手撕numpy(二)：各种特性和简单操作

朱小五

发布于 2020-03-18 17:39:51

4300

发布于 2020-03-18 17:39:51

文章被收录于专栏：凹凸玩数据凹凸玩数据

手撕numpy系列持续更新中~

《手撕numpy(一)：简单说明和创建数组的不同方式》

1、numpy中ndarray的一些常用属性

ndim：返回数组的维数；
shape：返回数组的形状；
dtype：返回数组元素的数据类型；
size：返回数组中元素的个数；
itemsize：返回数组中每一个元素占用空间的大小，以字节为单位；
nbytes：返回数组中所有元素占用空间的大小，以字节为单位；

1）举例说明

x = np.arange(10).reshape(2,5)
display(x)

display(x.ndim)
display(x.shape)
display(x.dtype)
display(x.size)
display(x.itemsize)
display(x.nbytes)

结果如下：

2）单独说一下属性itemsize和nbytes的含义

2、列表与数组之间的相互转化

1）列表转数组：直接将一个列表当作array()函数的参数即可；

import numpy as np
list1 = list(range(10))
display(list1)
array1 = np.array(list1)
display(array1)

结果如下：

2）数组转列表：tolist()

import numpy as np
array2 = np.arange(10).reshape(2,5)
display(array2)
list2 = array2.tolist()
display(list2)

array3 = np.arange(10)
display(array3)
list3 = array3.tolist()
display(list3)

结果如下：

3、numpy中的常数

正无穷：Inf = inf = infty = Infinity = PINF
负无穷：NINF
正零：PZERO
负零：NZERO
非数值：nan = NaN = NAN
自然数e：e
π：pi
伽马：euler_gamma
None：newaxis

操作如下：

display(np.inf)
display(np.NINF)
display(np.PZERO)
display(np.NZERO)
display(np.nan)
display(np.e)
display(np.pi)
display(np.euler_gamma)
display(np.newaxis)

结果如下：

4、numpy中的数据类型与数据类型转化

1）numpy中常用的的数据类型

2）numpy中的数据类型转化

记住一句话：numpy中的数据类型转换，不要使用x.dtype修改元素的数据类型，最好用x.astype()这种方式。

① 使用dtype原地修改数组的数据类型；

x = np.array([1.2,3.4,5.6],dtype=np.float64)
display(x)
display(x.dtype)
display(x.nbytes)
# --------------------------------------------
x.dtype="float32"
display(x)
display(x.nbytes)
# --------------------------------------------
x.dtype="float16"
display(x)
display(x.nbytes)

结果如下：

② 使用dtype原地修改数组的数据类型，为什么会出现上述现象？

③ 使用astype()函数修改数组的数据类型：相当于新创建了一个数组；

z = np.array([1.5,3.7,4.8])
display(z)
display(z.dtype)
# --------------------------
zz = z.astype(np.int64)
display(zz)
display(zz.dtype)

结果如下：

5、改变数组的形状

使用numpy中的reshape()函数修改数组对象；
使用数组对象的reshape()函数修改数组对象(这个更好用)；

1）使用numpy中的reshape()函数修改数组对象；

xx = np.arange(10).reshape(2,5)
xxx = np.reshape(xx,(5,2))
display(xxx)

结果如下：

2）使用数组对象的reshape()函数修改数组对象；

yy = np.arange(10).reshape(2,5)
display(yy)

结果如下：

3）改变数组形状时，如果维度大于1，可以将“最后一个维度”设置为-1；

p = np.arange(6).reshape(2,3)
display(p)
# ----------------------------
q = np.arange(6).reshape(2,-1)
display(q)

结果如下：

注意：可以这样做的原因在于，当你指明了前面的维度，最后一个维度会根据数组元素个数和前面的维度数，自动计算出最后一个维度的维度数，也就是说【维度一 * 维度二 * … * 维度N = 元素个数】。

6、数组扁平化：ravel()函数和flatten()函数

① 两个函数的相同点

不管你给我的数组是多少维的，通过这两个函数之后，我都给你压缩为一维数组。

② 两个函数的不同点

③ 操作如下

array1 = np.array([[1,2,3],[4,5,6]])
display(array1)

array2 = array1.ravel()
display(array2)

array3 = array1.flatten()
display(array3)

# 此时我们修改array2和array3中的某个元素，看看对于array1的影响
array2[0] = 666
display(array2)
display(array1)

array3[1] = 888
display(array3)
display(array1)

结果如下：