Numpy入门2

标题中的英文首字母大写比较规范，但在python实际使用中均为小写。

2018年7月26日笔记

0.学习内容

前面6个学习内容要点链接：https://cloud.tencent.com/developer/article/1331946

Python科学计算库：Numpy需要掌握的知识：

7.Numpy中的对象；8.什么是ndarray；9.获取对象的维度和类型；10.创建ndarray对象；

11.Numpy数据类型；12.自定义数据类；13.ndarray索引访问；14.ndarray切片访问；

15.改变ndarray的维度；16.展平ndarray；17.ndarray的组合；

18.ndarray的切割；19.ndarray对象的属性。

7.Numpy中的对象

Numpy中提供了以下对象，用来解决标准Python的不足：

1.ndarray(N-dimensional array object)N维数组对象，存储单一数据类型的N维数组。

2.ufunc(universal function object)通用函数对象，对数组进行处理的函数。

8.什么是ndarray

Numpy中的ndarray是一个多维数组而且灵活的大数据容器，它由两部分组成：

1.实际的数据

2.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，而不改变低层的实际数据。

另外，ndarray中所有元素的数据类型必须是一致的。

9.获取对象的维度和类型

import numpy as np
def info(matrix):
    print("维度:",matrix.shape,"类型",matrix.dtype)
matrix1 = np.array([1,2,3,4,5])
info(matrix1)
matrix2 = np.arange(10).reshape(2,5)
info(matrix2)

image_1cja7pe517p711o81p68gbhajlm.png-49.2kB

10.创建ndarray对象

np.zeros方法，需要1个参数，参数数据类型为元祖，返回值数据类型为ndarray，其中元素数据类型默认为float64；

np.ones方法，需要1个参数，参数数据类型为元祖，返回值数据类型为ndarray，其中元素数据类型默认为float64；

np.full方法，需要2个参数，第1个参数数据类型为元祖，第2个参数数据类型为数字类型，可以为int或者float,

np.full方法返回值数据类型为ndarray,其中元素数据类型等同于np.full方法的第2个参数的数据类型;

np.eye方法，需要1个参数，参数数据类型为int型，返回值数据类型为ndarray,其中元素数据类型默认为float64。

import numpy as np
a = np.zeros((2, 2)) 
b = np.ones((2,2))
c = np.full((2,2),6)
d = np.eye(2)
print(a,a.dtype)
print(b,b.dtype)
print(c,c.dtype)
print(d,d.dtype)

image_1cjaakni49na1dlb1af8e4hb089.png-23.7kB

11.Numpy数据类型

常用:

bool，布尔类型，值为True或者False

int32,整数，范围为-231--231 - 1,即-2147483648--2147483647

int64,整数，范围为-263--263 - 1

uint32,无符号整数，范围为0--2^32-1,即0--4294967295

uint64,无符号整数，范围为0--2^64-1

float32,单精度浮点型，其中1位表示正负号，8位表示指数，23位表示尾数

float64,双精度浮点型，其中1位表示正负号，11位表示指数，52位表示尾数

Numpy可以用字符编码来表示数据类型，这是为了兼容Numpy的前身Numeric

整数：i

无符号整数：u

单精度浮点型：f

双精度浮点型：d

布尔型：b

字符串：s

void：v

import numpy as np
matrix1 = np.arange(10,dtype='f')
matrix2 = np.arange(10,dtype='d')
print(matrix1.dtype)
print(matrix2.dtype)

image_1cjah0vqm1tdi10omrcmp5k3kp9.png-14.8kB

12.自定义数据类

利用dtype创建一个存储商店库存信息的数据类

用一个长度为40的字符串来记录商品名称，用一个32位的整数来记录商品的库存数量，最后用一个32位的单精度浮点型来记录商品价格。

import numpy as np
commodity_field_list = [('name',np.str,40),('numitems',np.int32),('price',np.float32)]
commodity = np.dtype(commodity_field_list)
item_list = [('DVD',42,3.14),('Butter',13,2.72)]
item_ndarray = np.array(item_list,dtype=commodity)
print(item_ndarray)
for row in item_ndarray:
    for value in row:
        print(value,end='\t')
    print()

