numpy及ndarray基础

前言

Numpy是一个开源的Python科学计算基础库，也是目前Python用于科学计算和数据分析的最基础的第三方库，本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程ndarray的使用基础进行整理和总结。

numpy简介

Numpy提供了众多功能，主要包含如下：

1. Numpy提供了一个非常强大的N维数组对象ndarray（数组）；
2. 提供一个具有广播功能的函数，可用于数组之间的计算；
3. 提供了线性代数，傅里叶变换，随机数生成等功能用于科学计算。
   可以说Numpy是SciPy，Pandas等数据处理或科学计算库的基础。

虽然Python中已经具有类似功能的列表和元组供用户使用，为什么还需要Numpy呢？使用Numpy中N维数组对象ndarray代替Python中的列表/字典等进行科学计算的优势在于：

• 数组运算可以去掉元素之间所需要的循环语句，使一维向量更像单个数据；
• 通过设置专门的数组对象，经过优化，可以提升这类应用的运算速度；
• 在科学计算中，一个维度的所有数据类型往往相同,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；

ndarray是一个多维数组对象，由两部分构成：

• 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 的两个基本概念：

• 轴（axis）：保存数据的维度；
• 秩（rank）：轴的数量；

ndarray基本运算属性

ndarray的基本运算属性：

• .ndim：表示秩，即轴的数量或者维度的数量；
• .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实例如下：

import numpy as np

a = np.array([[1,2,3,4],
              [5,6,7,8]])

a.ndim

2

a.shape

(2, 4)

a.size

8

a.dtype

dtype('int32')

a.itemsize

4

此处a.itemsize = 4表示数据a中每个元素由4个字节构成。

非同质对象

ndarray数组可以由非同质对象构成，但是非同质对象无法有效发挥Numpy的优势，应该尽量避免使用，如下例所示：

b = np.array([[1,2,3,4,5],
             [6,7,8,9]])

b.shape

(2,)

b.dtype

dtype('O')
<