NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库
本系列文章针对Numy进行一个比较系统的回顾
一般在python中我们会对Numpy进行缩写
import numpy as np
因此后续中的np均指numpy
1.常量
名称 | 类型 |
np.nan | 空值 |
np.inf | 无穷大 |
np.pi | 圆周率 |
np.e | 自然对数 |
import numpy as np
np.e
2.718281828459045
2.数据类型
Python 原生的数据类型相对较少, bool、int、float、str等。这在不需要关心数据在计算机中表示的所有方式的应用中是方便的。然而,对于科学计算,通常需要更多的控制。为了加以区分 numpy 在这些类型名称末尾都加了“_”
类型 | 大小 | 说明 |
bool_ / bool8 | 8 | 布尔 |
int8/byte | 8 | 整数 |
int16/short | 16 | 整数 |
int32/intc | 32 | 整数 |
int_/int64/long/intp | 64 | 整数 |
uint8/ubyte | 8 | 无符号整数 |
uint16/ushort | 16 | 无符号整数 |
uint32/uintc | 32 | 无符号整数 |
uint64/uintp/uint0/uint | 64 | 无符号整数 |
float16/half | 16 | 浮点型 |
float32/single | 32 | 浮点型 |
float_/float64/double | 64 | 浮点型 |
str/unicode/str0/unicode | - | 字符串 |
datetime64 | - | 日期时间类型 |
timedelta64 | - | 表示两个时间之间的间隔 |
如何查看数据的类型呢?
import numpy as np
a = np.dtype('float64')
print(a.type)
<class 'numpy.float64'>
如何查看数据的信息呢?
import numpy as np
ii16 = np.iinfo(np.int16)
print(ii16.min) # -32768
print(ii16.max) # 32767
-32768
32767
表示int16最大值为32767 最小值为-32768
至于原因的话 和二进制有关系 int16表示有16个格子
那么只有15个格子是用来进行二进制填充 2**15=32768 所以最大值即为32767
为什么最大值比二进制值少一位?
涉及到计算机补码的问题 可以参考一下这个博客
blog.csdn.net
3.时间日期和时间增量
numpy 中,我们很方便的将字符串转换成时间日期类型 datetime64
(datetime
已被 python 包含的日期时间库所占用)。
datatime64
是带单位的日期时间类型,其单位如下:
日期单位 | 含义 | 时间单位 | 含义 |
Y | 年 | h | 小时 |
M | 月 | m | 分钟 |
W | 周 | s | 秒 |
D | 天 | ms | 毫秒 |
us | 微秒 | ||
ns | 纳秒 | ||
ps | 皮秒 | ||
fs | 飞秒 | ||
as | 阿托秒 |
a = np.datetime64('2020-03-01')
print(a, a.dtype) # 2020-03-01 datetime64[D]
2020-03-01 datetime64[D]
4.数组
numpy 提供的最重要的数据结构是ndarray
,它是 python 中list
的扩展。
比如一维数组
a = np.array([0, 1, 2, 3, 4])
print(a, type(a))
# [0 1 2 3 4] <class 'numpy.ndarray'>
比如二维数组
c = np.array([[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20],
[21, 22, 23, 24, 25],
[26, 27, 28, 29, 30],
[31, 32, 33, 34, 35]])
print(c, type(c))
# [[11 12 13 14 15]
# [16 17 18 19 20]
# [21 22 23 24 25]
# [26 27 28 29 30]
# [31 32 33 34 35]] <class 'numpy.ndarray'>
array()
和asarray()
都可以将结构数据转化为 ndarray,但是array()
和asarray()
主要区别就是当数据源是ndarray时,array()
仍然会 copy 出一个副本,占用新的内存,但不改变 dtype 时asarray()
不会。
x = [[1, 1, 1], [1, 1, 1], [1, 1, 1]]
y = np.array(x)
z = np.asarray(x)
x[1][2] = 2
print(x,type(x))
print(y,type(y))
print(z,type(z))
# [[1, 1, 1], [1, 1, 2], [1, 1, 1]] <class 'list'>
# [[1 1 1]# [1 1 1]# [1 1 1]] <class 'numpy.ndarray'>
# [[1 1 1]# [1 1 1]# [1 1 1]] <class 'numpy.ndarray'>
数组中有2个比较特殊的数组,分别为0 数组和1数组
-
zeros()
函数:返回给定形状和类型的零数组。 -
zeros_like()
函数:返回与给定数组形状和类型相同的零数组。 -
ones()
函数:返回给定形状和类型的1数组。 -
ones_like()
函数:返回与给定数组形状和类型相同的1数组。
x = np.zeros(5)
print(x) #
[0. 0. 0. 0. 0.]
