python实部和虚部都是浮点数_python——numpy库

numpy库

英文官方文档：https://docs.scipy.org/doc/numpy/reference/arrays.ndarray.html

一、numpy库中的数组对象

二、numpy库数据存取与文件

三、numpy库的随机函数

四、numpy的统计函数

五、梯度函数

一、numpy库中的数组对象：N维数组类型：ndarray

1)      ndarray的作用：

a)      数组对象性可以去掉元素间运算所需的循环，使一维向量更像单个数据。

b)     设置专门的数组对象，经过优化，可以提升这类应用的运算速度。

2)      ndarray是一个多维数组对象，有两部分组成：

实际的数据 和 描述这些数据的元数据(数据维度、数据类型等)

ndarray数组一般要求所有元素类型相同(同质)，数组下标从零开始

3)      ndarray实例对象的属性：

.ndim：秩，即轴的数量或维度的数量

.shape：ndarray对象的尺度，对于矩阵，n行m列

.size：ndarray对象元素的个数，相当于.shape中的n*m

.dtype：ndarray对象的元素类型

.itemsize：ndarray对象中的每个元素的大小，以字节为单位

4)        ndarray的元素类型：

数据类型  说明  bool  布尔类型，True or False  intc  与C语言中的int类型一致Int32或int6  intp  用于索引的整数，与C语言中的ssize_t一致，int2或int64  int8  8字节长度的整数，取值[-128,127]  int16/int32/int64  类似int8  uint8  8位无符正数，取值[0,255]  uint16/uint32/uint64  类似uint8  float16  16位半精度浮点数:1位符号位,5位指数(10^指数),10位尾数  float32  类似float16；1为符号位，8位指数，23位尾数  float64  类似float16；1为符号位，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

对比：python语法只支持整数，浮点数和复数3种类型

而科学计算对数据的类型，精度都有较高要求

注意：非同质的ndarray无法有效发挥numpy优势，尽量避免使用

5)      ndarray数组的创建方法：

a)      从python中的列表、元组等类型创建ndarray数组

x=numpy.array(list/tuple)

x=numpy.array(list/tuple, dtype=np.int64)

不指定dtype,numpy将根据数据情况关联一个dtype

b)     使用numpy中函数创建ndarray数组，如：arange,ones,zeros等

函数  说明  numpy.arange(n)  类似range()函数，返回ndarray类型，元素从0到n-1  numpy.ones(shape)  根据shape生成一个全一数组，shape是元组类型  numpy.zeros(shape)  根据shape生成一个全零数组，shape是元组类型  numpy.full(shape,val)  根据shape生成一个数组，每个元素值都是val  numpy.eye(n)  生成n阶单位阵  numpy.ones_like(a)  根据数组a的形状生成一个全1数组  numpy.zeros_like(a)  根据数组a的形状生成一个全0数组  numpy.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  numpy.linspace()  根据起止数据等间距地填充数据，形成数组  numpy.concatenate()  将两个或多个数组合并成一个新的数组

c)      从字节流(raw bytes )中创建ndarray数组

d)     从文件中读取特定格式，创建ndarray数组

6)ndarray数组的变换

a)  ndarray数组的维度变换(例如x=numpy.eye(n))

函数  说明  x.reshape(shape)  不改变数组元素，返回一个shape形状的数组，原数组不变  x.resize(shape)  与.reshape()功能一致，但修改原数组  x.swapaxes(ax1,ax2)  将数组n个维度中的两个维度进行调换  x.flatten()  对数组进行降维，返回折叠后的一维数组，原数组不变

b)     ndarray数组的其他变换

函数  说明  x.astype(new_type)  类型变换：创建一个新数组(原始数据的一个拷贝)即使两个数据类型一致  x.tolist()  向列表变换

7)ndarray数组的操作：               数组的索引：获取数组中特定元素。例如

数组的切片：获取数组元素子集的过程。

a)  一维数组的索引和切片：与python的列表类似

b)多维数组的索引：

每个维度的索引值用逗号分隔，选取一个维度用 ：(冒号)，每个维度切片方法与一维数组相同。

例如：

8)ndarray数组的运算：

数组与标量之间的运算：

数组与标量之间的运算作用于数组的每一个元素

numpy的一元函数：

函数  说明  numpy.abs(x)/.fabs(x)  计算数组中各元素的绝对值  numpy.sqrt()  计算数组中各元素的平方根  numpy.square(x)  计算数组中各元素的平方  numpy.log(x)/.log10(x)/log2(x)   计算数组各元素自然对数、10底对数、2底对数  numpy.ceil(x)/.floor(x)  计算数组各元素的ceilling值或floor的值  numpy.rint(x)  计算数组各元素的四舍五入值  numpy.modf(x)  将数组各元素的小数和整数部分以两个独立数组形式返回  numpy.cos(x)/.cosh(x) numpy.sin(x)/.sinh(x) numpy.tan(x)/.tanh(x)  计算数组各元素的普通型和双曲型三角函数  numpy.sign(x)  计算数组各元素的符号值  numpy.exp(x)  计算数组各元素的指数值

numpy的二元函数：

函数  说明  +  -  *  /  **  两数组各元素进行对应运算  numpy.maximum(x)/.fmax(x) numpy.minimum(x)/.fmin()  元素级的最值  numpy.mod(x,y)  元素级的模运算  numpy.copysign(x,y)   将数组y中各元素的符号赋值给数组x对应元素   >  =  ==  !=   算术比较运算符，产生布尔类型

