标签：入门 Python 数据 类型 shape 数组 维度 NumPy ndarray
第一周 数据分析之表示
单元一： NumPy库入门
数据的维度
维度：一组数据的组织形式
一维数据：一维数据由对等关系的有序或无序数据构成，采用线性方式组织，对应列表、数组和集合等概念
列表和数组 区别：列表的数据类型可以不同，数组的数据类型相同
二维数据： 二维数据是有多个一维数据构成，是一维数据的组合形式。表格是典型的二维数据，其中，表头是二维数据的一部分
多维数据：多维数据有一维或二维在新维度上扩展而成
高维数据：高维数据仅利用最基本的二元关系展示数据间的复杂结构。
数据维度的Python展示
数据维度是数据的组织形式
一维数据：列表和集合类型
二维数据：列表类型
多维数据：列表类型
高维数据：字典类型或数据表示格式JSON、XML、YAML格式
NumPy的数组对象：ndarray
NumPy的介绍：
NumPy的引用：
import numpy as np
思考：Python已有列表类型，为什么还需要一个数组对象（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，经过优化可以提高运算速度
-
在科学计算中，一个维度所有的数据类型往往相同。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
N维数组对象：ndarray
介绍：
ndarray是一个多维数组对象，有两部分构成 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
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 |
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：\([-2^{31},2^{31}-1]\) |
| int64 | 64位长度的整数，取值：\([-2^{63},2^{63}-1]\) |
| 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：\([0,2^{32}-1]\) |
| uint64 | 64位无符号整数，取值：\([0,2^{64}-1]\) |
| 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位浮点数 |
| complex128 | 复数类型，实部和虚部都是64位浮点数 |
思考：为什么ndarray要支持这么多中元素类型？
对比：Python语法仅支持整数、浮点数和复数三种类型
- 科学计算涉及数据比较多，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
- 对元素类型精确定义，有助于程序员对程序规模有合理评估
非同质的ndarray对象
ndarray数组可以由非同质对象构成，
非同质ndarray元素为对象类型，非同质对象无法发挥NumPy优势，尽量避免
ndarray数组的创建
ndarray数组的创建方法
- 从Python列表、元组等类型创建ndarray数组
- 使用NumPy中函数创建ndarray数组，如：arange,ones,zeros等
- 从字节流(raw,bytes)中创建ndarray数组
- 从文件中读取特定格式，创建ndarray数组
1 从Python列表、元组等类型创建ndarray数组
2 使用NumPy中函数创建ndarray数组，如：arange,ones,zeros等
| 函数 | 说明 |
|---|---|
| np.arrange(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数组，shape是元组类型 |
| np.zeros(shape) | 根据shape生成一个全0数组，shape是元组类型 |
| np.full(shape,val) | 根据shape生成一个数组，每个元素值都是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 |
| 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，每个元素值都是val |
| np.linspace() | 根据起止数据等距填充数据，形成数组 |
| np.concatenate() | 将两个或多个数组合并成为一个新的数组 |
ndarray数组的变换
对于·创建后的ndarray数组可以对其进行维度变换和元素类型变换
ndarray数组的维度变换
| 方法 | 说明 |
|---|---|
| .reshape(shape) | 不改变数组元素，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 |
| .swapaxes(ax1,ax2) | 将数组n个维度中的两个维度进行调换 |
| .flatten() | 对数组进行降维，返回折叠后的一维数组，原数组不变 |
ndarray数组的类型转换
new_a = a.astype(new_type)
astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致
ndarray数组向列表的转换
ls = a.tolist()
ndarray数组的索引与切片
索引： 获取数组中特定位置元素的过程
切片：获取数组元素子集的过程
一维数组的索引与切片：与Python的列表类似
起始编号：终止编号：步长
**编号0从左端递增，或-1从右端递减 **
多维数组的索引：
每个维度一个索引值，逗号分割
多维数组的切片：
选取一个维度用: 每个维度切片方法与一维数组相同 每个维度可以使用步长跳跃切片
ndarray数组与标量之间的运算
数组与标量之间的运算作用于数组的每个元素
NumPy一元函数
对ndarray中的数据执行元素级别的函数
注意数组是否被改变
NumPy二元函数
标签：入门,Python,数据,类型,shape,数组,维度,NumPy,ndarray 来源： https://www.cnblogs.com/zuti666/p/16095626.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。