NumPy的数组对象ndarray

NumPy

NumPy是一个开源的Python科学计算基础库，包含：

• 一个强大的N维数组对象ndarray
• 广播功能函数
• 整合C/C++/Fortran代码的工具
• 线性代数、傅里叶变换、随机数生成等功能

NumPy是SciPy、Pandas等数据处理或科学计算库的基础

N维数组对象：ndarray

Python已有列表类型，为什么需要一个数组对象(类型)？

• 数组对象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
• 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
  观察：科学计算中，一个维度所有数据的类型往往相同
• 数组对象采用相同的数据类型，有助于节省运算和存储空间

ndarray是一个多维数组对象，由两部分构成：

• 实际的数据
• 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0开始

实例:

In [1]: import numpy as np

In [2]: a=np.array([[0,1,2,3,4],
   ...:             [9,8,7,6,5]])

In [3]: a
Out[3]: 
array([[0, 1, 2, 3, 4],
       [9, 8, 7, 6, 5]])

In [4]: print(a)
[[0 1 2 3 4]
 [9 8 7 6 5]]

备注：IPython换行用Shift + Enter运行

轴(axis): 保存数据的维度；秩(rank)：轴的数量

ndarray对象的属性

属性	说明
.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n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

实例:

In [5]: a=np.array([[0,1,2,3,4],
   ...:             [9,8,7,6,5]])

In [6]: a.ndim
Out[6]: 2

In [7]: a.shape
Out[7]: (2, 5)

In [8]: a.size
Out[8]: 10

In [9]: a.dtype
Out[9]: dtype('int32')

In [10]: a.itemsize
Out[10]: 4

ndarray的元素类型

数据	类型说明
bool	布尔类型，True或False
intc	与C语言中的int类型一致，一般是int32或int64
intp	用于索引的整数，与C语言中ssize_t一致，int32或int64
int8	字节长度的整数，取值：[‐128, 127]
int16	16位长度的整数，取值：[‐32768, 32767]
int32	32位长度的整数，取值：[‐231, 231‐1]
int64	64位长度的整数，取值：[‐263, 263‐1]
uint8	8位无符号整数，取值：[0, 255]
uint16	16位无符号整数，取值：[0, 65535]
uint32	32位无符号整数，取值：[0, 232‐1]
uint64	32位无符号整数，取值：[0, 264‐1]
float16	16位半精度浮点数：1位符号位，5位指数，10位尾数 (符号)尾数*10指数
float32	32位半精度浮点数：1位符号位，8位指数，23位尾数
float64	64位半精度浮点数：1位符号位，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 实部(.real) + j虚部(.imag)

ndarray为什么要支持这么多种元素类型？

对比：Python语法仅支持整数`、浮点数和复数3种类型

• 科学计算涉及数据较多，对存储和性能都有较高要求
• 对元素类型精细定义，有助于NumPy合理使用存储空间并优化性能
• 对元素类型精细定义，有助于程序员对程序规模有合理评估