【datawhale】-numpy学习-数组创建

前言

（这是第一次作为小白参加Datawhale的学习，好多东西都是第一次接触，但是万事开头难，通过一点一点的询问和自己摸索，终于有了一点点头绪，但是从来没有接触过的numpy真的是让人头大，希望自己能够坚持下去，真正学有所成）

常量

numpy.nan
nan=NaN=NAN

两个numpy.nan是不一样的，也就两者不能划等号。
以下是几个常见的常量：
numpy.inf（表示正无穷大）；
numpy.pi(表示圆周率（pi在c语言中也表示圆周率，如果没记错的话，哈哈哈）)；
numpy.e(表示自然常数，就是数学中的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“_”。

下图表列举常用的numpy基本类型（啊，这里是直接copy的原图）

创建数据类型

numpy的数值类型实际上是dtype对象的实例，在这里说明一下“dtype”是什么。

在python环境下运行一下代码，用print打印出来后，其代码展示如下：

import numpy
print(numpy.dtype.__doc__)
dtype(obj, align=False, copy=False)

    Create a data type object.

    A numpy array is homogeneous, and contains elements described by a
    dtype object. A dtype object can be constructed from different
    combinations of fundamental numeric types.

通过以上结果我们可以知道，1、dtype函数数组元素类型，数组元素类型可以通过dtype属性来获得；2、dtype也可以作为参数创建特定的类型的数组；3、dtype可查看数组的数据类型。

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。

其代码展示如下：

import numpy as np

ii16 = np.iinfo(np.int16)
print(ii16.min)
print(ii16.max)


ii32 = np.iinfo(np.int32)
print(ii32.min)
print(ii32.max)

###输出的结果分别为：
-32768
32767
-2147483648
2147483647

时间日期和时间增量

datatime64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：
（copy原文档）

注意：

1. 1秒 = 1000 毫秒（milliseconds） 2. 1毫秒 = 1000 微秒（microseconds）

从字符串创建 datetime64 类型时，默认情况下，numpy 会根据字符串自动选择对应的单位。
其代码展示如下：

import numpy as np

a = np.datetime64('2020-03-01')
print(a,a.dtype)

##运行结果过为：2020-03-01 datetime64[D]

以上代码表示的是在numpy中，datetime64这个字符串后跟着的是日期，那么print后，a这一变量由dtype标出的类型就是【D】，也就是“天的意思”；同样的道理，当定义不同的日期表达时，print后就能输出对应的类型。

import numpy as np

a = np.datetime64('2020-03')
print(a,a.dtype)
import numpy as np

a = np.datetime64('2020-03-08 20:00:05')
print(a,a.dtype)

import numpy as np

a = np.datetime64('2020-03-05 15:00')
print(a,a.dtype)

这里需要注意一下，日常生活中我们常用的时间单位诸如年、月、日/天、小时、分钟、秒等。通过代码的运行可以得知，在输入“时”、“分钟”、“秒”时，要注意格式的细微变化。否则会出现错误，其代码展示如下：

import numpy as np

a = np.datetime64('2020-03-05 0:00')
print(a,a.dtype)

ValueError                                Traceback (most recent call last)
<ipython-input-12-37e3655e4458> in <module>
      1 import numpy as np
      2 
----> 3 a = np.datetime64('2020-03-05 0:00')
      4 print(a,a.dtype)

ValueError: Error parsing datetime string "2020-03-05 0:00" at position 11

可以看出，仅仅少些了以为，就出错了，正确的代码展示如下：

import numpy as np

a = np.datetime64('2020-03-05 00:00')
print(a,a.dtype)

从字符串创建 datetime64 类型时，可以强制指定使用的单位，其代码展示如下：

import numpy as np

a= np.datetime64('2020-03','D')
print(a,a.dtype)


a= np.datetime64('2020-03','Y')
print(a,a.dtype)

2020-03-01 datetime64[D]
2020 datetime64[Y]

由上例可以看出，2019-03 和 2019-03-01 所表示的其实是同一个时间。
事实上，如果两个 datetime64 对象具有不同的单位，它们可能仍然代表相同的时刻。并且从较大的单位（如月份）转换为较小的单位（如天
数）是安全的