二、numpy库数据存取与文件

1、 数据的csv文件存取：

a)       csv文件：Comma-Separated Value 逗号分隔值。CSV文件是一种常见的文件格式，用于存储批量数据

b)       numpy库向文件写入csv格式并从csv文件读取数据。

i.            向文件写入csv的函数

numpy.savetxt(frame,array,fmt=’%.18e’, delimiter=None)：

功能：该函数可以生成带有特定分隔字符串的文件。

参数解释：

frame：文件、字符或生产器，可以是.gz或.bz2的压缩文件。(即文件路径)

array：要存入文件的数组。

fmt (format)：写入文件中每一个元素(整型,浮点型等保存在文件中所对应

字符串的格式)使用的格式。例如：%d，%2.f，%.18e。

默认%.18e(科学计数法保留18位小数)，这个参数常要修改。

delimiter：分隔字符串，默认是空格。其表示写入到数据文件中，数据之间

的分隔字符串。CSV文件分隔串为 ‘,’ ，即delimiter=’,’  。

ii.        读入csv格式文件的函数

x=numpy.loadtxt(frame,dtype=numpy.float,delimiter=None,unpack=False)

参数解释：

frame：文件、字符串或产生器，可以是.gz或.bz2的压缩文件。

dtype：数据类型，可选，将csv文件每个元素字符串变成特定格式。

默认float类型。

unpack：False表示读入的数据写入一个数组，True表示读入属性将分别写

入不用变量。

delimiter：分割字符串，默认是任何空格。

c)        CSV文件的局限性：CSV文件只能有效存储一维和二维数组，即上述函数只能有效存取和读取一维和二维数组。

2、 任意维度数据的存取：

a)       对于ndarray数组a，可以使用a.tofile(frame, sep=’’ , format=‘%s’)

参数解释：

frame：文件或字符串的名字。

sep：数据分割字符串，如果是空串，写入文件为二进制(占用空间更少)。

format：写入数据的格式。例如：%d  。

注意：文件将不会包含维度信息，而是将每个维度元素按列写入csv文件。

b)       从文件还原数据：

X=numpy.fromfile(frame,dtype=float,count=-1,sep=’’)

参数解释：

frame：文件、字符串的名字。

dtype：读取数据的类型。

count：读入元素个数，默认-1表示读入整个文件。

sep：表示数据分割字符串，如果是空串，写入文件为二进制。

注意：读入后的ndarray数组对象a，通过a.reshape()函数还原维度信息。只有预

先知道文件的维度以及元素类型才能有效还原数据。即a.tofile()与a.fromfile()

需要配合使用。

可以通过元数据文件来存储额外信息(比较繁琐)。

c)        numpy的便捷文件存取:

i.            numpy.save(fname,array)或numpy.savez(fname,array)   //存文件

参数解释：

frame：文件名，已.npy为拓展名，压缩拓展名为.npz。

array：要存储的数组变量。

ii.            numpy.load(fname)       //还原文件

参数解释：

frame：文件名，以.npy为拓展名，压缩拓展名为.pyz

三、numpy库的随机函数

numpy的random子库 ( 调用的时候直接numpy.functionName() )：

函数  说明  第一类  rand(d0,d1,…,dn)  根据d0-dn创建随机数数组，浮点数，[0,1),均匀分布  randn(d0,…,dn)  根据d0-dn创建随机数数组，标准正态分布  randint( low[ , high,shape] )  根据shape创建随机整数或整数数组，范围是[ low,high ]  seed(s)  随机数种子，s是给定的种子数  第二类  shuffle(a)  根据数组a的第1轴进行随机排列，改变原数组a  permutation(a)  根据数组a的第1轴产生一个新的乱序数组，不改变原数组a  choice(a[,size,replace,p] )  从一维数组a中以概率p抽取元素，形成size形状新数组，replace表示每次抽取是否可以重用元素，默认为False  第三类  uniform(low,high,size)  产生具有均匀分布的数组，low是启始值，high是结束值，size形状  normal(loc,scale,size)  产生具有正态分布的数组，loc是均值，scale是标准差，size是形状  poisson(lam,size)  产生具有泊松分布的数组，lam是随机事件发生概率，size是形状

四、numpy的统计函数

统计函数：统计数组中的信息进行统计运算。

numpy直接提供的统计类函数 通过numpy.functionName()调用：

函数  说明  sum(a,axis=None)  根据给定轴axis计算数组a相关元素之和，axis整数或元组  mean(a,axis=None)  根据给定轴axis计算数组a相关元素的期望，axis为整数或元组  average(a,axis=None,weights=None)  根据给定轴axis计算数组a的加权平均值  std(a,axis=None)  根据给定轴axis计算数组a的标准差  var(a, axis=None)  根据给定轴axis计算数组a相关元素方差  min(a)       max(a)  计算数组a中元素的最小值、最大值  argmin(a)   argmax(a)  计算数组a中元素最小值、最大值的降一维后下标  unravel_index(index,shape)  根据shape将一堆下标index转换成多维下标  ptp(a)  计算数组a中元素最大值与最小值之差  median(a)  计算数组a中元素的中位数(中值)

五、梯度函数

梯度：连续值之间的变化率，即斜率。

numpy.random的梯度函数只有一个： 　　　　numpy.gradient( f )：计算数组中元素的梯度，当t为多维时，返回每个维度梯度

转载于:https://www.cnblogs.com/z-bear/p/9482317.html