Lawliet|Python学习笔记——numpy库

1.numpy库认知

• Numpy：表达N维数组的最基础库
• 库由c语言实现，Python来接口使用，计算速度优异
• 是Python数据分析及科学计算的基础库，支撑Pandas等
• 提供直接的矩阵运算、广播函数、线性代数等功能

2.numpy库的安装

Windows+R——cmd——输入如下命令：

pip install numpy

前提：所使用的python版本中配置了pip工具，在python3.9中会自动配置

3.numpy库的功能

• ndarray：一个具有矢量（向量）算术运算和复杂广播能力的快速且节省空间的多维数组
• 用于对数组数据进行快速运算的标准数学函数（无需编写循环）
• 线性代数、随机数生成以及傅里叶变换功能
• 用于读写磁盘数据的工具

4.numpy-ndarray对象

a.ndarray概念、特点

• 是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。

• ndarray 对象是用于存放同类型元素的多维数组。

• ndarray 中的每个元素在内存中都有相同存储大小的区域。

• ndarray数组中实现了成熟的广播机制，矩阵运算时不需要写for循环

• ndarray 内部由以下内容组成：
  （1）一个指向数据（内存或内存映射文件中的一块数据）的指针。 数据类型或 dtype，描述在数组中的固定大小值的格子。
  （2）一个表示数组形状（shape）的元组，表示各维度大小的元组。
  （3）一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。

创建一个ndarray：

import numpy
numpy.array(object,dtype=None,copy=True,order=None,subok=False,ndmin=0）

参数描述：

b.ndarray的属性

（1）.ndim秩

如图：维度称为轴，轴的个数为秩（rank）

（2）.shape维度

一维数组：（M， ）
二维数组：（M，N）
三维数组：（K，M，N）

（3）.size个数

数据元组的总个数
一维数组：M
二维数组：MN
三维数组：MN*K

（4）.dtype数据类型

用于描述与数组对应的内存区域是如何使用——
·其描述了数据的

• 类型（见c中表格）
• 大小（存储所用空间）
• 字节顺序¹
• 在结构化类型的情况下，字段的名称、每个字段的数据类型和每个字段所取的内存块的部分
• 如果数据类型是子数组，那么其形状和数据类型为何

#dtype对象的语法构造：
numpy.dtype(object,align,copy)

• dtype内容
• object - 要转换为的数据类型对象
• align - 如果为 true，填充字段使其类似 C 的结构体。
• copy - 复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用

（5）创建数组的方式

array方式创建

import numpy as np
array1=np.array([1,2,3])
array1
#------>array([1,2,3])
array2=np.array([(1,2,3),(4,5,6)])
array2
'''------>array([[1,2,3]],
                [4,5,6]])'''

arange方法创建

arange函数用于创建等差数组，类似于range函数
range()返回值为列表，np.arange()返回值为数组，两者都可以用于迭代
两者均有三个参数：startstep
range()不支持步长为小数，np.arange()支持步长为小数

import numpy as np
n=np.arange(0,30,2)
print(n)
print(n.shape)
print(n.dim)
'''
------>[0 2 4 6 8 10 12 14 16 18 20 22 24 26 28]
------>shape:(15,)
------>ndim:1

linspace方法创建

从起始点到终止点以及个数确定的情况下创建一个等差数组。可以通过endpoint 参数指定是否包含终值，默认值为 True，即包含终值。

import numpy as np
np.linspace(1,2,10,endpoint=False)
#->array([1.,1.1,1.2,1.3,1.4,1.5,1.6,1.7,1.8,1.9])

logspace方法创建

logspace函数用于创建一个等比数列

np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)

base:取对数时log的下标

import numpy as np
#默认base为10
a=np.logspace(1.0,2.0,num=10)
print(a)

输出结果

[ 10.           12.91549665     16.68100537      21.5443469  27.82559402      
  35.93813664   46.41588834     59.94842503      77.42636827    100.    ]

import numpy as np
a=np.logspace(0,9,10,base=2)
print(a)
[1. 2. 4. 8. 16. 32. 64. 128. 256. 512.]

基础数组创建

import numpy as np
np.ones([3,3])

import numpy as np
np.zeros([3,3])

import numpy as np
np.eye(4)

c.ndarray数组的数据类型

d.ndarray的切片

，切片

import numpy as np
a=np.arange(10)
s=slice(2,7,2)
print (a[s])
[2 4 6]

：切片

如果只放置一个参数，将返回与该索引相对应的单个元素。如果为 [2:]，表示从该索引开始以后的所有项都将被提取。如果使用了两个参数，如 [2:7]，那么则提取两个索引(不包括停止索引)之间的项。
多维数组同样适用：

import numpy as np
a=np.array([[1,2,3],[3,4,5],[4,5,6]])
print(a)
print(a[1:])
------>
[[1 2 3]
 [3 4 5]
 [4 5 6]]
[[3 4 5]
 [4 5 6]] 

注！：1.将一个标量赋值给一个切片时，该值会自动传播到整个选区（切片区）

2.数组切片是原始数组的视图，任何修改都会改变原数组
如果不想改变，则需要copy()

…切片

…来使选择元组的长度与数组的维度相同。 如果在行位置使用省略号，它将返回包含行中元素的 ndarray。

import numpy as np
a=np.array([[1,2,3],[3,4,5],[4,5,6]])
print(a[...,1]) #第2列元素
print(a[1,...]) #第2行元素
print(a[...,1:]) #第2列及剩下的所有元素

5.Numpy数组的操作

a.修改数组形状

reshape

import numpy as np
n=np.arange(0,20,2)
n=n.reshape(2,5)
print(n)
print('shape=',n.shape)
------>
[[0 2 4 6 8 ]
[10 12 14 16 18]]
shape=(2,5)
shape[0]=2
shape[1]=5

b.翻转数组

c.修改数组维度

d.连接数组

e.分割数组

f.数组元素的添加与删除

参考：https://www.runoob.com/numpy/numpy-tutorial.html
（侵删）
随便补充= =后续整理

---

1. 字节顺序是通过对数据类型预先设定 < 或 > 来决定的。 < 意味着小端法(最小值存储在最小的地址，即低位组放在最前面)。> 意味着大端法(最重要的字节存储在最小的地址，即高位组放在最前面)。 ↩︎