「numpy」numpy初步、ndarray、创建数组

Numpy 初步、ndarray、创建数组

【目录】

• 简介

• ndarray介绍

• ndarray用法

• ndarray基本操作

一、numpy简介

Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。

Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。

Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。

二、ndarray介绍

NumPy provides an N-dimensional array type, the ndarray, which describes a collection of “items” of the same type.

ndarray == n-dimensional array n维数组

2.1 为什么需要ndarray?

由于python对数据类型不敏感，及python的数据类型一般是Any。

这会导致原生python处理数据时会增加处理开销，类比C/C++中的链表。

处理统一数据类型的数据时，我们往往希望数据的存储及运算是有规律。

2.2 内存块风格

• ndarray 就是C/C++中的数组，数据类型统一，存储空间地址连续
• Python list 则是C/C++中的链表，数据类型不一定统一，寻址方式通过指针连接。
• numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算
• Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，其效率远高于纯Python代码。

三、ndarray 用法

3.1 ndarray 属性

属性名字	解释
ndarray.shape	数组的维度形状
ndarray.ndim	数组的维数
ndarray.size	数组中的元素数量
ndarray.itemsize	一个数组元素的长度（字节）
ndarray.dtype	数组元素的类型

3.2 ndarray的数据类型

 a = np.zeros((3, 4), dtype='i2')    # dtype=int16
 ​
 b = np.zeros((3, 4), dtype=bool)    # dtype=bool

名称	描述	简写
np.bool	用一个字节存储的布尔类型（True或False）	'b'
np.int8	一个字节大小，-128 至 127	'i'
np.int16	整数，-32768 至 32767	'i2'
np.int32	整数，-2^31 至 2^32 -1	'i4'
np.int64	整数，-2^63 至 2^63 - 1	'i8'
np.uint8	无符号整数，0 至 255	'u'
np.uint16	无符号整数，0 至 65535	'u2'
np.uint32	无符号整数，0 至 2^32 - 1	'u4'
np.uint64	无符号整数，0 至 2^64 - 1	'u8'
np.float16	半精度浮点数：16位，正负号1位，指数5位，精度10位	'f2'
np.float32	单精度浮点数：32位，正负号1位，指数8位，精度23位	'f4'
np.float64	双精度浮点数：64位，正负号1位，指数11位，精度52位	'f8'
np.complex64	复数，分别用两个32位浮点数表示实部和虚部	'c8'
np.complex128	复数，分别用两个64位浮点数表示实部和虚部	'c16'
np.object_	python对象	'O'
np.string_	字符串	'S'
np.unicode_	unicode类型	'U'

• 若不指定，整数默认int64，小数默认float64

---

四、ndarray 基本操作

4.1 生成数组的方法

• np.zeros(shape, dtype)
• np.ones(shape, dtype)
• np.zeros_like(a, dtype)
• np.ones_like(a, dtype)
• a 为某一数组array或者列表的shape

 zeros = np.zeros((3, 4), dtype=int)
 """
 [[0 0 0 0]
  [0 0 0 0]
  [0 0 0 0]]
 """

---

4.2 从现有数组生成

• np.array(object, dtype)
• np.asarray(a, dtype)
• asarray直接复制内存地址，与原有数组共用一个内存

 a = np.array([[1,2,3],[4,5,6]])
 ​
 # 从现有的数组当中创建
 a1 = np.array(a)
 ​
 # 相当于索引的形式，并没有真正的创建一个新的
 a2 = np.asarray(a)
 ​
 print(id(a))    # 2390986778320
 print(id(a1))   # 2390986784464
 print(id(a2))   # 2390986778320

---

4.3 生成固定范围的数组

• np.linspace()
• np.arrange()
• np.logspace()

4.3.1 np.linspace(start, stop, num, endpoint, dtype)

创建等差数组 — 指定数据数量

• 参数:

  • start: 序列的起始值
  • stop: 序列的终止值
  • num: 要生成的等间隔样例数量，默认为50
  • endpoint: 序列中是否包含stop值，默认为ture

 # 生成等间隔的数组
 np.linspace(0, 100, 11)
 ​
 # 返回结果
 array([  0.,  10.,  20.,  30.,  40.,  50.,  60.,  70.,  80.,  90., 100.])

4.3.2 np.arange(start, stop, step, dtype)

创建等差数组 — 指定步长

• 参数

  • step: 步长,默认值为1

 # 生成等差数组
 np.arange(10, 50, 2)
 ​
 # 返回结果
 array([10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 42,
        44, 46, 48])

4.3.3 np.logspace(start, stop, num, base, dtype)

创建等比数组 — 指定底数base

• 参数:

  • num: 要生成的等比数列数量，默认为50
  • base: 生成底数为base的等比数组，默认底数是10

 # 生成底数为3的等比数组
 np.logspace(0, 2, 3, base=3, dtype=int)
 ​
 # 返回结果
 array([1 3 9])