Python中Numpy模块的使用

NumPy

NumPy(Numerical Python) 是 Python 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。Nupmy可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。据说NumPy将Python相当于变成一种免费的更强大的MatLab系统。

NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：

一个强大的 N 维数组对象 ndarray
广播功能函数
整合 C/C++/Fortran 代码的工具
线性代数、傅里叶变换、随机数生成等功能

ndarray对象

NumPy 最重要的一个对象是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，可以使用基于 0 的索引访问集合中的项目。

ndarray 对象是用于存放同类型元素的多维数组。ndarray中的每个元素在内存中使用相同大小的块。 ndarray中的每个元素是数据类型对象的对象(称为 dtype)

numpy.array( object , dtype = None , ndmin = 0 ,copy = True , order = None , subok = False )

一般只有 object 、dtype和 ndmin 参数常用，其他参数不常用

import numpy

a=numpy.array([1,2,3])                #一维

b=numpy.array([[1,2,3],[4,5,6]])      #二维

c=numpy.array([1,2,3],dtype=complex)  #元素类型为复数

d=numpy.array([1,2,3],ndmin=2)        #二维

print(a,type(a))

print(b,type(b))

print(c,type(c))

print(d,type(d))

####################################

[1 2 3] <class 'numpy.ndarray'>

[[1 2 3]

 [4 5 6]] <class 'numpy.ndarray'>

[1.+0.j 2.+0.j 3.+0.j] <class 'numpy.ndarray'

[[1 2 3]] <class 'numpy.ndarray'>

Numpy数据类型

Numpy数组属性

NumPy 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。

在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。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（axis），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。

很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。

ndarray 对象属性有：

常见的属性有下面几种：

ndarray.shape ：这一数组属性返回一个包含数组纬度的元组，它也可以用于调整数组大小

import numpy as np

a=np.array([[1,2,3],[4,5,6]])

print(a.shape)           #打印shape属性

a.shape=(3,2)            #修改shape属性

print(a)

#######################################

(2, 3)

[[1 2]

 [3 4]

 [5 6]]

ndarray.ndim：这一数组属性返回数组的维数

import numpy as np

a=np.arange(24)     #np.arange返回0-23的列表类型的数据

print(a.ndim)

b=a.reshape(2,3,4)

print(b)

print(b.ndim)

############################

1

[[[ 0  1  2  3]

  [ 4  5  6  7]

  [ 8  9 10 11]]

 [[12 13 14 15]

  [16 17 18 19]

  [20 21 22 23]]]

3

ndarray.itemsize ：这一数组属性返回数组中每个元素的字节单位长度

import numpy as np

a=np.array([1,2,3])  #默认是四个字节

print(a.itemsize)

#########################################

4