NumPy 基本语法汇总

NumPy 数据结构属性以及数组创建

Numpy是Python科学计算库,用于快速处理任意维度的数组，可以处理N维数组， 支持向量化运算，其底层是由C语言编写的，运算速度相比较PYTHON会非常快， 这也是大数据常用numpy来计算的原因，其对数组的操作速度不受python解释器的影响。

----首先先试一下用numpy和python实现1+2+3+......+1亿的运算时间----

8

import numpy as np
import time
arr = np.arange(100000000)
print('*'*30)
%time np.sum(arr)
print('*'*30)
%time sum(arr)

 

******************************
Wall time: 39.9 ms
******************************
Wall time: 9.37 s

 

<timed eval>:1: RuntimeWarning: overflow encountered in long_scalars

8

887459712

 

1、 ndarray属性

属性	描述
ndarray.shape	数组维度的元组
ndarray.ndim	数组维数
ndarray.size	数组中的元素数量
ndarray.itemsize	一个数组元素的长度(字节)
ndarray.dtype	数组元素的类型

9

import numpy as np
a = np.array([1,2,3])
b = np.array([[1,2,3],[4,5,6]])
c = np.array([[[1,2],[3,4]], [[5,6],[7,8]]])
print('*'*30)
print('a的数据维度是:',a.shape) #数组的维度的元组，当数组是一维时候，表示有几列
print('b的数据维度是:',b.shape) #两行三列
print('c的数据维度是:',c.shape) #三行三列
print('上面三个数组的维度分别是:',a.ndim,b.ndim,c.ndim)
print('上面三个数组的元素个数分别是:',a.size,b.size,c.size)
print(c.dtype) #数组的类型

 

******************************
a的数据维度是: (3,)
b的数据维度是: (2, 3)
c的数据维度是: (2, 2, 2)
上面三个数组的维度分别是: 1 2 3
上面三个数组的元素个数分别是: 3 6 8
int32

 

2、ndarray元素数据类型

ndarray.dtype查看数组元素的数据类型,NumPy支持比Python更多的数值类型，得益于它本身还是有C语言编写。

数据类型	描述	唯一标识符
bool	用一个字节存储的布尔类型（True或False）	'b'
int8	一个字节大小，-128 至 127	'i'
int16	整数，16 位整数(-32768 ~ 32767)	'i2'
int32	整数，32 位整数(-2147483648 ~ 2147483647)	'i4'
int64	整数，64 位整数(-9223372036854775808 ~ 9223372036854775807)	'i8'
uint8	无符号整数，0 至 255	'u'
uint16	无符号整数，0 至 65535	'u2'
uint32	无符号整数，0 至 2 ** 32 - 1	'u4'
uint64	无符号整数，0 至 2 ** 64 - 1	'u8'
float16	半精度浮点数：16位，正负号1位，指数5位，精度10位	'f2'
float32	单精度浮点数：32位，正负号1位，指数8位，精度23位	'f4'
float64	双精度浮点数：64位，正负号1位，指数11位，精度52位	'f8'
complex64	复数，分别用两个32位浮点数表示实部和虚部	'c8'
complex128	复数，分别用两个64位浮点数表示实部和虚部	'c16'
object_	python对象	'O'
string_	字符串	'S'
unicode_	unicode类型	'U'

 

3、ndarray创建结构化数据类型

10

import numpy as np
dt = np.dtype([('name','S20'), ('price', 'f4'),
                  ('weight', 'i1')])
nd = np.array([('meat', 15.6, 2),('apple', 6, 2)],dtype=dt)
print(nd)

 

[(b'meat', 15.6, 2) (b'apple',  6. , 2)]

 

4、ndarray数组的创建

1. 从其他Python结构转换（例如:列表，元组）使用array(深拷贝),asarray（浅拷贝）方法
2. 内在的numpy数组创建对象arange,zeros,ones......等
3. 通过使用字符串或缓冲区从原始字节创建数组
4. 使用特殊库函数random,

11

#从python列表结构转换,
import numpy as np
a = [1,2,3,4,5,6]
print(np.array(a))

 

[1 2 3 4 5 6]

12

#内在的numpy数组创建对象arange，np.arange(start,stop,step,dtype)
import numpy as np
a = np.arange(10)
b = np.zeros(10)
c = np.ones(10)
d = np.full((3,2),7)#构造3行两列的数组，指定填充数为7
print(a,b,c,d,sep='\n**************\n')

 

[0 1 2 3 4 5 6 7 8 9]
**************
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
**************
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
**************
[[7 7]
 [7 7]
 [7 7]]

13

#使用特殊库函数random（重要）根据给定的维度生成**[0, 1)**之间的随机数
import numpy as np
a = np.random.random() #创建一个随机数0-1之间
b = np.random.random(10) #创建一个一维的列表数组，0-1之间
c = np.random.random((5,2)) #创建一个二维数组10行2列，0-1之间
print(a,b,c,sep='\n**************\n')

 

0.9138248243834629
**************
[0.22414865 0.29108704 0.95452629 0.66855175 0.00150192 0.51841556
 0.50442709 0.74724399 0.00856524 0.3938695 ]
**************
[[0.32686679 0.14522227]
 [0.26809541 0.85052332]
 [0.53518224 0.62633159]
 [0.31946848 0.1022813 ]
 [0.70060205 0.31761763]]

14

#特殊函数ramdom的补充，randint
#np.random.randint(low,high=None,size=None,dtype='l')`:生成取值区间为[low, high)的随机整数,size:数组维度大小，dtype:np.int
a = np.random.randint(3,size=3) #生成3个[0,3)之间的整数
b = np.random.randint(3,5) #size=None,生成一个[1,5)之间随机的一个整数
c = np.random.randint(1,5,size=(3,2)) #生成一个二维数组
print(a,b,c,sep='\n**************\n')

 

[0 0 0]
**************
3
**************
[[3 4]
 [1 1]
 [2 4]]