Python科学计算基础包-Numpy

一、Numpy概念

Numpy（Numerical Python的简称）是Python科学计算的基础包。它提供了以下功能：

快速高效的多维数组对象ndarray。
用于对数组执行元素级计算以及直接对数组执行数学运算的函数。
用于读写硬盘上基于数组的数据集的工具。
线性代数运算、傅里叶变换，以及随机数生成。
用于将C、C++、Fortran代码集成到Python的工具。

除了为Python提供快速的数组处理能力，Numpy在数据分析方面还有另外一个主要作用，即作为在算法之间传递数据的容器。对于数值型数据，Numpy数组在存储和处理数据时要比内置的Python数据结构高效的多。此外，由低级语言（比如C和Fortran）编写的库可以直接操作Numpy数组中的数据，无需进行任何数据复制工作。

二、Numpy的突出优势

与Python的基本数据类型相比，其具有以下突出优势：

提供功能更强大的高维数组（N-dimensional）对象
强大的广播功能（broadcasting），便于矢量化数组操作（直接对数组进行数据处理，而不需要编写循环）
集成了 C/C++ 以及 Fortran代码编写的工具
包含常用的线性代数、傅里叶变换，以及随机数生成
提供易用的C API，可以将数据传递到使用低级语言编写的外部库，也可以使外部库返回NumPy数组数据到Python
通用的数组算法，例如：sorting，unique和set等操作

NumPy提供了两种基本的对象：ndarray（N-dimensional array object）和ufunc（universal function object）。ndarray用来存储单一数据类型的多维数组，ufunc是对数组进行处理的函数。

三、ndarray对象

Numpy的核心是ndarray对象，它封装了同质数据类型的n维数组，与python序列有以下区别：

ndarray在创建时有固定大小：不同于python中的列表，更改ndarray的大小将创建一个新的数组并删除原始数据 ndarray中的元素有相同的数据类型 ndarray便于对大量数据进行高级数学操作：通常会比python内置序列更高效也更简单越来越多的基于python的科学和数学软件使用ndarray数组：只知道python的内置序列类型是不够的，还需要知道如何使用ndaray数组

ndarray数据类型

Numpy支持比Python更多种类的数值类型，参见：数据类型

numpy数据类型	python类型	描述
bool_	bool	布尔（True或False），存储为一个字节
int_	int	默认整数类型（与C long相同；通常为int64或int32）
intc		与C int（通常为int32或int64）相同
intp		用于索引的整数（与C ssize_t相同；通常为int32或int64）
int8		字节（-128到127）
int16		整数（-32768到32767）
int32		整数（-2147483648至2147483647）
int64		整数（-9223372036854775808至9223372036854775807）
uint8		无符号整数（0到255）
uint16		无符号整数（0到65535）
uint32		无符号整数（0至4294967295）
uint64		无符号整数（0至18446744073709551615）
float_	float	float64的简写。
float16		半精度浮点：符号位，5位指数，10位尾数
float32		单精度浮点：符号位，8位指数，23位尾数
float64		双精度浮点：符号位，11位指数，52位尾数
complex_	complex	complex128的简写。
complex64		复数，由两个32位浮点（实数和虚数分量）
complex128		复数，由两个64位浮点（实数和虚数分量）

# 作为类型名称设置数组中元素的类型，为了向后兼容，也可以使用float或字符串'float'

x = np.array([1,2,3],dtype=np.float)

print x

# 查看数据类型

print x.dtype

# 作为单值类型转化函数

print np.int32(1.3)

# 转换数组的类型，会产生新的副本

print x.astype(np.int)

结果：

[ 1. 2. 3.]

float64

1

[1 2 3]

感谢阅读上海尚学堂文章，获取更多内容或支持请点击上海python培训