从字符串创建 datetime64 数组时，如果单位不统一，则一律转化成其中最小的单位，其代码展示如下：

import numpy as np

a= np.array(['2020-03','2020-03-08','2020-03-08 20:00'],dtype = 'datetime64')
print(a,a.dtype)

['2020-03-01T00:00' '2020-03-08T00:00' '2020-03-08T20:00'] datetime64[m]

请注意，在这里已经构造了一个数组，注意数组的标准写法与格式，“【】”一定不要忘了（第一次运行的时候，总是出现各种错误，慢慢找才发现是符号的问题，在编程语言中一定要特别注意格式！）

接下来，用“arrange（）”创建datetime64数组，用来生成日期范围，其代码展示如下：

import numpy as np

a = np.arange('2020-08-01','2020-08-10',dtype=np.datetime64)
print(a,a.dtype)

##结果如下：

['2020-08-01' '2020-08-02' '2020-08-03' '2020-08-04' '2020-08-05'
 '2020-08-06' '2020-08-07' '2020-08-08' '2020-08-09'] datetime64[D]

这个代码展示的就是从‘202008-01’到‘2020-08-10’的天数，并且输入了类型为“D”，说明代码运行的正确。
相同的输入对应的其他日期表达方式，不在一一列举。

datatime 64和timedelta64运算

timedelta64 表示两个 datetime64 之间的差。timedelta64 也是带单位的，并且和相减运算中的两个 datetime64 中的较小的单位保持一致。

可以举个例子具体说明，其胆码展示如下：

import numpy as np

a  = np.datetime64('2020-03-08') - np.datetime64('2020-03-07')
b  = np.datetime64('2020-03-08') - np.datetime64('2020-03-07 08:00')
c  = np.datetime64('2020-03-08') - np.datetime64('2020-03-07 23:00','D')

print(a,a.dtype)
print(b,b.dtype)
print(c,c.dtype)

##结果如下：

1 days timedelta64[D]
960 minutes timedelta64[m]
1 days timedelta64[D]

这里分别解释一下每一行代码运行的意思，第一行是非常标准的“日” - “日”的运算，所以输出的类型为“D”；第二行是“日” - “分钟”的运算，由规定可知，按照单位较小的输出结果，因此输出结果的类型为“minute”，也就是分钟；第三行表示的同样为“日” - “分钟”，但在代码的最后强制转化为“天”，所以最后输出的结果也就是“D”了。

数组的创建

依据现有数据来创建ndarray

通过array（）函数进行创建

先展示一个代码：

import numpy as np

a = np.array([0,1,2,3,4])
b = np.array([0,1,2,3,4])

print(a,type(a))
print(b,type(b))

c = np.array([[11,12,13,14,15],
              [45,12,35,78,12],
              [12,85,3,45,78],
              [11,54,61,23,84],
              [65,45,32,31,78]])

print(c,type(c))


d = np.array([[(1.5,2,3),(4,5,6)],
              [(5,7,9),(5,6,3.1)]])

print(d,type(d))

##结果运行如下：

[0 1 2 3 4] <class 'numpy.ndarray'>
[0 1 2 3 4] <class 'numpy.ndarray'>

[[11 12 13 14 15]
 [45 12 35 78 12]
 [12 85  3 45 78]
 [11 54 61 23 84]
 [65 45 32 31 78]] <class 'numpy.ndarray'>

[[[1.5 2.  3. ]
  [4.  5.  6. ]]

 [[5.  7.  9. ]
  [5.  6.  3.1]]] <class 'numpy.ndarray'>

以上代码分别展示了创建一维、二维以及三维数组的表达，特别注意输出数组的类型是，不再是“print（a，a.dtype）”这种形式了，而是“print（a，type（a））”。

通过asarray()函数进行创建

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。（因此看来，asarray更节省内存空间一些。）

举例展示，其代码展示如下：

import numpy as np

x = [[1,1,1],[4,8,3],[2,4,5]]

y = np.array(x)

z = np.asarray(x)

print(x,type(x))
print(y,type(y))
print(z,type(z))

