numpy1

1、NumPy包含的內容

　　1、ndarrray，高效的多維數組，提供了基于數組的便捷算術操作以及靈活的廣播功能；

　　2、對所有數組對象進行快速的矩陣計算，而無需編寫循環；

　　3、提供對硬盤中的數據的讀寫工具，并對內存映射文件進行操作；

　　4、可實現線性變換、隨機數生成以及傅里葉變換功能；

　　特點：NumPy在內部將數據存儲在連續的內存塊上，這與其他的Python內建序列是不同的，這使得NumPy數組對象的計算速度比其他同內容同操作的對象快(快10—100倍)。

?

2、每個ndarray對象具備的屬性

　　1、shape屬性用來描述數組的維數；

　　2、dtype屬性描述數組的數據類型，它包含了ndarray需要為某一種類型數據所申明的內存塊信息，是NumPy能夠與其他系統數據靈活交互的原因；

import numpy as np
data = np.random.randn(2,3)
data.shape
Out[14]: 
》(2, 3)
data.dtype
Out[15]: 
》dtype('float64')

?

3、生成ndarray

　　1、array函數，array函數接受任意的序列型對象(包括數組)，生成一個包含傳遞數據的NumPy數組；接受嵌套序列時，自動轉換成多維數組。

data1 = [1,2,7.9,0,1]
arr1 = np.array(data1)
arr1
Out[18]: 
array([1. , 2. , 7.9, 0. , 1. ])
data2 = [[1,2,3],[1,2,3]]
np.array(data2)　　　　　　　　　　　　　　　　　# 接受嵌套序列，自動轉成二維數組
Out[20]: 
》array([[1, 2, 3],
       [1, 2, 3]])

　　2、zeros()、ones()、empty()、full()等函數，注意zeros()、ones()、empty()等函數接受的參數只有一個，如果要生成多維數組，則需要為shape傳遞一個元組指定維數；

　　3、ones_like()根據所給的數據數組生成一個形狀一摸一樣的全1數組;zeros_like(),empty_like()、full_like()也類似；

　　4、arange()生成python內建函數range的數組版，返回一個數組。

?

4、ndarray數據類型

　　1、python數據數據類型眾多，可以使用astype方法顯示地轉換數組地數據類型，注意：浮點型轉整型時，小數點后部分將被消除。使用astype時，返回一個新的數組，而原數組不變。

arr = np.array([1, 2, 3, 4, 5])
print(arr.dtype)
float_arr = arr.astype(np.float64)
print(float_arr.dtype)
》》int32
》》float64

　　2、如果一個數組里面地元素都是表達數字含義地字符串，也可以將字符串轉換成數字；

numeric_strings = np.array(['1.25', '-9.6', '42'], dtype=np.string_)
numeric_strings
Out[30]: 
>>array([b'1.25', b'-9.6', b'42'], dtype='|S4')
numeric_strings.astype(np.float)
Out[31]: 
>>array([ 1.25, -9.6 , 42.  ])

?

5、NumPy數組算術

　　數組之間可以直接進行批量操作而無需任何for循環；

　　任何在兩個等尺寸數組之間的算術操作都運用了逐元素操作的方式；

　　帶有標量的算術操作，會把計算參數傳遞給每一個元素；

　　同尺寸數組之間的比較，會產生一個布爾類型的數組；

?

6、數組索引與切片

　　1、數組的索引與列表的索引類似，但不相同。區別于python數組的內建列表，數組的切片是原數組的視圖，即數組并不是被復制了，任何對于視圖的修改都會反應到原數組上。

arr = np.arange(10)
arr[5:8] = 12
arr_slice = arr[5:8]
print(arr_slice)
arr_slice[1] = 12345　　　　# 對視圖的修改后，原數組也會被改變
arr
[12 12 12]
Out[38]: 
array([    0,     1,     2,     3,     4,    12, 12345,    12,     8,
           9])

　　2、如果相對數組進行復制而不是得到一份視圖，應該使用copy方法，eg：arr[5:8].copy()

　　3、多維數組的索引方法，以二維數組為例，數組名[index][index]或者數組名[index,index]的方式。

?

7、布爾索引

　　1、在索引數組時，可以傳入布爾值數組，返回的是True對應的內容。

names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])
data = np.random.randn(7, 4)
names == 'Bob'
Out[41]: 
array([ True, False, False,  True, False, False, False])
data[names == 'Bob']
Out[42]: 
array([[-0.71491699,  0.40102409, -0.42140722, -1.50136196],[ 0.21920979, -0.13960939,  1.60586575,  0.0712131 ]])

　　2、基于常識來設置布爾數組的值也是可行的。

data = np.random.randn(7, 4)
data
Out[44]: 
>>array([[-0.83434737, -0.67205305,  0.17626815, -0.60448911],
       [ 0.30011278, -0.98530314, -0.58816207,  2.40943742],
       [-0.94236761,  1.12991724, -0.4361433 ,  0.75806253],
       [-0.7228912 ,  1.1955933 , -0.75127874, -0.73905711],
       [-0.4128283 , -0.15726642,  0.86381129, -1.2467569 ],
       [-0.3290692 , -1.03838623,  0.68320058, -0.58237692],
       [ 1.40461917,  0.55720836,  0.39822819,  0.64182056]])
data[data < 0] = 0
data
Out[46]: 
>>array([[0.        , 0.        , 0.17626815, 0.        ],
       [0.30011278, 0.        , 0.        , 2.40943742],
       [0.        , 1.12991724, 0.        , 0.75806253],
       [0.        , 1.1955933 , 0.        , 0.        ],
       [0.        , 0.        , 0.86381129, 0.        ],
       [0.        , 0.        , 0.68320058, 0.        ],
       [1.40461917, 0.55720836, 0.39822819, 0.64182056]])

8、reshape函數，格式 reshape(a, newshape, order='C')

Parameters
----------
a : array_like
Array to be reshaped.
newshape : int or tuple of ints
The new shape should be compatible with the original shape. If
an integer, then the result will be a 1-D array of that length.
One shape dimension can be -1. In this case, the value is
inferred from the length of the array and remaining dimensions.
order : {'C', 'F', 'A'}, optional
1 a = np.arange(6)
a
Out[49]: 
array([0, 1, 2, 3, 4, 5])
a.reshape(3,2)
Out[50]: 
array([[0, 1],
       [2, 3],
       [4, 5]])

?

9、數組轉置和換軸

　　1、轉置是一種特殊的數據重組形式，也可以返回底層數據的視圖而不需要復制任何內容，數組擁有transpose方法，也擁有T屬性。當數組是一維或者二維時，數組名.T的形式直接返回轉置后的數組（原來的數組不會修改），

 1 arr = np.arange(15).reshape((3, 5))2 arr3 Out[54]: 4 array([[ 0,  1,  2,  3,  4],5        [ 5,  6,  7,  8,  9],6        [10, 11, 12, 13, 14]]) 7 arr.T 8 Out[55]: 9 array([[ 0, 5, 10], 10 [ 1, 6, 11], 11 [ 2, 7, 12], 12 [ 3, 8, 13], 13 [ 4, 9, 14]])

　　2、對于更高維的數組，轉置使用transpose和swapxes方法。