【Python科学计算】Numpy——ndarry

本篇主要用于自己学习Python科学计算的学习笔记，便于之后细节不清时的查阅。

主要参考内容：莫烦的Python——Numpy&Pandas教程

　　　　　　　《Python科学计算》张若愚著，清华大学出版社

 

numpy的使用会使很多计算更快，因为Numpy是基于C语言编写的，可以提高计算速度

import numpy as np

array = np.array([[1,2,3],
                 [2,3,4]])
#将列表 [[1, 2, 3], [2 ,3 ,4]] 输出型为2行3列的矩阵
print(array)
print("number of dim:",array.ndim)  #输出矩阵的维度
print("shape",array.shape)          #输出矩阵的形状
print("size",array.size)            #输出矩阵的大小（2*3）

b = np.array([1,2,3,4])
print(b)
print(b.shape)

可以通过修改数组的shape属性，在保持数组元素个数不变的情况下，改变数组每个轴的长度。

import numpy as np

array = np.array([[1,2,3],
                 [2,3,4]])
array.shape = 3,2
print(array)

当设置某个轴的元素为-1时，将自动计算此轴的长度

import numpy as np

array = np.array([[1,2,3],
                 [2,3,4],
                  [3,4,5],
                  [4,5,6]])
array.shape = 3,-1
print(array)

使用数组的reshape()方法，可以创建指定形状的新数组，而原数组的形状保持不变；

a = np.array([1, 2, 3, 4])
b = a.reshape((2,2))
print(a)
print(b)

值的注意的一点是，数组a和数组b共享数据存储空间，因此修改其中一个数组的元素都会修改另一个数组的内容

a = np.array([1, 2, 3, 4])
b = a.reshape((2,2))
a[1] = 1222
print(a)
print(b)

 

接下来就是矩阵的建立

a = np.array([2, 3, 4])
print(a)
#可以看到和列表相差不大，但是没有逗号
print(a.dtype)
a = np.array([2, 3, 4],dtype=np.int64)
print(a.dtype)
a = np.array([2, 3, 4],dtype=np.float64)
print(a.dtype)

在创建的过程中也可以对其中数值类型进行定义。Numpy的数值对象的运算速度比Python内置类型的运算速度要慢，若大量使用，应尽量避免。

对数组的元素类型进行转换。

import numpy as np

t1 = np.array([1,2,3,4],dtype = np.float)
t2 = np.array([1,2,3,4],dtype = np.complex)
t3 = t1.astype(np.int32)
t4 = t2.astype(np.complex64)

建立零矩阵、一矩阵、空矩阵

import numpy as np

a = np.zeros( (3,4) )
#a = np.zeros( (3,4) ,dtype=np.float)
#a = np.ones( (3,4) )
#a = np.empty( (3,4))
#a = np.empty( (3,4) , dtype = np.int)
print(a)

使用full（）对数组元素进行指定值的初始化

import numpy as np

a = np.full(4, np.pi)
print(a)

此外，zeros_like()、ones_like()、empty_like()等函数创建与参数数组形状相同和类型相同的数值，因此与zeros_like(a)和zeros（a.shape，a.dtype）效果相同

arange()可以通过开始值、终值、步长来创建表示等差数列的一维数组（不包含终值）；

a = np.arange(0, 1, 0.1)
print(a)
#结果：[0.  0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]

linspace()