ndarray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，相等于.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 |
import numpy as np
a=np.array([[0,1,2,3,4],[9,8,7,6,5]])
a
Out[3]:
array([[0, 1, 2, 3, 4],
[9, 8, 7, 6, 5]])
a.ndim
Out[4]: 2
a.shape
Out[6]: (2, 5)
a.size
Out[7]: 10
a.dtype
Out[8]: dtype('int32')
a.itemsize
Out[9]: 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语言中的ssize_t一致，int32或int64 |
| int8 | 字节长度的整数，取值：[-127，128] |
| int16 | 16位的长度的整数，取值[-3276832767] |
| int32 | 32位长度的整数，取值:[-231, -231-1] |
| int64 | 64位的长度的整数，取值[-263 ,263-1] |
ndarray的元素类型
| 数据类型 | 说明 |
|---|---|
| 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 |
| 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位的浮点数 |
| complex128 | 复数类型，实部和虚部都是64位的浮点数 |
实数（.real）+j虚部（.imag）
ndarray数组的创建方法：
（1）从python中的列表，元组类型创建的ndarray数组，
x=np.array(list/tuple)
x=np.array(list/tuple,dtype=np.float32)
当np.array()不指定dtype的时候，Numpy将根据情况关联一个dtype类型
- 从列表创建：
x=np.array([0,1,2,3]) - 从元组类型创建
np.array((4,5,6,7)) - 从列表和元组混合类型创建
print(np.array([[1,2],[9,8],(0.1,2.3)]))
[[1. 2. ]
[9. 8. ]
[0.1 2.3]]
记得列表和元组的类型同质，长度一致
(2) 使用NumPy中函数创建ndarray数组，如：arange，ones,zeros等
| 函数 | 说明 |
|---|---|
| np.arange(n) | 类似range()函数，返回ndarray类型，元素从0到n-1 |
| np.ones(shape） | 根据shape生成一个全1的数组，shape是元组类型 |
| np.zeros(shape） | 根据shape生成一个全0的数组，shape是元组类型 |
| np.full(shape，val） | 根据shape生成一个数组，每一个元素值都是val |
| np.eye(n） | 创建一个正方的n*n单位矩阵，对角线为1。其余为0 |
例子：
·np.arange(10) Out[21]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.ones((3,6))
Out[28]:
array([[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.]])
np.zeros((3,6),dtype=np.int32)
Out[29]:
array([[0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0]])
np.eye(5)
Out[30]:
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.]])
单位矩阵
Out[31]:
array([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]])
（3）使用NumPy中函数创建ndarray数组，如：arange,ones,zeros等
| 函数 | 说明 |
|---|---|
| np.ones_like(a) | 根据数组a的形状生成一个全1数组 |
| np.zeros_like(a) | 根据数组a的形状生成一个全0的数组 |
| np.full_like(a,val） | 根据数组a的形状生成一个数组，每个元素都是val |
| np.linspace() | 根据起止数据等间距的填充数据，形成数组 |
| np.concatenate() | 将两个或多个数组合并成一个新的数组 |
a=np.linspace(1,10,4,dtype=np.int32)
a=np.linspace(1,10,4,dtype=np.int32,endpoint=False)
print(a)
[1 3 5 7]
a=np.linspace(1,10,4,endpoint=False)
print(a)
[1. 3.25 5.5 7.75]
print(np.concatenate((A,B)))
[ 1. 3.25 5.5 7.75 1. 4. 7. 10. ]
ndarray数组的维度变换
| 函数 | 说明 |
|---|---|
| .reshape(shape) | 不改变数组，返回一个shape形状的数组，原数组不变 |
| .resize(shape) | 与.reshape()功能一致，但修改原数组 |
| np.full_like(a,val） | 根据数组a的形状生成一个数组，每个元素都是val |
| np.swapaxes(ax1,ax2) | 将数组的n个维度进行调换 |
| np.flatten() | 对数组进行降维，返回折叠后的一维数组，原数组不变 |
a=np.ones((2,3,4),dtype=np.int32)
print(a)
[[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]]
a.reshape((3,8))
Out[57]:
array([[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1]])
resize改变原数组
a.resize((4,6))
print(a)
[[1 1 1 1 1 1]
[1 1 1 1 1 1]
[1 1 1 1 1 1]
[1 1 1 1 1 1]]
a.flatten()
Out[60]:
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1])
ndarray数组的类型变换
new_a=a.astype(new_type)
a.astype(np.float)
Out[63]:
array([[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.]])
