Numpy基础数据结构 python

Numpy基础数据结构

NumPy数组是一个多维数组对象，称为ndarray。其由两部分组成：

实际的数据
描述这些数据的元数据

1.一维数组

import numpy as np  

ar = np.array([1,2,3,4,5,6,7])

print(ar)          # 输出数组，注意数组的格式：中括号，元素之间没有逗号（和列表区分）

print(ar.ndim)     # 输出数组维度的个数（轴数），或者说“秩”，维度的数量也称rank

print(ar.shape)    # 数组的维度，对于n行m列的数组，shape为（n，m）

print(ar.size)     # 数组的元素总数，对于n行m列的数组，元素总数为n*m

print(ar.dtype)    # 数组中元素的类型，类似type()（注意了，type()是函数，.dtype是方法）

print(ar.itemsize) # 数组中每个元素的字节大小，int32类型字节为4，float64的字节为8

print(ar.data)     # 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

ar   # 交互方式下输出，会有array(数组)

# 数组的基本属性

# ① 数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推

# ② 在NumPy中，每一个线性的数组称为是一个轴（axes），秩其实是描述轴的数量：

# 比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组

# 所以一维数组就是NumPy中的轴（axes），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。

# 而轴的数量——秩，就是数组的维数。

输出结果：

[1 2 3 4 5 6 7]

1

(7,)

7

int32

4

<memory at 0x0000027EA4F80F48>

array([1, 2, 3, 4, 5, 6, 7])

2.二维数组

import numpy as np

ar2 = np.array([[1,2,3],[2,3,4]])

print(ar2)

print(ar2.ndim)

print(ar2.shape)

print(ar2.dtype)

ar2

输出结果：

[[1 2 3]

 [2 3 4]]

2

(2, 3)

int32

array([[1, 2, 3],

       [2, 3, 4]])

3.有字符串的混合数组

import numpy as np

lst = [[1,2,3],['a','b','c']]

print(type(lst))

ar2 = np.array([['a','b','c'],[1,2,3]])

print(ar2)

print(ar2.dtype)    #有字符串组成的类型一定为字符串型号

输出结果：

<class 'list'>

[['a' 'b' 'c']

 ['' '' '']]

<U1

4.三维数组

import numpy as np           #三维数组,由两个二维数组构成，而每个二维数组由2个一维数组构成

ar2 = np.array([[[1,2,3],[2,3,4]],

                [[4,5,6],[7,8,9]]

               ])

print(ar2)

print(ar2.shape)

print(ar2.ndim)

输出结果：

[[[1 2 3]

  [2 3 4]]

 [[4 5 6]

  [7 8 9]]]

(2, 2, 3)

3

5. 创建数组_1 array()

# 创建数组：array()函数，括号内可以是列表、元祖、数组、生成器等

ar1 = np.array(range(10))   # 整型

ar2 = np.array([1,2,3.14,4,5])   # 浮点型 由列表组成

ar3 = np.array([[1,2,3],('a','b','c')])   # 二维数组：嵌套序列（列表，元祖均可）

ar4 = np.array([[1,2,3],('a','b','c','d')])   # 注意嵌套序列数量不一会怎么样？

print(ar1,type(ar1),ar1.dtype)

print(ar2,type(ar2),ar2.dtype)

print(ar3,ar3.shape,ar3.ndim,ar3.size)     # 二维数组，共6个元素

print(ar4,ar4.shape,ar4.ndim,ar4.size)     # 一维数组，共2个元素

输出结果：

[0 1 2 3 4 5 6 7 8 9] <class 'numpy.ndarray'> int32

[1.   2.   3.14 4.   5.  ] <class 'numpy.ndarray'> float64

[['' '' '']

 ['a' 'b' 'c']] (2, 3) 2 6

[list([1, 2, 3]) ('a', 'b', 'c', 'd')] (2,) 1 2

6.用数组构建数组

a1 = np.array([1,2,3])    #用数组构建数组

a2 = np.array([3,4,5])

a3 = np.array([a1,a2])

a3.shape

输出结果：

(2, 3)

7.创建数组_2 arange()

# 创建数组：arange()，类似range()，在给定间隔内返回均匀间隔的值。

print(np.arange(10))    # 返回0-9，整型

print(np.arange(10.0))  # 返回0.0-9.0，浮点型

print(np.arange(5,12))  # 返回5-11

print(np.arange(5.0,12,2))  # 返回5.0-12.0，步长为2

print(np.arange(10000))  # 如果数组太大而无法打印，NumPy会自动跳过数组的中心部分，并只打印边角：

输出结果：

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

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

[ 5  6  7  8  9 10 11]

[ 5.  7.  9. 11.]