image_1cjahs3gd1hce1plp7748k0mgim.png-33.2kB

13.ndarray索引访问

下面代码的最后一行matrix2,2和matrix2效果相同

import numpy as np
matrix = np.arange(25).reshape(5,5)
print(matrix.shape)
print(matrix[0])
print(matrix[1])
print(matrix[2,2],matrix[2][6])

image_1cjaj3chdki11bjomanp4l14k313.png-16.9kB

14.ndarray切片访问

注意print(matrix...,::-1)中的...写法。

import numpy as np
matrix = np.arange(24).reshape(2,3,4)
print("打印第1层的结果：")
print(matrix[1,...])
print("打印列翻转后的结果：")
print(matrix[...,::-1])
print("打印所有层第2行的结果：")
print(matrix[:,2])

image_1cjak07cgvad4ef5ql18j512oo9.png-41.6kB

15.改变ndarray的维度

改变ndarray维度有3种方法：1.调用ndarray对象的reshape方法；

2.改变ndarray对象的shape属性的值；3.调用ndarray对象的resize方法。

第2、3种方法会直接修改操作的数组，如下面代码所示：

matrix.resize(4,6)和matrix = matrix.reshape(4,6)效果相同

import numpy as np
print("reshape后没有进行赋值:")
matrix = np.arange(24).reshape(2,3,4) 
matrix.reshape(4,6)
print(matrix)
print("reshape后进行赋值：")
matrix = np.arange(24).reshape(2,3,4)
matrix = matrix.reshape(4,6)
print(matrix)
print("改变matrix对象的shape属性")
matrix = np.arange(24).reshape(2,3,4)
matrix.shape = (4,6)
print(matrix)
print("resize后没有进行赋值")
matrix = np.arange(24).reshape(2,3,4)
matrix.resize(4,6)
print(matrix)

image_1cjakgdg27g216pd9sj1fmrto2m.png-29.5kB

16.展平ndarray

使用ndarray对象的ravel方法

image_1cjal35c6dov1nap14lm1d7e1se79.png-7.5kB

使用ndarray对象的flatten方法，效果与ravel功能相同。不过，flatten函数会请求分配内存来保存结果。

修改ndarray对象的ravel方法得到的对象，会同时导致原对象修改，即他们其实指向相同的内存地址。

image_1cjalf4os1dmo12ou115i1gqd1k9gm.png-11.3kB

17.ndarray的组合

英语单词学习：水平的,horizontal;垂直的，vertical;

行，row；列,column;堆，堆积,stack。

水平组合的3种方式：

image_1cjalvej71vht1ceo1jou18fr4gr13.png-10.9kB

垂直组合的3种方式：

np.concatenate方法axis参数默认为0

image_1cjam8rmmp1119sh1iln1k2661g9.png-11.9kB

18.ndarray的切割

np.split(m,3,axis=1)和np.hsplit(m,3)作用相同

import numpy as np
m = np.arange(9).reshape(3,3)
print(np.split(m,3))
m_split = np.split(m,3,axis=1)
for i in m_split:
    print(i)

image_1cjams4s41t9ass1qq81kas1tp4m.png-10.7kB

19.ndarray对象的属性

1.ndim：数组的维数，

2.size：数组元素的总个数

3.itemsize：数组中元素在内存中占的字节数

4.nbytes：整个数组所占的内存空间

5.T：返回转置后的矩阵

6.flat：返回一个numpy.flatier对象，成为“扁平迭代器”,可以像遍历一维数组一样遍历任意的多维数组。

练习

1.创建一个一维数组，将其倒置，输出结果。

import numpy as np
m = np.arange(8)
print(m)
print(m[::-1])

image_1cjao9gjse2e6r7mg34ka69u13.png-4.2kB

2.创建一个行值是0到4的5*5矩阵

import numpy as np
m = np.arange(25).reshape(5,5)
m[1:] = m[0]
print(m)

image_1cjaodgiqote10221c8fg6ut1s1g.png-5.5kB

3.创建一个10*10的矩阵，要求边框是1，里面是0。

下面代码利用了numpy的广播broadcast特性，这两种写法效果相同:

m1:-1,1:-1 = np.zeros((8,8))

m1:-1,1:-1 = 0

import numpy as np
m = np.ones((10,10))
m[1:-1,1:-1] = 0
print(m)

image_1cjaoj8qlvrn1il4fab10p9hbj2d.png-7.5kB