Numpy

ndarray

numpy的最重要特点就是其N维数组对象（ndarray）。

ndarray的可以对整块数据执行数学运算，语法与标量元素的元素的运算一致。
如：

import numpy as np
x = array([[-0.50043612, -1.99790499,  0.66098891,  0.26490388],
       [-1.02531769,  0.50054972, -1.30755871,  1.53881345]])

x + x #相加
Out[10]: 
array([[-1.00087224, -3.99580998,  1.32197782,  0.52980775],
       [-2.05063538,  1.00109944, -2.61511741,  3.0776269 ]])

x * 10 #乘以标量
Out[11]: 
array([[ -5.0043612 , -19.97904992,   6.60988909,   2.64903877],
       [-10.25317691,   5.00549718, -13.07558707,  15.38813451]])

1 / x #1/x被除
Out[5]: 
array([[-1.99825704, -0.5005243 ,  1.51288469,  3.77495415],
       [-0.97530747,  1.99780353, -0.76478401,  0.64985135]])

x - x #相减
Out[12]: 
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])

• shape查询数组维度
• ndim数组的维数
• dtype查询数组数据类型

x.shape
Out[13]: (2, 4) # 2行4列

x.ndim
Out[15]: 2 # 2维

x.dtype
Out[14]: dtype('float64') #数据类型

创建ndarray

1. array函数

将输入数据（列表，元组，数组，或其他），转换为ndarray

y = list(range(1,11)) #如果直接输入y = range(1,11),会返回一个迭代器。
y
Out[33]: [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

arr1 = np.array(y)
arr1
Out[35]: array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

z = [[1, 2, 3, 4],[5, 6, 7, 8]]# 生成一个嵌套序列（一组等长列表组成的列表）
arr2 = np.array(z)
arr2
Out[44]: 
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])

2. asarray函数

将输入转换为ndarray，若本身是ndarray则不复制。

3. arange函数

arange()是python内置函数range()的数组版。
arange()生成一个一维数组，range生成列表。

np.arange(11) #可对比上文的range理解。
Out[45]: array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

4. ones,ones_like函数

这里必须说明一下，如果ndarray没有指定数据类型，则默认为float64（浮点数）。

ones根据指定的形状和dtype创建一个全1数组。
ones_like以另一个数组为参数，并根据其形状和dtype创建一个全1数组。

np.ones(2) #默认一维
Out[46]: array([ 1.,  1.])

np.ones((2,3))
Out[47]: 
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.]])

np.ones(3,dtype = np.int32) # 指定数据类型
Out[51]: array([1, 1, 1])

np.ones_like(arr2) #以arr2为参数
Out[54]: 
array([[1, 1, 1, 1],
       [1, 1, 1, 1]])

5. zeros,zeros_like函数

类似与ones，ones_like，但是创建的是全0数组。

6. empty,empty_like函数

创建新数组，分配内存空间，但不填充任何值。

np.empty(2)
Out[56]: array([ 0.,  0.])

np.empty((2,4)) #2 * 4
Out[57]: 
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])

np.empty_like(arr2) #以arr2为参数
Out[60]: 
array([[0, 0, 0, 0],
       [0, 0, 0, 0]])

看到这里你是不是以为np.empty会返回全0数组？

其实不是的。

np.empty((3,3,2)) # 3维数组
Out[58]: 
array([[[  6.23042070e-307,   4.67296746e-307],
        [  1.69121096e-306,   1.33512376e-306],
        [  1.33511562e-306,   1.11256817e-306]],

       [[  1.06811422e-306,   1.42417221e-306],
        [  1.11260619e-306,   8.90094053e-307],
        [  1.86919378e-306,   1.06809792e-306]],

       [[  1.37962456e-306,   1.69111861e-306],
        [  1.78020169e-306,   1.37961777e-306],
        [  7.56599807e-307,   2.56761491e-312]]])

7. eye,identity函数

返回一个N介单位矩阵。

np.eye(5) # 创建5介单位阵
Out[61]: 
array([[ 1.,  0.,  0.,  0.,  0.],
       [ 0.,  1.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.],
       [ 0.,  0.,  0.,  1.,  0.],
       [ 0.,  0.,  0.,  0.,  1.]])