[   0    1    2 ... 9997 9998 9999]

8.创建数组_3 linspace()函数

# 创建数组：linspace():返回在间隔[开始，停止]上计算的num个均匀间隔的样本。

ar1 = np.linspace(2.0, 3.0, num=5)   #输出两端都是闭合的，包括3

ar2 = np.linspace(2.0, 3.0, num=5, endpoint=False)  #输出右端不闭合，不包括3

ar3 = np.linspace(2.0, 3.0, num=5, retstep=True)

print(ar1,type(ar1))

print(ar2)

print(ar3,type(ar3))

# numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

# start：起始值，stop：结束值

# num：生成样本数，默认为50

# endpoint：如果为真，则停止是最后一个样本。否则，不包括在内。默认值为True。

# retstep：如果为真，返回（样本，步骤），其中步长是样本之间的间距，输出为一个包含2个元素的元祖，第一个元素为array，第二个为步长实际值

输出结果：

[2.   2.25 2.5  2.75 3.  ] <class 'numpy.ndarray'>

[2.  2.2 2.4 2.6 2.8]

(array([2.  , 2.25, 2.5 , 2.75, 3.  ]), 0.25) <class 'tuple'>

ar3 = np.linspace(2.0, 3.0, num=5, retstep=True)

ar = ar3 [0]

bc = ar3 [1]

print("创建的数组为:",ar)

print("创建的数组的步长为：",bc)

输出结果：

创建的数组为: [2.   2.25 2.5  2.75 3.  ]

创建的数组的步长为： 0.25

10.创建数组_3 zeros()/zeros_like()/ones()/ones_like()

ar1 = np.zeros(5)

ar2 = np.zeros((2,2), dtype = np.int)

ar = np.zeros((3,3,3))

print(ar) #三维数组

print(ar1,ar1.dtype)

print(ar2,ar2.dtype)

print('------')

# numpy.zeros(shape, dtype=float, order='C'):返回给定形状和类型的新数组，用零填充。

# shape：数组纬度，二维以上需要用()，且输入参数为整数

# dtype：数据类型，默认numpy.float64

# order：是否在存储器中以C或Fortran连续（按行或列方式）存储多维数据。

ar3 = np.array([list(range(5)),list(range(5,10))])

ar4 = np.zeros_like(ar3)

print(ar3)

print(ar4)

print('------')

# 返回具有与给定数组相同的形状和类型的零数组，这里ar4根据ar3的形状和dtype创建一个全0的数组

ar5 = np.ones(9)

ar6 = np.ones((2,3,4))

ar7 = np.ones_like(ar3)

print(ar5)

print(ar6)

print(ar7)

# ones()/ones_like()和zeros()/zeros_like()一样，只是填充为1

输出结果：

[[[0. 0. 0.]

  [0. 0. 0.]

  [0. 0. 0.]]

 [[0. 0. 0.]

  [0. 0. 0.]

  [0. 0. 0.]]

 [[0. 0. 0.]

  [0. 0. 0.]

  [0. 0. 0.]]]

[0. 0. 0. 0. 0.] float64

[[0 0]

 [0 0]] int32

------

[[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. 1. 1. 1.]

  [1. 1. 1. 1.]

  [1. 1. 1. 1.]]

 [[1. 1. 1. 1.]

  [1. 1. 1. 1.]

  [1. 1. 1. 1.]]]

[[1 1 1 1 1]

 [1 1 1 1 1]]

11. 创建数组_4 eye()

# 创建数组：eye()

print(np.eye(5))

# 创建一个正方的N*N的单位矩阵，对角线值为1，其余为0

输出结果：

[[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.]]

ndarray的数据类型

bool 用一个字节存储的布尔类型（True或False）

inti 由所在平台决定其大小的整数（一般为int32或int64）

int8 一个字节大小，-128 至 127

int16 整数，-32768 至 32767

int32 整数，-2 31 至 2 32 -1

int64 整数，-2 63 至 2 63 - 1

uint8 无符号整数，0 至 255

uint16 无符号整数，0 至 65535

uint32 无符号整数，0 至 2 ** 32 - 1

uint64 无符号整数，0 至 2 ** 64 - 1

float16 半精度浮点数：16位，正负号1位，指数5位，精度10位

float32 单精度浮点数：32位，正负号1位，指数8位，精度23位

float64或float 双精度浮点数：64位，正负号1位，指数11位，精度52位

complex64 复数，分别用两个32位浮点数表示实部和虚部

complex128或complex 复数，分别用两个64位浮点数表示实部和虚部

巴特西

Numpy基础数据结构 python

最新文章

热门文章