NumPy庫學習
一.數據的維度
數據的維度是數據的組織形式。
- 一維數據：由對等關系的有序或無序數據構成，采用線性方式組織。例如列表和數組，這兩者的區別是列表的數據類型可以不同，數組的數據類型必須相同。
- 二維數據：由多個一維數據構成，是一維數據的組合形式。例如表格是典型的二位數據。
- 多維數據：由一維或二維數據在新維度上擴展形成
- 高維數據：僅利用最基本的二元關系展示數據間的復雜結構。例如json、yaml格式的數據。
二.數據維度的python表示
#一維數據：列表和集合類型 [1,2,3] #有序 {1,2,3} #無序 #二維數據：列表類型 [[1,2,3], [4,5,6]] #多維數據 [[[1,2,3], [4,5,6]], [7,8,9], [4,4,4]] #高維數據：字典類型或數據表示格式，例如JSON、XML、YAML dict={ 'firstName':'Tian', 'lastName':'Song', }
三.NumPy的多維數組對象：ndarray
1.NumPy是一個開源的python科學計算基礎庫，包含：
- 一個強大的N維數組對象：ndarray
- 廣播功能函數
- 整合C/C++/Fortran代碼的工具
- 線性代數，傅里葉變換、隨機數生成等功能
NumPy是SciPy、Pandas等數據處理或科學計算庫的基礎
2.NumPy的引用：
import numpy as np #這是一種約定俗成的引用名稱，建議使用上述約定的別名
3.python已經有列表類型，為什么需要一個數組對象？
- 數組對象可以去除元素運算所需的循環，使一維向量更像單個數據
- 設置專門的數組對象，經過優化，可以提升這類應用的運算速度
- 數組對象采用相同的數據類型，有助於節省運算和存儲空間
例如以下事例：
#計算A^2+B^2，其中A和B是一維數組 import numpy as np #使用列表的方式 def pySum(): a=[0,1,2,3,4] b=[5,6,7,8,9] c=[] for i in range(len(a)): c.append(a[i]**2+b[i]**2) return c print("pySum-->",pySum()) #使用數組的方式 def npSum(): a=np.array([0,1,2,3,4]) b=np.array([5,6,7,8,9]) c=a**2+b**2 return c print("npSum-->",npSum()) #運行結果 ''' pySum--> [25, 37, 53, 73, 97] npSum--> [25 37 53 73 97] ''' #可見如果采用數組的方式，numy把一維向量當作單個數據對待，這樣更有利於進行科學計算
4.ndarray對象的構成：
- 實際的數組
- 描述這些數據的元數據（數據維度、數據類型等）
ndarray數組一般要求所有元素類型相同（同質），數組下標從0開始
ndarry實例：
import numpy as np #ndarray在程序中的別名是：array #np.array()生成一個ndarray數組 a=np.array([[0,1,2,3,4], [5,6,7,8,9]]) print(a) #np.array()輸出成[]形式，元素有空格分割 ''' [[0 1 2 3 4] [5 6 7 8 9]] ''' #軸(axis)：保存數據的維度；秩(rank)：軸的數量
5.ndarray對象的屬性
- .ndim：秩，即軸的數量或維度的數量
- .shape：ndarray對象的尺度，對於矩陣的n行m列
- .size：ndarray對象元素的個數，相當於.shape中的n*m的值
- .dtype：ndarray對象的元素類型
- .itemsize：ndarray對象中每個元素的大小，以字節為單位
實例：
import numpy as np a=np.array([[1,2,3,4], [5,6,7,8]]) print("維度：",a.ndim) print("尺度：",a.shape) print("元素個數：",a.size) print("元素的類型:",a.dtype) print("元素的大小：",a.itemsize) ''' 維度： 2 尺度： (2, 4) 元素個數： 8 元素的類型: int32 元素的大小： 4 '''
6.ndarray的元素類型
ndarrya為什么要支持這么多種元素類型？
- 科學計算涉及數據較多，對存儲和性能都有較高要求
- 對元素類型精確定義，有助於NumPy合理使用存儲空間並優化性能
- 對元素類型精確定義，有助於程序員對程序規模有合理評估
7.非同質的ndarray對象
非同質的ndarray元素為對象類型，無法有效發揮NumPy優勢，盡量避免使用
import numpy as np a=np.array([[1,2,3,4], [5,6,7]]) print("尺度：",a.shape) print("元素個數：",a.size) print("元素的類型:",a.dtype) print("元素的大小：",a.itemsize) ''' 尺度： (2,) 元素個數： 2 元素的類型: object 元素的大小： 8 ''' #此時每個一維向量被當成一個對象（元素）
8.ndarray數組的創建
(1)從python中的列表、元組等類型創建ndarray數組
x=np.array(list/tuple,dtype=np.float32) #當np.array()不指定dtype時，NumPy將根據情況關聯一個dtype類型
例子：
(2)使用NumPy中函數創建ndarray數組，如：arrange，ones，zeros
#######
注：使用np.arange()方法創建的數組默認是int32類型，另外幾種方法默認是float類型
例子：
例子：
例子：
9.ndarray數組的變換
(1)ndarray數組的維度變換
例子：
(2)ndarray數組的類型變換
new_a = a.astype(new_type)
#astype()方法一定會創建新的數組()原始數組的一個拷貝，即使兩個類型一致
例子：
(3)ndarray數組向列表的轉換
ls=a.tolist()
例子：
10.ndarray數組的操作
(1)ndarray數組的索引和切片
一維數組的索引和切片：與python的列表類似
多維數組的索引：
多維數組的切片：
(2)ndarray數組的運算
數組與標量之間的運算作用於數組的每一個元素
(3)NumPy一元函數
例子：
(4)NumPy二元函數
例子：
