01 Numpy数据类型及数组创建
常量
numpy.nan
- numpy.nan/NaN/NAN：表示空值
- 两个nan是不相等的
- numpy.isnan(x, *args, **kwargs) Test element-wise for NaN and return result as a boolean array.
numpy.inf
- numpy.Inf/inf/infty/PINF/Infinity：表示空值
numpy.pi
numpy.e
数据类型
常见数据类型
Python 原生的数据类型相对较少， bool、int、float、str等。这在不需要关心数据在计算机中表示的所有方式的应用中是方便的。然而，对于科学计算，通常需要更多的控制。为了加以区分 numpy 在这些类型名称末尾都加了“_”。
下表列举了常用 numpy 基本类型。
| 类型 | 备注 | 说明 |
|---|---|---|
| bool_ = bool8 | 8位 | 布尔类型 |
| int8 = byte | 8位 | 整型 |
| int16 = short | 16位 | 整型 |
| int32 = intc | 32位 | 整型 |
| int_ = int64 = long = int0 = intp | 64位 | 整型 |
| uint8 = ubyte | 8位 | 无符号整型 |
| uint16 = ushort | 16位 | 无符号整型 |
| uint32 = uintc | 32位 | 无符号整型 |
| uint64 = uintp = uint0 = uint | 64位 | 无符号整型 |
| float16 = half | 16位 | 浮点型 |
| float32 = single | 32位 | 浮点型 |
| float_ = float64 = double | 64位 | 浮点型 |
| str_ = unicode_ = str0 = unicode | Unicode 字符串 | |
| datetime64 | 日期时间类型 | |
| timedelta64 | 表示两个时间之间的间隔 |
创建数据类型
numpy 的数值类型实际上是 dtype 对象的实例。
class dtype(object):
def __init__(self, obj, align=False, copy=False):
pass
每个内建类型都有一个唯一定义它的字符代码，如下：
| 字符 | 对应类型 | 备注 |
|---|---|---|
| b | boolean | ‘b1’ |
| i | signed integer | ‘i1’, ‘i2’, ‘i4’, ‘i8’ |
| u | unsigned integer | ‘u1’, ‘u2’ ,‘u4’ ,‘u8’ |
| f | floating-point | ‘f2’, ‘f4’, ‘f8’ |
| c | complex floating-point | |
| m | timedelta64 | 表示两个时间之间的间隔 |
| M | datetime64 | 日期时间类型 |
| O | object | |
| S | (byte-)string | S3表示长度为3的字符串 |
| U | Unicode | Unicode 字符串 |
| V | void |
数据类型信息
Python 的浮点数通常是64位浮点数，几乎等同于 np.float64。
NumPy和Python整数类型的行为在整数溢出方面存在显着差异，与 NumPy 不同，Python 的int 是灵活的。这意味着Python整数可以扩展以容纳任何整数并且不会溢出。
时间日期和时间增量
datetime64 基础
在 numpy 中，我们很方便的将字符串转换成时间日期类型 datetime64（datetime 已被 python 包含的日期时间库所占用）。
datatime64是带单位的日期时间类型，其单位如下：
| 日期单位 | 代码含义 | 时间单位 | 代码含义 |
|---|---|---|---|
| Y | 年 | h | 小时 |
| M | 月 | m | 分钟 |
| W | 周 | s | 秒 |
| D | 天 | ms | 毫秒 |
| - | - | us | 微秒 |
| - | - | ns | 纳秒 |
| - | - | ps | 皮秒 |
| - | - | fs | 飞秒 |
| - | - | as | 阿托秒 |
数组的创建
依据现有数据来创建ndarray
（a） 通过array()函数进行创建
def array(p_object, dtype=None, copy=True, order='K', subok=False, ndmin=0):
（b）通过asarray()函数进行创建
def asarray(a, dtype=None, order=None):
return array(a, dtype, copy=False, order=order)
（c）通过fromfunction()函数进行创建
def fromfunction(function, shape, **kwargs):
注意：array()和asarray()都可以将结构数据转化为 ndarray，但是array()和asarray()主要区别就是当数据源是ndarray 时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时 asarray()不会。
依据 ones 和 zeros 填充方式
（a）零数组
-
zeros()函数：返回给定形状和类型的零数组。
-
zeros_like()函数：返回与给定数组形状和类型相同的零数组。
-
def zeros(shape, dtype=None, order='C'): -
def zeros_like(a, dtype=None, order='K', subok=True, shape=None)：（b）1数组
-
ones()函数：返回给定形状和类型的1数组。
-
ones_like()函数：返回与给定数组形状和类型相同的1数组。
-
def ones(shape, dtype=None, order='C'): -
def ones_like(a, dtype=None, order='K', subok=True, shape=None):
（c）空数组
- empty()函数：返回一个空数组，数组元素为随机数。
- empty_like函数：返回与给定数组具有相同形状和类型的新数组。
def empty(shape, dtype=None, order='C'):def empty_like(prototype, dtype=None, order='K', subok=True, shape=None):
（d）单位数组
- eye()函数：返回一个对角线上为1，其它地方为零的单位数组。
- identity()函数：返回一个方的单位数组。
def eye(N, M=None, k=0, dtype=float, order='C'):def identity(n, dtype=None):
（e）对角数组
- diag()函数：提取对角线或构造对角数组。
def diag(v, k=0):
（f）常数数组
- full()函数：返回一个常数数组。
- full_like()函数：返回与给定数组具有相同形状和类型的常数数组。
def full(shape, fill_value, dtype=None, order='C'):def full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None):
利用数值范围来创建ndarray
- arange()函数：返回给定间隔内的均匀间隔的值。
- linspace()函数：返回指定间隔内的等间隔数字。
- logspace()函数：返回数以对数刻度均匀分布。
- numpy.random.rand() 返回一个由[0,1)内的随机数组成的数组。
def arange([start,] stop[, step,], dtype=None):def linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0):def logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None, axis=0):def rand(d0, d1, ..., dn):
结构数组的创建
结构数组，首先需要定义结构，然后利用np.array()来创建数组，其参数dtype为定义的结构。
（a）利用字典来定义结构
【例】
import numpy as np
personType = np.dtype({
'names': ['name', 'age', 'weight'],
'formats': ['U30', 'i8', 'f8']})
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# （b）利用包含多个元组的列表来定义结构
【例】
import numpy as np
personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')])
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# 数组的属性
在使用 numpy 时，你会想知道数组的某些信息。很幸运，在这个包里边包含了很多便捷的方法，可以给你想要的信息。
- numpy.ndarray.ndim用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。
- numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。
- numpy.ndarray.size数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。
- numpy.ndarray.dtype ndarray 对象的元素类型。
- numpy.ndarray.itemsize以字节的形式返回数组中每一个元素的大小。
class ndarray(object):
shape = property(lambda self: object(), lambda self, v: None, lambda self: None)
dtype = property(lambda self: object(), lambda self, v: None, lambda self: None)
size = property(lambda self: object(), lambda self, v: None, lambda self: None)
ndim = property(lambda self: object(), lambda self, v: None, lambda self: None)
itemsize = property(lambda self: object(), lambda self, v: None, lambda self: None)