ndarray数组向列表的转换
ls=a.tolist()
a.tolist()
Out[65]:
[[1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1]]
数组的索引和切片
索引：获取数组中特定位置元素的过程
切片：获取数组中元素自己的过程
一维数组的索引和切片：与python的列表类似
a=np.array([9,8,7,6,5])
a
Out[75]: array([9, 8, 7, 6, 5])
a[2]
Out[76]: 7
a[1:4:2]
Out[77]: array([8, 6])```
a=np.arange(24)
a
Out[80]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23])
a.reshape(3,8)
Out[81]:
array([[ 0, 1, 2, 3, 4, 5, 6, 7],
[ 8, 9, 10, 11, 12, 13, 14, 15],
[16, 17, 18, 19, 20, 21, 22, 23]])
image.png
image.png
数组的运算
数组与标量之间的运算作用于数组的每一个元素
a.mean()
Out[90]: 11.5
平均值
计算a与元素平均值的商
a=a/a.mean()
a=a/a.mean()
a
Out[93]:
array([[0. , 0.08695652, 0.17391304, 0.26086957, 0.34782609,
0.43478261, 0.52173913, 0.60869565],
[0.69565217, 0.7826087 , 0.86956522, 0.95652174, 1.04347826,
1.13043478, 1.2173913 , 1.30434783],
[1.39130435, 1.47826087, 1.56521739, 1.65217391, 1.73913043,
1.82608696, 1.91304348, 2. ]])
Numpy一元函数
| 函数 | 说明 |
|---|---|
| np.abs(x) np.fabs(x) | 计算数组个元素的绝对值 |
| np.sqrt(x) | 计算数组个元素的平方根 |
| np.square(x) | 计算数组各元素的平方 |
| np.log(x) np.log10(x) np.log2(x) | 计算数组各元素的自然数，10底对数和2底对数 |
| np.ceil(x) np.floor(x) | 计算数组各元素的ceiling值，或floor值 |
| np.rint(x) | 计算数组各元素的四舍五入值 |
| np.modf(x) | 将数组各元素的小数和整数部分以两个独立的数组形式返回 |
| np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x) | 计算各元素的小数和整数部分以独立的数组形式返回 |
| np.exp(x) | 计算数组各元素的指数值 |
| np.sign(x) | 计算数组各元素的符号值，1(+),0,-1(-) |
np.modf(a)
Out[98]:
(array([[0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0.]]),
array([[ 0., 1., 2., 3., 4., 5., 6., 7.],
[ 8., 9., 10., 11., 12., 13., 14., 15.],
[16., 17., 18., 19., 20., 21., 22., 23.]]))
np.square(a)
Out[100]:
array([[ 0, 1, 4, 9, 16, 25, 36, 49],
[ 64, 81, 100, 121, 144, 169, 196, 225],
[256, 289, 324, 361, 400, 441, 484, 529]], dtype=int32)
numpy的二元函数
| 函数 | 说明 |
|---|---|
| + - * / ** | 两个数组各元素进行对应运算 |
| np.maximun(x,y) np.fmax() np. minmun(x,y) np.fmin() | 元素级的最大值/最小值的计算 |
| np.mod(x,y) | 元素级的摸运算 |
| np.copysign(x,y) | 将数组y中各元素值的符号复制给数组x对应的元素 |
| > < >= <= == != | 算术比较，产生布尔型的数组 |