np.identity(5) #创建5介单位阵
Out[63]: 
array([[ 1.,  0.,  0.,  0.,  0.],
       [ 0.,  1.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.],
       [ 0.,  0.,  0.,  1.,  0.],
       [ 0.,  0.,  0.,  0.,  1.]])

eye(N, M = None, k = 0,dtype =float)

第一个参数N = 行数。
第二个参数 M = 列数，省略代表M = N 。
第三个参数 k 代表对角线位置， = 0 代表主对角线， +1就向右上方偏移1， -1 就向左下角偏移1。
第四个参数表示类型 dtype 默认为 float 类型。

np.eye(4,k = 1) #向上偏移
Out[69]: 
array([[ 0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.],
       [ 0.,  0.,  0.,  1.],
       [ 0.,  0.,  0.,  0.]])

np.eye(4,k = -1) #向下偏移
Out[70]: 
array([[ 0.,  0.,  0.,  0.],
       [ 1.,  0.,  0.,  0.],
       [ 0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.]])

np.eye(4,8) #给定M
Out[67]: 
array([[ 1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.]])

ndarray的数据类型

numpy所支持的数据类型如下：

数据类型	描述
bool_	以字节存储的布尔值（True 或 False）
int_	默认的整数类型（和 C 的 long 一样，是 int64 或者 int32）
intc	和 C 的 int 相同（一般为 int64 或 int32）
intp	用于下标的整数（和 C 的 ssize_t 相同，一般为int64 或者 int32）
int8	字节（-128 到 127）
int16	整数（-32768 到 32767）
int32	整数（-2147483648 到 2147483647）
int64	整数（-9223372036854775808 到 9223372036854775807）
uint8	无符号整数（0 到 255）
uint16	无符号整数（0 到 65535）
uint32	无符号整数（0 到 4294967295）
uint64	无符号整数（0 到 18446744073709551615）
float_	float64 的简写
float16	半精度浮点：1位符号，5位指数，10位尾数
float32	单精度浮点：1位符号，8位指数，23位尾数
float64	双精度浮点：1位符号，11位指数，52位尾数
complex_	complex128 的简写
complex64	由两个32位浮点（实部和虚部）组成的复数
complex128	由两个64位浮点（实部和虚部）组成的复数
string_	固定长度的字符创类型（每个字符一个字节）

很难记住这些numpy的dtype。我们只需要控制存储类型即可。

arr1 = np.array([1, 2, 3],np.int32)
arr2 = np.array([2,3,4],dtype = np.float64)

arr1.dtype
Out[14]: dtype('int32')
arr2.dtype
Out[11]: dtype('float64')

.astype()方法可以显式的转换为dtype。

float_arr1 = arr1.astype(np.float64) #整型转换为浮点型

float_arr1.dtype 
Out[16]: dtype('float64')

float_arr1
Out[17]: array([ 1.,  2.,  3.])

浮点型转换为整型，只保留整数部分。

arr3 = np.array([2.3, -1.32, -5.9, 4.8])

arr3
Out[25]: array([ 2.3 , -1.32, -5.9 ,  4.8 ])

arr3.astype(np.int32)#转换为整数
Out[26]: array([ 2, -1, -5,  4]) #可看到小数部分被丢弃了

有时某个字符串不能被转换为float64，就会引发TypeError,因此，我们可以懒一点，
像下面这样写：

n_strings = np.array(['1.23','-9.6','23'],dtype = np.string_)

n_strings.astype(np.float)
Out[32]: array([  1.25656565,  -9.6       ,  23.        ])

n_strings.astype(np.float64)
Out[30]: array([  1.25656565,  -9.6       ,  23.        ])

n_strings
Out[35]: 
array([b'1.256565653', b'-9.6', b'23'], 
      dtype='|S11')

可以看到这两种结果一致。

numpy会将其数据类型映射到等价的dtype上。
可以发现，使用.astype()新创建了一个数组（原数组的一种拷贝），即使，与原来数据类型一致也会如此。

以上。