##结果如下：

[[1, 1, 1], [4, 8, 3], [2, 4, 5]] <class 'list'>
[[1, 1, 1], [4, 8, 3], [2, 4, 5]] <class 'list'>

array() 和 asarray() 的区别。( 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。

其代码展示如下：

import numpy as np

x = [[1,1,1],[4,8,3],[2,4,5]]

y = np.array(x)

z = np.asarray(x)

w = np.asarray(x,dtype=np.int)

x[1][2] = 2

print(x,type(x))
print(y,type(y))
print(z,type(z))

##结果如下：

[[1, 1, 1], [4, 8, 2], [2, 4, 5]] <class 'list'>
[[1 1 1]
 [4 8 3]
 [2 4 5]] <class 'numpy.ndarray'>
[[1 1 1]
 [4 8 3]
 [2 4 5]] <class 'numpy.ndarray'>

依据ones和zeros填充方式

在机器学习任务中经常做的一件事就是初始化参数，需要用常数值或者随机值来创建一个固定大小的矩阵。

零数组

1. zeros() 函数：返回给定形状和类型的零数组。
2. zeros_like() 函数：返回与给定数组形状和类型相同的零数组。
   下面展示这两个函数具体运行的一个案列结果，其代码展示如下：

import numpy as np

x = np.zeros(5)
print(x)

x = np.zeros([4,5])
print(x)

x = np.array([[4,5,7],[12,47,89]])
y = np.zeros_like(x)

print(y)

##结果如下：

[0. 0. 0. 0. 0.]
[[0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]]
[[0 0 0]
 [0 0 0]]

以上代码表示其含义比较简单，不在赘述。

1数组

1. ones() 函数：返回给定形状和类型的1数组。
2. ones_like() 函数：返回与给定数组形状和类型相同的1数组。

1数组的形式与0零数组完全一样，只不过数组内的各个元素均换成1，此处不在对其代码进行展示。

空数组

1. empty() 函数：返回一个空数组，数组元素为随机数。
2. empty_like 函数：返回与给定数组具有相同形状和类型的新数组。

其代码展示如下：

import numpy as np

x = np.empty(5)
print(x)

x = np.empty([5,7])

x = np.array([[45,62,78,89],[12,5,46,31]])
y = np.empty_like(x)
print(y)


##结果如下：

[0. 0. 0. 0. 0.]
[[1324770695  805393421 1599436526 1645630477]
 [1745310583 1825934317 1801670157  805468270]]

单位数组

1. eye() 函数：返回一个对角线上为1，其它地方为零的单位数组。
2. identity() 函数：返回一个方的单位数组。

其代码展示如下：

import numpy as np

x = np.eye(5)
print(x)

x = np.eye(2,3)
print(x)

x = np.identity(4)
print(x)

##结果如下;

[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 1.]]
 
[[1. 0. 0.]
 [0. 1. 0.]]

[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]]

对角数组

1. diag() 函数：提取对角线或构造对角数组。

其代码展示如下：

import numpy as np

x = np.arange(9).reshape((3,3))
print(x)


print(np.diag(x))
print(np.diag(a,k=1))
print(np.diag(x,k=-1))


s = [5,8,79,2,13,45,67,75,42]
x = np.diag(v)
print(x)

##结果如下：

[[0 1 2]
 [3 4 5]
 [6 7 8]]
 
[0 4 8]

[1 5]

[3 7]

[[ 5  0  0  0  0  0  0  0  0]
 [ 0  8  0  0  0  0  0  0  0]
 [ 0  0 79  0  0  0  0  0  0]
 [ 0  0  0  2  0  0  0  0  0]
 [ 0  0  0  0 13  0  0  0  0]
 [ 0  0  0  0  0 45  0  0  0]
 [ 0  0  0  0  0  0 67  0  0]
 [ 0  0  0  0  0  0  0 75  0]
 [ 0  0  0  0  0  0  0  0 42]]

小结与体会

先暂时写到这里，这是第一次学习numpy，编程本来就没有学习大多数，所以学习起来比较吃力，但是也有了一定的收货，白天全是课，只有晚上有时间学一点，所以接下来一定更加努力，不然就要掉队了