x = np.zeros([2,3])
print(x)
[[0. 0. 0.]
[0. 0. 0.]]
x = np.ones(5)
print(x)
[1. 1. 1. 1. 1.]
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.ones_like(x)
#ones_like()函数:返回与给定数组形状和类型相同的1数组。
[[1 1 1]
[1 1 1]]
随机数组
-
empty()
函数:返回一个空数组,数组元素为随机数。 -
empty_like
函数:返回与给定数组具有相同形状和类型的新数组。
x = np.empty(5)
print(x)
[1.95821574e-306 1.60219035e-306 1.37961506e-306
9.34609790e-307 1.24610383e-306]
单位数组
-
eye()
函数:返回一个对角线上为1,其它地方为零的单位数组。 -
identity()
函数:返回一个方的单位数组。
x = np.eye(4)
print(x)
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
对角数组
diag()
函数:提取对角线或构造对角数组。
v = [1, 3, 5, 7]
x = np.diag(v)
print(x)
[[1 0 0 0]
[0 3 0 0]
[0 0 5 0]
[0 0 0 7]]
常数值
-
full()
函数:返回一个常数数组。 -
full_like()
函数:返回与给定数组具有相同形状和类型的常数数组。
x = np.full((2, 7), 7)
print(x)
[[7 7 7 7 7 7 7]
[7 7 7 7 7 7 7]]
利用数值范围来创建ndarray
-
arange()
函数:返回给定间隔内的均匀间隔的值。 -
linspace()
函数:返回指定间隔内的等间隔数字。 -
logspace()
函数:返回数以对数刻度均匀分布。 -
numpy.random.rand()
返回一个由[0,1)内的随机数组成的数组。
x = np.arange(5)
print(x)
[0 1 2 3 4]
x = np.linspace(start=0, stop=2, num=9)
print(x)
[0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ]
x = np.logspace(0, 1, 5)
print(np.around(x, 2))
[ 1. 1.78 3.16 5.62 10. ]
x = np.random.random(5)
print(x)
[0.41768753 0.16315577 0.80167915 0.99690199 0.11812291]
结构数组创建
- 利用字典来定义结构
personType = np.dtype({
'names': ['name', 'age', 'weight'],
'formats': ['U30', 'i8', 'f8']})
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
dtype=personType)
print(a, type(a))
[('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)] <class 'numpy.ndarray'>
- 利用包含多个元组的列表来定义结构
personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')])
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
dtype=personType)
print(a, type(a))
[('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)] <class 'numpy.ndarray'>
5.数组属性
在使用 numpy 时,你会想知道数组的某些信息。很幸运,在这个包里边包含了很多便捷的方法,可以给你想要的信息。
-
numpy.ndarray.ndim
用于返回数组的维数(轴的个数)也称为秩,一维数组的秩为 1,二维数组的秩为 2,以此类推。 -
numpy.ndarray.shape
表示数组的维度,返回一个元组,这个元组的长度就是维度的数目,即ndim
属性(秩)。 -
numpy.ndarray.size
数组中所有元素的总量,相当于数组的shape
中所有元素的乘积,例如矩阵的元素总量为行与列的乘积。 -
numpy.ndarray.dtype
ndarray
对象的元素类型。 -
numpy.ndarray.itemsize
以字节的形式返回数组中每一个元素的大小。
a = np.array([1, 2, 3, 4, 5])
print(a.shape) # (5,)
print(a.dtype) # int32
print(a.size) # 5
print(a.ndim) # 1
print(a.itemsize) # 4
(5,)
int32
5
1
4