1.numpy 数据类型
bool：布尔类型，1 个字节，值为 True 或 False。
int：整数类型，通常为 int64 或 int32 。
intc：与 C 里的 int 相同，通常为 int32 或 int64。
intp：用于索引，通常为 int32 或 int64。
int8：字节（从 -arange128 到 127）
int16：整数（从 -32768 到 32767）
int32：整数（从 -2147483648 到 2147483647）
int64：整数（从 -9223372036854775808 到 9223372036854775807）
uint8：无符号整数（从 0 到 255）
uint16：无符号整数（从 0 到 65535）
uint32：无符号整数（从 0 到 4294967295）
uint64：无符号整数（从 0 到 18446744073709551615）
float：float64 的简写。
float16：半精度浮点，5 位指数，10 位尾数
float32：单精度浮点，8 位指数，23 位尾数
float64：双精度浮点，11 位指数，52 位尾数
complex：complex128 的简写。
complex64：复数，由两个 32 位浮点表示。
complex128：复数，由两个 64 位浮点表示。
可以在创建arrray时，使用dtype 来指定它的数据类型, 对array 对象使用dtype 查看数据类型
2. ndarry(N维数组对象)
创建
使用array() 函数, 可以使用dtype 来指定类型
zeros() 函数来生成, 元素均为0 的数组
ones() 函数生成元素都为0 的数组
arange(start, stop,step,dtype) 函数来创建
n>>> np.arange(0,12).reshape(3,4)
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
linspace(start, end, num) num: 生成的样本数，也就是指定由开头到结尾所指定的范围分成几个部分
>>> np.linspace(0,12,3)
array([ 0., 6., 12.])
也可以使用random.random(shape) 来用随机数填充数组
>>> np.random.random((3,4))
array([[ 0.42793958, 0.7801106 , 0.40430299, 0.2440989 ],
[ 0.12988871, 0.01634131, 0.62752135, 0.99287802],
[ 0.95552834, 0.60075408, 0.48059998, 0.6966276 ]])
ndarry 数组的属性
ndim 秩的数量
size 数组的大小
shape 数组的型
3.基本操作
重新设置形状
>>> np.arange(0,12).reshape((3,4))
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
算术运算
直接使用算术运算符进行运算
矩阵积: dot(A,B) 或A.dot(B)， 矩阵不遵循交换律
通用函数: sqrt(), log() , sin(), ...
聚合函数
min()
max()
sum()
mean() 平均数
std()
索引
跟列表有些类似
>>> a=np.arange(20).reshape(4,5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]])
>>> a[[3,4],[3,4]]
实际获取的是[1,3]，也就是第2行和第4列对于的值8。以及[2, 4]，也就是第3行和第5列对于的值14。
三维数组
>>>importnumpyasnp>>>a = np.arange(30).reshape(2,5,3)>>>a
array([[[0,1,2],
[3,4,5],
[6,7,8],
[9,10,11],
[12,13,14]],
[[15,16,17],
[18,19,20],
[21,22,23],
[24,25,26],
[27,28,29]]])# 索引>>>a[[0,1],[1,2],[1,2]]
array([4,23])
这里，[0,1]分布代表axis = 0和axis = 1。而，后面的[1,2],[1,2]分别选择了第2行第2列和第3行第3列的两个数。
切片
对于多维数组，我们只需要用逗号,分割不同维度即可：
>>>a = np.arange(20).reshape(4,5)>>>a
array([[0,1,2,3,4],
[5,6,7,8,9],
[10,11,12,13,14],
[15,16,17,18,19]])# 先取第 3，4 列（第一个维度），再取第 1，2，3 行（第二个维度）。>>>a[0:3,2:4]
array([[2,3],
[7,8],
[12,13]])# 按步长为 2 取所有列和所有行的数据。>>>a[:,::2]
array([[0,2,4],
[5,7,9],
[10,12,14],
[15,17,19]])
数组迭代
遍历矩阵的每个元素
for item in A:
print item
apply_along_axis() 函数, axis =0， 时，为沿行，=1时，沿列
>>> np.apply_along_axis(np.mean, axis=0, arr=A)
array([ 0.31892036, 0.32059507, 0.5275357 , 0.56294685])
>>> np.apply_along_axis(np.mean, axis=1, arr=A)
array([ 0.34725639, 0.52172109, 0.428521 ])
>>> A
array([[ 0.37854916, 0.07013463, 0.16762009, 0.77272168],
[ 0.39064676, 0.79229944, 0.57201198, 0.33192621],
[ 0.18756517, 0.09935115, 0.84297504, 0.58419266]])
条件和布尔数组
>>> A = np.random.random((4,4))
>>> A
array([[ 0.73033594, 0.95318457, 0.05115813, 0.1413278 ],
[ 0.38830897, 0.67513952, 0.73892551, 0.00472255],
[ 0.52383481, 0.35105734, 0.61480131, 0.00726216],
[ 0.28354593, 0.15196966, 0.86462789, 0.86654137]])
>>> A<0.5
array([[False, False, True, True],
[ True, False, False, True],
[False, True, False, True],
[ True, True, False, False]], dtype=bool)
>>> A[A<0.5]
array([ 0.05115813, 0.1413278 , 0.38830897, 0.00472255, 0.35105734,
0.00726216, 0.28354593, 0.15196966])
形状变换
reshape() 函数
ravel () 函数将二维数组变成一维数组
transpose() 交换行列
数组操作
vstack() 垂直入栈操作
hstack() 水平入栈操作
数组切分
hsplit() 水平分割
vsplit() 垂直分割
>>> A = np.arange(0,12).reshape(3,4)
>>> A
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> [b,c]= np.hsplit(A,2)
>>> b
array([[0, 1],
[4, 5],
[8, 9]])
>>> c
array([[ 2, 3],
[ 6, 7],
[10, 11]])
也可以指定axis 沿哪条轴分割
对象的副本
直接使用copy() 函数
>>> a
array([[ 0.93582073, 0.36285637, 0.1743055 , 0.73572584],
[ 0.57430482, 0.86607796, 0.73776101, 0.12266299],
[ 0.59001065, 0.38222194, 0.06113438, 0.01316895]])
>>> b=a.copy()
>>> b
array([[ 0.93582073, 0.36285637, 0.1743055 , 0.73572584],
[ 0.57430482, 0.86607796, 0.73776101, 0.12266299],
[ 0.59001065, 0.38222194, 0.06113438, 0.01316895]])
结构化数组
创建一个简单的结构化数组
>>> structured = np.array([(1,'first', 0.5, 1+2j), (2, 'second', 1.5, 2+2j)], dtype=('int16,a6,float32, complex64'))>>> structuredarray([(1, 'first', 0.5, 1.+2.j), (2, 'second', 1.5, 2.+2.j)], dtype=[('f0', '>> structured[1]
(2, 'second', 1.5, 2.+2.j)
数据文件读入
保存
>>> a
array([[ 0.93582073, 0.36285637, 0.1743055 , 0.73572584],
[ 0.57430482, 0.86607796, 0.73776101, 0.12266299],
[ 0.59001065, 0.38222194, 0.06113438, 0.01316895]])
>>> np.save('a_data',a)
np.load('a_data.npy‘)
读取文件中列表形式
CSV
np.getfromtxt('data.csv', delimiter=',', names=True) , (打开的文件名， 分隔符, 是否保存列标题) ,内容为空的项填充为nan 值