NumPy笔记

NumPy笔记

NumPy对象

NumPy中的ndarray是个多维数组对象,该对象由两部分组成

• 实际数据
• 描述这些数据的元数据

大部分的数组操作仅仅修改元数据部分，而不改变底层的实际数据

NumPy数组一般是同质的（但有一种特殊的数组类型例外，它是异质的），即数组中的所有元素类型必须是一致的。这样有一个好处：如果我们知道数组中的元素均为同一类型，该数组所需的存储空间就很容易确定下来。

• 创建一维数组

import numpy as np
a = np.arange(5)
print(a)    # a = array([0, 1, 2, 3, 4])
print(a.dtype)  # a 的数据类型  int32 
print(a.shape)  # a 的维度  (5,)

• 创建多维数组

import numpy as np
m = np.array([np.arange(5), np.arange(5)])
print(m)
print(m.dtype)
print(m.shape)  # m 的维度 (2,5)
print(m[1,2])   # 数组中的值

NumPy 数据类型

类型	描述
bool	用一位存储的布尔类型（值为TRUE或FALSE）
inti	由所在平台决定其精度的整数（一般为int32或int64）
int8	整数，范围为128至127
int16	整数，范围为32 768至32 767
int32	整数，范围为231至231 1
int64	整数，范围为263至263 1
uint8	无符号整数，范围为0至255
uint16	无符号整数，范围为0至65 535
uint32	无符号整数，范围为0至2321
uint64	无符号整数，范围为0至2641
float16	半精度浮点数（16位）：其中用1位表示正负号，5位表示指数，10位表示尾数
float32	单精度浮点数（32位）：其中用1位表示正负号，8位表示指数，23位表示尾数
float64或float	双精度浮点数（64位）：其中用1位表示正负号，11位表示指数，52位表示尾数
complex64	复数，分别用两个32位浮点数表示实部和虚部
complex128或complex	复数，分别用两个64位浮点数表示实部和虚部

在NumPy中，许多函数的参数中可以指定数据类型，通常这个参数是可选的

import numpy as np
a = np.arange(7, dtype='uint8')
print(a)

数据类型对象

数据类型对象是numpy.dtype类的实例。

NnmPy 字符编码

数据类型	字符编码
整数	i
无符号整数	u
单精度浮点数	f
双精度浮点数	d
布尔值	b
复数	D
字符串	S
unicode字符串	U
void （空）	V

dtype 类的属性

一维数组的索引和切片

一维数组的切片操作与Python列表的切片操作很相似

数组的组合

NumPy数组有水平组合、垂直组合和深度组合等多种组合方式，我们将使用vstack(Y轴组合)、
dstack(Z轴组合)、hstack(X轴组合)、column_stack(x轴组合)、row_stack(y轴组合)以及concatenate函数来完成数组的组合

数组的分割

NumPy数组可以进行水平、垂直或深度分割，相关的函数有hsplit、vsplit、dsplit和split。我们可以将数组分割成相同大小的子数组，也可以指定原数组中需要分割的位置。

数组的属性
除了shape和dtype属性以外，ndarray对象还有很多其他的属性，在下面一一列出:

• ndim属性，给出数组的维数，或数组轴的个数
• size属性，给出数组元素的总个数
• itemsize属性，给出数组中的元素在内存中所占的字节数
• nbytes属性来查看整个数组所占的存储空间。这个属性的值其实就是itemsize和size属性值的乘积
• T属性的效果和transpose函数一样，如下所示

numpy 常用函数

• 生成单位矩阵 np.eye()
• 存储数据savetxt()
• 读取csv文件np.loadtxt()
• 加权平均值 np.average(x,weights=y) 其中x为初始数据,y为加权值
• 算术平均值 np.mean()
• 最大值 np.max()
• 最小值np.min()
• 中位数np.median()
• 方差 np.var()
• 相邻元素差值np.deff()
• 自然对数np.log()