array()函数，括号内可以是列表、元祖、数组、生成器等 ar1 = np.array(range(10)) # 整型 ar2 = np.array([1,2,3.14,4,5]) # 浮点型 由列表组成 ar3 = np.array([[1,2,3],('a','b','c')]) # 二维数组：嵌套序列（列表，元祖均可） ar4 = np.array([[1,2,3],('a','b','c','d')]) # 注意嵌套序列数量不一会怎么样？ print(ar1,type(ar1),ar1.dtype) print(ar2,type(ar2),ar2.dtype) print(ar3,ar3.shape,ar3.ndim,ar3.size) # 二维数组，共6个元素 print(ar4,ar4.shape,ar4.ndim,ar4.size) # 一维数组，共2个元素
输出结果：
[0 1 2 3 4 5 6 7 8 9] <class 'numpy.ndarray'> int32 [1. 2. 3.14 4. 5. ] <class 'numpy.ndarray'> float64 [['1' '2' '3'] ['a' 'b' 'c']] (2, 3) 2 6 [list([1, 2, 3]) ('a', 'b', 'c', 'd')] (2,) 1 2
6.用数组构建数组
a1 = np.array([1,2,3]) #用数组构建数组 a2 = np.array([3,4,5]) a3 = np.array([a1,a2]) a3.shape
输出结果：
(2, 3)
7.创建数组_2 arange()
# 创建数组：arange()，类似range()，在给定间隔内返回均匀间隔的值。 print(np.arange(10)) # 返回0-9，整型 print(np.arange(10.0)) # 返回0.0-9.0，浮点型 print(np.arange(5,12)) # 返回5-11 print(np.arange(5.0,12,2)) # 返回5.0-12.0，步长为2 print(np.arange(10000)) # 如果数组太大而无法打印，NumPy会自动跳过数组的中心部分，并只打印边角：
输出结果：
[0 1 2 3 4 5 6 7 8 9] [0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] [ 5 6 7 8 9 10 11] [ 5. 7. 9. 11.] [ 0 1 2 ... 9997 9998 9999]
8.创建数组_3 linspace()函数
# 创建数组：linspace():返回在间隔[开始，停止]上计算的num个均匀间隔的样本。 ar1 = np.linspace(2.0, 3.0, num=5) #输出两端都是闭合的，包括3 ar2 = np.linspace(2.0, 3.0, num=5, endpoint=False) #输出右端不闭合，不包括3 ar3 = np.linspace(2.0, 3.0, num=5, retstep=True) print(ar1,type(ar1)) print(ar2) print(ar3,type(ar3)) # numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) # start：起始值，stop：结束值 # num：生成样本数，默认为50 # endpoint：如果为真，则停止是最后一个样本。否则，不包括在内。默认值为True。 # retstep：如果为真，返回（样本，步骤），其中步长是样本之间的间距，输出为一个包含2个元素的元祖，第一个元素为array，第二个为步长实际值
输出结果：
[2. 2.25 2.5 2.75 3. ] <class 'numpy.ndarray'> [2. 2.2 2.4 2.6 2.8] (array([2. , 2.25, 2.5 , 2.75, 3. ]), 0.25) <class 'tuple'>
9.
ar3 = np.linspace(2.0, 3.0, num=5, retstep=True) ar = ar3 [0] bc = ar3 [1] print("创建的数组为:",ar) print("创建的数组的步长为：",bc)
输出结果：
创建的数组为: [2. 2.25 2.5 2.75 3. ]
创建的数组的步长为： 0.25
10.创建数组_3 zeros()/zeros_like()/ones()/ones_like()
ar1 = np.zeros(5) ar2 = np.zeros((2,2), dtype = np.int) ar = np.zeros((3,3,3)) print(ar) #三维数组 print(ar1,ar1.dtype) print(ar2,ar2.dtype) print('------') # numpy.zeros(shape, dtype=float, order='C'):返回给定形状和类型的新数组，用零填充。 # shape：数组纬度，二维以上需要用()，且输入参数为整数 # dtype：数据类型，默认numpy.float64 # order：是否在存储器中以C或Fortran连续（按行或列方式）存储多维数据。 ar3 = np.array([list(range(5)),list(range(5,10))]) ar4 = np.zeros_like(ar3) print(ar3) print(ar4) print('------') # 返回具有与给定数组相同的形状和类型的零数组，这里ar4根据ar3的形状和dtype创建一个全0的数组 ar5 = np.ones(9) ar6 = np.ones((2,3,4)) ar7 = np.ones_like(ar3) print(ar5) print(ar6) print(ar7) # ones()/ones_like()和zeros()/zeros_like()一样，只是填充为1
输出结果：
[[[0. 0. 0.] [0. 0. 0.] [0. 0. 0.]] [[0. 0. 0.] [0. 0. 0.] [0. 0. 0.]] [[0. 0. 0.] [0. 0. 0.] [0. 0. 0.]]] [0. 0. 0. 0. 0.] float64 [[0 0] [0 0]] int32 ------ [[0 1 2 3 4] [5 6 7 8 9]] [[0 0 0 0 0] [0 0 0 0 0]] ------ [1. 1. 1. 1. 1. 1. 1. 1. 1.] [[[1. 1. 1. 1.] [1. 1. 1. 1.] [1. 1. 1. 1.]] [[1. 1. 1. 1.] [1. 1. 1. 1.] [1. 1. 1. 1.]]] [[1 1 1 1 1] [1 1 1 1 1]]
11. 创建数组_4 eye()
# 创建数组：eye() print(np.eye(5)) # 创建一个正方的N*N的单位矩阵，对角线值为1，其余为0
输出结果：
[[1. 0. 0. 0. 0.] [0. 1. 0. 0. 0.] [0. 0. 1. 0. 0.] [0. 0. 0. 1. 0.] [0. 0. 0. 0. 1.]]
ndarray的数据类型
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
