numpy数组用法

一、Numpy数组基本用法

1、Numpy是Python科学计算库，用于快速处理任意维度的数组。

2、NumPy提供一个N维数组类型ndarray，它描述了相同类型的“items”的集合。

3、numpy.ndarray支持向量化运算。

4、NumPy使用c语言写的，底部解除了GIL，其对数组的操作速度不在受python解释器限制。

二、numpy中的数组：

Numpy中的数组的使用跟Python中的列表非常类似。他们之间的区别如下：

1、一个列表中可以存储多种数据类型。比如a = [1,'a']是允许的，而数组只能存储同种数据类型。

2、数组可以是多维的，当多维数组中所有的数据都是数值类型的时候，相当于线性代数中的矩阵，是可以进行相互间的运算的。

三、创建数组（np.ndarray对象）：

Numpy经常和数组打交道，因此首先第一步是要学会创建数组。在Numpy中的数组的数据类型叫做ndarray。以下是两种创建的方式：

1、根据Python中的列表生成：

import numpy as np
a1 = np.array([1,2,3,4])
print(a1)
print(type(a1))

2、使用np.arange生成，np.arange的用法类似于Python中的range：

import numpy as np
a2 = np.arange(2,21,2)
print(a2)

3、使用np.random生成随机数的数组：

a1 = np.random.random(2,2) # 生成2行2列的随机数的数组
a2 = np.random.randint(0,10,size=(3,3)) # 元素是从0-10之间随机的3行3列的数组

4、使用函数生成特殊的数组：

import numpy as np
a1 = np.zeros((2,2)) #生成一个所有元素都是0的2行2列的数组
a2 = np.ones((3,2)) #生成一个所有元素都是1的3行2列的数组
a3 = np.full((2,2),8) #生成一个所有元素都是8的2行2列的数组
a4 = np.eye(3) #生成一个在斜方形上元素为1，其他元素都为0的3x3的矩阵

四、ndarray常用属性：

ndarray.dtype：

因为数组中只能存储同一种数据类型，因此可以通过dtype获取数组中的元素的数据类型。以下是ndarray.dtype的常用的数据类型：

数据类型	描述	唯一标识符
bool	用一个字节存储的布尔类型（True或False）	'b'
int8	一个字节大小，-128 至 127	'i1'
int16	整数，16 位整数(-32768 ~ 32767)	'i2'
int32	整数，32 位整数(-2147483648 ~ 2147483647)	'i4'
int64	整数，64 位整数(-9223372036854775808 ~ 9223372036854775807)	'i8'
uint8	无符号整数，0 至 255	'u1'
uint16	无符号整数，0 至 65535	'u2'
uint32	无符号整数，0 至 2 ** 32 - 1	'u4'
uint64	无符号整数，0 至 2 ** 64 - 1	'u8'
float16	半精度浮点数：16位，正负号1位，指数5位，精度10位	'f2'
float32	单精度浮点数：32位，正负号1位，指数8位，精度23位	'f4'
float64	双精度浮点数：64位，正负号1位，指数11位，精度52位	'f8'
complex64	复数，分别用两个32位浮点数表示实部和虚部	'c8'
complex128	复数，分别用两个64位浮点数表示实部和虚部	'c16'
object_	python对象	'O'
string_	字符串	'S'
unicode_	unicode类型	'U'

我们可以看到，Numpy中关于数值的类型比Python内置的多得多，这是因为Numpy为了能高效处理处理海量数据而设计的。举个例子，比如现在想要存储上百亿的数字，并且这些数字都不超过254（一个字节内），我们就可以将dtype设置为int8，这样就比默认使用int64更能节省内存空间了。类型相关的操作如下：

1、默认的数据类型：

import numpy as np
a1 = np.array([1,2,3])
print(a1.dtype) 
# 如果是windows系统，默认是int32
# 如果是mac或者linux系统，则根据系统来

2、指定

dtype：

import numpy as np
a1 = np.array([1,2,3],dtype=np.int64)
# 或者 a1 = np.array([1,2,3],dtype="i8")
print(a1.dtype)

3、修改

dtype：

import numpy as np
a1 = np.array([1,2,3])
print(a1.dtype) # window系统下默认是int32
# 以下修改dtype
a2 = a1.astype(np.int64) # astype不会修改数组本身，而是会将修改后的结果返回
print(a2.dtype)

ndarray.size：

获取数组中总的元素的个数。比如有个二维数组：

   import numpy as np
   a1 = np.array([[1,2,3],[4,5,6]])
   print(a1.size) #打印的是6，因为总共有6个元素

ndarray.ndim：

数组的维数。比如：

   a1 = np.array([1,2,3])
   print(a1.ndim) # 维度为1
   a2 = np.array([[1,2,3],[4,5,6]])
   print(a2.ndim) # 维度为2
   a3 = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
   print(a3.ndim) # 维度为3

ndarray.shape：

数组的维度的元组。比如以下代码：

   a1 = np.array([1,2,3])
   print(a1.shape) # 输出(3,)，意思是一维数组，有3个数据

   a2 = np.array([[1,2,3],[4,5,6]])
   print(a2.shape) # 输出(2,3)，意思是二位数组，2行3列

   a3 = np.array([
       [
           [1,2,3],
           [4,5,6]
       ],
       [
           [7,8,9],
           [10,11,12]
       ]
   ])
   print(a3.shape) # 输出(2,2,3)，意思是三维数组，总共有2个元素，每个元素是2行3列的

   a44 = np.array([1,2,3],[4,5])
   print(a4.shape) # 输出(2,)，意思是a4是一个一维数组，总共有2列
   print(a4) # 输出[list([1, 2, 3]) list([4, 5])]，其中最外面层是数组，里面是Python列表

另外，我们还可以通过ndarray.reshape来重新修改数组的维数。示例代码如下：

   a1 = np.arange(12) #生成一个有12个数据的一维数组
   print(a1) 

   a2 = a1.reshape((3,4)) #变成一个2维数组，是3行4列的
   print(a2)

   a3 = a1.reshape((2,3,2)) #变成一个3维数组，总共有2块，每一块是2行2列的
   print(a3)

   a4 = a2.reshape((12,)) # 将a2的二维数组重新变成一个12列的1维数组
   print(a4)

   a5 = a2.flatten() # 不管a2是几维数组，都将他变成一个一维数组
   print(a5)

注意，reshape并不会修改原来数组本身，而是会将修改后的结果返回。如果想要直接修改数组本身，那么可以使用resize来替代reshape。

ndarray.itemsize：

数组中每个元素占的大小，单位是字节。比如以下代码：

   a1 = np.array([1,2,3],dtype=np.int32)
   print(a1.itemsize) # 打印4，因为每个字节是8位，32位/8=4个字节

jupyter：

总结：
1、数组一般达到3维就已经很复杂了，不太方便计算了，所以我们一般都会把3维以上的数组转换成2维数组来计算
2、通过ndarray.ndim可以看到数组的维度
3、通过ndarray.shape可以看到数组的形状(几行几列)，shape是一个元组，里面又几个元素代表是几维数组
4、通过ndarray.reshape可以修改数组的形状。条件只有一个，就是修改后的形状的元素个数必须和原来一致。
reshape不会修改原来数组的形状，只会将修改完的结果返回
5、通过ndarray.size可以看到数组有多少个元素。
6、通过ndarray.itemsize可以看到数组中的每个元素所占内存的大小，单位是字节（一个字节 = 8个单位）