数据可视化学习笔记之Numpy1

Numpy的数组对象：ndarray

numpy对象的属性

属性	说明
.ndim	秩，即轴的数量或维度的数量
.shape	ndarry对象的尺度，对于矩阵，n行m列
.size	ndarry对象元素的个数，相当于n*m
.dtype	ndarry对象的元素类型
.itemsize	ndarry对象每个元素的大小

In [3]: a = np.array([[0,1,2,3,4],[9,8,7,6,5]])

In [4]: a.ndim
Out[4]: 2

In [5]: a.shape
Out[5]: (2, 5)

In [6]: a.size
Out[6]: 10

In [7]: a.dtype
Out[7]: dtype('int32')

In [8]: a.itemsize
Out[8]: 4

ndarray的元素类型

数据类型	说明
bool	布尔类型，True或False
inte	C语言中的int类型一致，一般是int32或int64
intp	用于索引的整数，与C语言ssize_t一致，int32或int64
int8	字节长度整数，取值：[-128,127]
int16	16位长度整数，取值：[-215,215]
int32	32位长度整数，取值[-231,231-1]
int64	64位长度的整数，取值[-263,263]
uint8	8位无符号整数，取值：[0, 255]
uint16	16位无符号整数，取值：[0, 65535]
uint32	32位无符号整数，取值：[0,232‐1]
uint64	32位无符号整数，取值：[0,264‐1]
float16	16位半精度浮点数：1位符号位，5位指数，10位尾数
float32	32位半精度浮点数：1位符号位，8位指数，23位尾数
float64	64位半精度浮点数：1位符号位，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

ndarray数组最好使用同质对象（.itemsize均相同）

numpy数组创建

1. 从Python中的列表、元组等类型创建ndarray数组

x= np.array(list/tuple)
x= np.array(list/tuple, dtype=np.float32)

例子：

In [9]: x = np.array([0,1,2,3])

In [10]: print(x)
[0 1 2 3]

In [11]: x = np.array((4,5,6,7))

In [12]: print(x)
[4 5 6 7]

In [13]: x = np.array([[1,2],[5,7],(0.2,8.3)])

In [14]: print(x)
[[1.  2. ]
 [5.  7. ]
 [0.2 8.3]]

2. 使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等

函数	说明
np.arange(n)	类似range()函数，返回ndarray类型，元素从0到n‐1
np.ones(shape)	根据shape生成一个全1数组，shape是元组类型
np.zeros(shape)	根据shape生成一个全0数组，shape是元组类型
np.full(shape,val)	根据shape生成一个数组，每个元素值都是val
np.eye(n)	创建一个正方的n*n单位矩阵，对角线为1，其余为0

示例：

In [15]: np.arange(10)
Out[15]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [16]: np.ones((3,4))
Out[16]:
array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])

In [17]: np.zeros((3,6),dtype=np.int32)
Out[17]:
array([[0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0]])
   In [19]: np.eye(4)
Out[19]:
array([[1., 0., 0., 0.],
       [0., 1., 0., 0.],
       [0., 0., 1., 0.],
       [0., 0., 0., 1.]])

In [20]: x = np.ones((2,3,4))

In [21]: print(x)
[[[1. 1. 1. 1.]
  [1. 1. 1. 1.]
  [1. 1. 1. 1.]]

 [[1. 1. 1. 1.]
  [1. 1. 1. 1.]
  [1. 1. 1. 1.]]]

In [22]: x.shape
Out[22]: (2, 3, 4)

函数	说明
np.ones_like(a)	根据数组a的形状生成一个全1数组
np.zeros_like(a)	根据数组a的形状生成一个全0数组
np.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

函数	说明
np.linspace()	根据起止数据等间距地填充数据，形成数组
np.concatenate()	将两个或多个数组合并成一个新的数组

示例：

In [22]: x.shape
Out[22]: (2, 3, 4)

In [23]: a = np.linspace(1,10,4)

In [24]: a
Out[24]: array([ 1.,  4.,  7., 10.])

In [25]: b=np.linspace(1,10,4,endpoint=False)

In [26]: b
Out[26]: array([1.  , 3.25, 5.5 , 7.75])

In [27]: np.concatenate((a,b))
Out[27]: array([ 1.  ,  4.  ,  7.  , 10.  ,  1.  ,  3.25,  5.5 ,  7.75])

ndarray数组的变换

维度变换

方法	说明
.reshape(shape)	不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape)	与.reshape()功能一致，但修改原数组
.swapaxes(ax1,ax2)	将数组n个维度中两个维度进行调换
.flatten()	对数组进行降维，返回折叠后的一维数组，原数组不变

In [28]: a = np.ones((2,6),dtype=np.int32)

In [29]: a.reshape((4,3))
Out[29]:
array([[1, 1, 1],
       [1, 1, 1],
       [1, 1, 1],
       [1, 1, 1]])

In [30]: a
Out[30]:
array([[1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1]])

In [31]: a.resize(3,4)

In [32]: a
Out[32]:
array([[1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1]])
In [33]: a.flatten()
Out[33]: array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])

In [34]: a
Out[34]:
array([[1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1]])

ndarray数组的类型变换

new_a = a.astype(new_type)

In [35]: a = np.ones((3,4),dtype=np.int)

In [36]: a
Out[36]:
array([[1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1]])

In [37]: b = a.astype(np.float)

In [38]: b
Out[38]:
array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])

astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致

ndarray数组向列表的转换

ls= a.tolist()

In [40]: a = np.ones((3,4),dtype=np.int32)

In [41]: a
Out[41]:
array([[1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1]])

In [42]: a.tolist()
Out[42]: [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]