2-Numpy 初学

NumPy

  1. python list和Numpy的list
In [10]: L3 = [True, "2", 3.0, 4]
In [11]: [type(item) for item in L3]
Out[11]: [bool, str, float, int]

python这种灵活性是要付出一定的代价:要允许这些灵活的类型,列表中的每个项目都必须包含自己的类型信息,引用计数和其他信息-也就是说,每个项目都是一个完整的Python对象。在所有变量都是同一类型的特殊情况下,许多信息都是多余的:将数据存储在固定类型的数组中会更加有效。下图说明了动态类型列表和固定类型(NumPy样式)数组之间的区别:

从上面实现可以看到,数组本质上包含一个指向一个连续数据块的指针。另一方面,Python列表包含一个指向一组指针的指针,每个指针都指向一个完整的Python对象,例如我们之前看到的Python整数。同样,python列表的优点是灵活性:由于每个列表元素都是包含数据和类型信息的完整结构,因此可以用任何所需类型的数据填充列表。固定类型的NumPy样式的数组缺乏这种灵活性,但是在存储和处理数据方面效率更高。

Python提供了几种不同的选项来将数据存储在高效的固定类型数据缓冲区中。内置的数组模块(自Python 3.3起可用)可用于创建统一类型的密集数组:

In [12]: 
    ...: import array
    ...: L = list(range(10))
    ...: A = array.array('i', L)
    ...: A
    ...: 
    ...: 
Out[12]: array('i', [0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

这里的i表示数组类型是integer

ython的数组对象提供了基于数组的数据的有效存储,但是NumPy包的ndarray对象更加有用,NumPy对该数据进行了有效的操作。我们将在后面的部分中探讨这些操作。下面,我们将演示创建NumPy数组的几种方法。

In [14]: import numpy as np
In [15]: np.array([1,3,5,9])
Out[15]: array([1, 3, 5, 9])

与Python列表不同的是,NumPy限于所有包含相同类型的数组。如果类型不匹配,则NumPy将在可能的情况下向上转换(此处,向上转换为浮点型整数)甚至会转换Unicode类型如下:

In [16]: np.array([1,3,5,'3'])
Out[16]: array(['1', '3', '5', '3'], dtype='<U11')

In [17]: np.array([3.14, 4, 2, 3])
Out[17]: array([3.14, 4.  , 2.  , 3.  ])
# 指定类型
In [18]: np.array([1, 2, 3, 4], dtype='float32')
Out[18]: array([1., 2., 3., 4.], dtype=float32)

另外numpy的array还可以创建多维数组

In [19]: np.array([range(i,i+4) for i in [1,2,3]])
Out[19]: 
array([[1, 2, 3, 4],
       [2, 3, 4, 5],
       [3, 4, 5, 6]])

特别是对于较大的数组,使用内置在NumPy中使用常规从头开始创建数组会更有效率。下面几个例子说明

In [20]: # 长度为10,默认填充0的int类型数组
    ...: np.zeros(10, dtype=int)
Out[20]: array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
#创建默认为1 的3*5 float类型的数组
In [21]: np.ones((3,5),dtype=float)
Out[21]: 
array([[1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1.]])
In [22]: # Create a 3x5 array 指定使用 3.14填充
    ...: np.full((3, 5), 3.14)
Out[22]: 
array([[3.14, 3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14, 3.14],
       [3.14, 3.14, 3.14, 3.14, 3.14]])
# 创建从1到20步长2的数组
In [24]: np.arange(1,10,2)
Out[24]: array([1, 3, 5, 7, 9])

In [26]: #从0到1的长度,取间隔相同的四个点
    ...: np.linspace(0, 1, 4)
Out[26]: array([0.        , 0.33333333, 0.66666667, 1.        ])

In [29]: # Create a 3x3 array of uniformly distributed
    ...: # random values between 0 and 1
    ...: np.random.random((3, 3))
Out[29]: 
array([[0.42978944, 0.54364465, 0.54672853],
       [0.51082736, 0.97954524, 0.80516577],
       [0.50711922, 0.71589174, 0.85489927]])
In [31]: # 0-10 3*3 的随机整数
    ...: np.random.randint(0, 10, (3, 3))
Out[31]: 
array([[2, 4, 6],
       [5, 4, 6],
       [6, 9, 7]])

