numpy用法介绍-未完待续

简介

• NumPy(Numerical Python简称) 是高性能科学计算和数据分析的基础包

为什么使用?

• 标准安装的Python中用列表(list)保存一组值，可以用来当作数组使用，不过由于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。这样为了保存一个简单的[1,2,3]，需要有3个指针和三个整数对象。对于数值运算来说这种结构显然比较浪费内存和CPU计算时间。
• 此外Python还提供了一个array模块，array对象和列表不同，它直接保存数值，和C语言的一维数组比较类似。但是由于它不支持多维，也没有各种运算函数，因此也不适合做数值运算。
• NumPy的诞生弥补了这些不足，NumPy提供了两种基本的对象：ndarray（N-dimensional array object）和 ufunc（universal function object）。ndarray(下文统一称之为数组)是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。

依赖库

     本文用以下方式导入NumPy函数库

• from numpy.random import randn
  import numpy as np

ndarray对象

• 创建
  • 使用python序列+array函数创建数组

  • >>> arr1 = np.array([6, 7.5, 8, 0, 1])
    >>> arr2 = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])
    >>> arr1
    array([ 6. ,  7.5,  8. ,  0. ,  1. ])
    >>> arr2
    array([[ 1,  2,  3,  4],
           [ 4,  5,  6,  7],
           [ 7,  8,  9, 10]])

     

  • 通过numpy高效的数组创建函数
    • arange函数：类似于python的range函数，通过指定开始值、终值和步长来创建一维数组，注意数组不包括终值

    • >>> np.arange(0,5,0.5) 
      array([ 0. ,  0.5,  1. ,  1.5,  2. ,  2.5,  3. ,  3.5,  4. ,  4.5])

    • zeros函数

    • >>> np.zeros(10)
      array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.])

• 维度
  • 维度的获取可以使用shape

  • >>> arr1.shape
    (5,)
    >>> arr2.shape
    (3, 4)

• • 数组的维度可以通过设置shape属性
    • 当某个轴的元素为-1时，将根据数组元素的个数自动计算此轴的长度，改变shape的值只是改变每个轴的大小，数组元素在内存中的位置并没有改变

    • >>> arr2.shape = 4,3
      >>> arr2
      array([[ 1,  2,  3],
             [ 4,  4,  5],
             [ 6,  7,  7],
             [ 8,  9, 10]])
      >>> arr2.shape = 2,-1
      >>> arr2
      array([[ 1,  2,  3,  4,  4,  5],
             [ 6,  7,  7,  8,  9, 10]])

    • 使用数组的reshape方法，可以创建一个改变了尺寸的新数组

    • >>> arr2.reshape(3,4)
      array([[ 1,  2,  3,  4],
             [ 4,  5,  6,  7],
             [ 7,  8,  9, 10]])

• 类型
  • 使用dtype可以获取数组的类型，使用astype可以改变数组的类型

  • >>> arr1 = np.array([1, 2, 3], dtype=np.float64)
    >>> arr2 = np.array([1, 2, 3], dtype=np.int32)
    >>> arr1.dtype
    dtype('float64')
    >>> arr2.dtype
    dtype('int32')
    >>> float_arr = arr2.astype(np.float64)
    >>> float_arr
    array([ 1.,  2.,  3.])
    >>> float_arr.dtype
    dtype('float64')

     

• 数组和标量的运算

• >>> arr = np.array([[1., 2., 3.], [4., 5., 6.]])
  >>> arr
  array([[ 1.,  2.,  3.],
         [ 4.,  5.,  6.]])
  >>> arr * arr
  array([[  1.,   4.,   9.],
         [ 16.,  25.,  36.]])
  >>> arr - arr
  array([[ 0.,  0.,  0.],
         [ 0.,  0.,  0.]])
  >>> 1 / arr
  array([[ 1.        ,  0.5       ,  0.33333333],
         [ 0.25      ,  0.2       ,  0.16666667]])
  >>> arr ** 0.5
  array([[ 1.        ,  1.41421356,  1.73205081],
         [ 2.        ,  2.23606798,  2.44948974]])