python——Numpy库，,Numpy库英文官方
python——Numpy库，,Numpy库英文官方
Numpy库
英文官方文档：https://docs.scipy.org/doc/numpy/reference/arrays.ndarray.html
Numpy库中的数组对象：N维数组类型：ndarray
1) ndarray的作用：
a) 数组对象性可以去掉元素间运算所需的循环，使一维向量更像单个数据。
b) 设置专门的数组对象，经过优化，可以提升这类应用的运算速度。
2) ndarray是一个多维数组对象，有两部分组成：
实际的数据 和 描述这些数据的元数据（数据维度、数据类型等）
ndarray数组一般要求所有元素类型相同（同质），数组下标从零开始
3) ndarray实例对象的属性：
.ndim：秩，即轴的数量或维度的数量
.shape：ndarray对象的尺度，对于矩阵，n行m列
.size：ndarray对象元素的个数，相当于.shape中的n*m
.dtype：ndarray对象的元素类型
.itemsize：ndarray对象中的每个元素的大小，以字节为单位
4) ndarray的元素类型：
数据类型 | 说明 |
bool | 布尔类型，True or False |
intc | 与C语言中的int类型一致Int32或int6 |
intp | 用于索引的整数，与C语言中的ssize_t一致，int2或int64 |
int8 | 8字节长度的整数，取值[-128,127] |
int16/int32/int64 | 类似int8 |
uint8 | 8位无符正数，取值[0,255] |
uint16/uint32/uint64 | 类似uint8 |
float16 | 16位半精度浮点数:1位符号位,5位指数(10^指数),10位尾数 |
float32 | 类似float16；1为符号位，8位指数，23位尾数 |
float64 | 类似float16；1为符号位，11位指数，52位尾数 |
complex64 | 复数类型，实部和虚部都是32位浮点数 |
complex128 | 复数类型，实部和虚部都是64位浮点数 |
对比：python语法只支持整数，浮点数和复数3种类型
而科学计算对数据的类型，精度都有较高要求
注意：非同质的ndarray无法有效发挥Numpy优势，尽量避免使用
5) ndarray数组的创建方法：
a) 从python中的列表、元组等类型创建ndarray数组
x=Numpy.array(list/tuple)
x=Numpy.array(list/tuple, dtype=np.int64)
不指定dtype,Numpy将根据数据情况关联一个dtype
b) 使用Numpy中函数创建ndarray数组，如：arange,ones,zeros等
函数 | 说明 |
Numpy.arange(n) | 类似range()函数，返回ndarray类型，元素从0到n-1 |
Numpy.ones(shape) | 根据shape生成一个全一数组，shape是元组类型 |
Numpy.zeros(shape) | 根据shape生成一个全零数组，shape是元组类型 |
Numpy.full(shape,val) | 根据shape生成一个数组，每个元素值都是val |
Numpy.eye(n) | 生成n阶单位阵 |
Numpy.ones_like(a) | 根据数组a的形状生成一个全1数组 |
Numpy.zeros_like(a) | 根据数组a的形状生成一个全0数组 |
Numpy.full_like(a,val) | 根据数组a的形状生成一个数组，每个元素值都是val |
Numpy.linspace() | 根据起止数据等间距地填充数据，形成数组 |
Numpy.concatenate() | 将两个或多个数组合并成一个新的数组 |
c) 从字节流(raw bytes )中创建ndarray数组
d) 从文件中读取特定格式，创建ndarray数组
6）ndarray数组的变换
a) ndarray数组的维度变换(例如x=Numpy.eye(n))
函数 | 说明 |
x.reshape(shape) | 不改变数组元素，返回一个shape形状的数组，原数组不变 |
x.resize(shape) | 与.reshape()功能一致，但修改原数组 |
x.swapaxes(ax1,ax2) | 将数组n个维度中的两个维度进行调换 |
x.flatten() | 对数组进行降维，返回折叠后的一维数组，原数组不变 |
b) ndarray数组的其他变换
函数 | 说明 |
x.astype(new_type) | 类型变换：创建一个新数组(原始数据的一个拷贝）即使两个数据类型一致 |
x.tolist() | 向列表变换 |
7）ndarray数组的操作：
数组的索引：获取数组中特定元素。例如
数组的切片：获取数组元素子集的过程。
a） 一维数组的索引和切片：与python的列表类似
b）多维数组的索引：
每个维度的索引值用逗号分隔，选取一个维度用 ：(冒号)，每个维度切片方法与一维数组相同。
例如：
8）ndarray数组的运算：
数组与标量之间的运算：
数组与标量之间的运算作用于数组的每一个元素
Numpy的一元函数：
函数 | 说明 |
Numpy.abs(x)/.fabs(x) | 计算数组中各元素的绝对值 |
Numpy.sqrt() | 计算数组中各元素的平方根 |
Numpy.square(x) | 计算数组中各元素的平方 |
Numpy.log(x)/.log10(x)/log2(x) | 计算数组各元素自然对数、10底对数、2底对数 |
Numpy.ceil(x)/.floor(x) | 计算数组各元素的ceilling值或floor的值 |
Numpy.rint(x) | 计算数组各元素的四舍五入值 |
Numpy.modf(x) | 将数组各元素的小数和整数部分以两个独立数组形式返回 |
Numpy.cos(x)/.cosh(x) Numpy.sin(x)/.sinh(x) Numpy.tan(x)/.tanh(x) | 计算数组各元素的普通型和双曲型三角函数 |
Numpy.sign(x) | 计算数组各元素的符号值 |
Numpy.exp(x) | 计算数组各元素的指数值 |
Numpy的二元函数：
函数 | 说明 |
+ - * / ** | 两数组各元素进行对应运算 |
Numpy.maximum(x)/.fmax(x) Numpy.minimum(x)/.fmin() | 元素级的最值 |
Numpy.mod(x,y) | 元素级的模运算 |
Numpy.copysign(x,y) | 将数组y中各元素的符号赋值给数组x对应元素 |
> < >= == != | 算术比较运算符，产生布尔类型 |
python——Numpy库
评论关闭