In [35]: #返回一个2维数组,对角线上1,其他位置为零。
    ...: np.eye(2, dtype=int)
Out[35]: 
array([[1, 0],
       [0, 1]])
  1. NumPy 的标准类型

NumPy数组包含单个类型的值。因为NumPy是用C内置的,所以C,Fortran和其他相关语言的用户会熟悉这些类型。

在创建NumPy 数据可以指定类型

In [39]: np.zeros(3,dtype='int8')
Out[39]: array([0, 0, 0], dtype=int8)

或者用numpy指定

In [40]: np.zeros(3,dtype=np.int8)
Out[40]: array([0, 0, 0], dtype=int8)

具体类型可参考:

Data type   Description
bool_   Boolean (True or False) stored as a byte
int_    Default integer type (same as C long; normally either int64 or int32)
intc    Identical to C int (normally int32 or int64)
intp    Integer used for indexing (same as C ssize_t; normally either int32 or int64)
int8    Byte (-128 to 127)
int16   Integer (-32768 to 32767)
int32   Integer (-2147483648 to 2147483647)
int64   Integer (-9223372036854775808 to 9223372036854775807)
uint8   Unsigned integer (0 to 255)
uint16  Unsigned integer (0 to 65535)
uint32  Unsigned integer (0 to 4294967295)
uint64  Unsigned integer (0 to 18446744073709551615)
float_  Shorthand for float64.
float16     Half precision float: sign bit, 5 bits exponent, 10 bits mantissa
float32     Single precision float: sign bit, 8 bits exponent, 23 bits mantissa
float64     Double precision float: sign bit, 11 bits exponent, 52 bits mantissa
complex_    Shorthand for complex128.
complex64   Complex number, represented by two 32-bit floats
complex128  Complex number, represented by two 64-bit floats

更新github

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 3-Numpy数组

    首先让我们讨论一些有用的数组属性。我们将从定义三个随机数组开始,分别是一维,二维和三维数组。我们将使用NumPy的随机数生成器,我们将使seed设置初始值,以确...

    用户1418372
  • 4-Numpy通用函数

    计算这百万个操作并存储结果需要几秒钟!甚至现在的手机的处理速度都以Giga-FLOPS衡量时(即每秒数十亿次数字运算)。 不过事实证明,这里的瓶颈不是操操作系...

    用户1418372
  • 有向图的拓扑排序

    用户1418372
  • 工业互联网产业联盟正式发布《工业互联网平台白皮书(2017)》

    作者:工业互联网产业联盟 11月21日,主题为“工业互联,智造转型”的2017中国工业互联网大会在广州召开。会上,工业互联网产业联盟正式发布了《工业互联网平台...

    钱塘数据
  • 在腾讯云上部署你的 Minio 对象存储服务

    皮卡丘回来啦!期末结束了,我也回来了,接下来的暑假,皮卡丘陪你们过!本次皮卡丘将会给大家介绍一个新玩意——Minio!

    YingJoy_
  • 基于Windows的渗透测试虚拟机系统

    今天给大家介绍的是一款名叫Commando VM的渗透测试虚拟机,这是一款基于Windows的高度可定制的渗透测试虚拟机环境,目前该产品已发布了正式的发行版,可...

    FB客服
  • 6 大主流 Web 框架优缺点对比

    是该读些评论和做一些总结的时候了。当我们开始写这个系列博客的时候,我们知道 JavaScript/web 应用框架并不太好总结。我们努力对这个不可回答的问题作出...

    三哥
  • ECMAScript 6教程 (三) Class和Module(类和模块)

    本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出 原文连接,博客地址为 http://www.cnblogs.co...

    笔阁
  • Angular、React、Vue等 6 大主流 Web 框架都有什么优缺点?

    是该读些评论和做一些总结的时候了。当我们开始写这个系列博客的时候,我们知道 JavaScript/web 应用框架并不太好总结。我们努力对这个不可回答的问题作出...

    企鹅号小编
  • 6 大主流 Web 框架优缺点对比

    是该读些评论和做一些总结的时候了。当我们开始写这个系列博客的时候,我们知道 JavaScript/web 应用框架并不太好总结。我们努力对这个不可回答的问题作出...

    三哥

扫码关注云+社区

领取腾讯云代金券