numpy 使用心得

阅读 【快速入门教程 | NumPy】时有些地方疑惑。

记录下来以供参考。

1.ndim  shape  size 

• ndarray.ndim - 数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。
• ndarray.shape - 数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有 n 行和 m 列的矩阵，shape 将是 (n,m)。因此，shape 元组的长度就是rank或维度的个数 ndim。
• ndarray.size - 数组元素的总数。这等于 shape 的元素的乘积。
• ndarray.dtype - 一个描述数组中元素类型的对象。可以使用标准的Python类型创建或指定dtype。另外NumPy提供它自己的类型。例如numpy.int32、numpy.int16和numpy.float64。
• ndarray.itemsize - 数组中每个元素的字节大小。例如，元素为 float64 类型的数组的 itemsize 为8（=64/8），而 complex32 类型的数组的 itemsize 为4（=32/8）。它等于 ndarray.dtype.itemsize 。
• ndarray.data - 该缓冲区包含数组的实际元素。通常，我们不需要使用此属性，因为我们将使用索引访问数组中的元素。

import numpy as np

print("=情况1========================================")
n = np.array([1,2,3,4])
print("data:",n)
print("Shape:",n.shape)
print("ndim:",n.ndim)
print("size:",n.size)
print("dtype:",n.dtype)
print("itemsize:",n.itemsize)

print("=情况2========================================")
n = np.array([[1,2,3,4],[1,2,3,4]])
print("data:",n)
print("Shape:",n.shape)
print("ndim:",n.ndim)
print("size:",n.size)
print("dtype:",n.dtype)
print("itemsize:",n.itemsize)

print("=情况3========================================")
n = np.array([[1,2,3,4],[1,2,3,4],[1,2,3,4]])
print("data:",n)
print("Shape:",n.shape)
print("ndim:",n.ndim)
print("size:",n.size)
print("dtype:",n.dtype)
print("itemsize:",n.itemsize)

=情况1========================================
data: [1 2 3 4]
Shape: (4,)
ndim: 1
size: 4
dtype: int32
itemsize: 4
=情况2========================================
data: [[1 2 3 4]
 [1 2 3 4]]
Shape: (2, 4)
ndim: 2
size: 8
dtype: int32
itemsize: 4
=情况3========================================
data: [[1 2 3 4]
 [1 2 3 4]
 [1 2 3 4]]
Shape: (3, 4)
ndim: 2
size: 12
dtype: int32
itemsize: 4

总结：

ndim ：返回数组的行数和列数，如果是一维数组，则行数=1维数组的列数。

行数=数组左侧[的个数列数=里面1维数组的列数。特俗情况，如果所有1维数组列数的不一致，则创建会报错

shape ：左侧 “[” 的个数

size ：   存储元素总数

2. cumsum

沿着轴，依次相加，将计算的结果放到当前行中。

b = np.arange(12).reshape(3,4)
print(b)

# 列数据求和
print(b.sum(axis=0))

#行数据操作
print(b.cumsum(axis=1))

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[12 15 18 21]
[[ 0  1  3  6]
 [ 4  9 15 22]
 [ 8 17 27 38]]

3.其他

exp:指数函数

sqrt:开平方

**：幂函数

b = np.arange(10)
print(b)
print(b**2)
print(b**3)

[0 1 2 3 4 5 6 7 8 9]
[ 0  1  4  9 16 25 36 49 64 81]
[  0   1   8  27  64 125 216 343 512 729]

4.fromfunction

np用于从一个函数对象创建数组。它允许用户根据指定的函数规则来生成数组的元素值，而无需使用显式循环。

import numpy as np
def f(x, y):
    return 10 * x + y
result = np.fromfunction(f, (3,4), dtype=int)
print(result)

[[ 0  1  2  3]
 [10 11 12 13]
 [20 21 22 23]]

解析：

1步创建位置数组

【  0,0    0,1    0,2   0,3

      1,0    1,1    1,2   1,3

       2,0    2,1    2,2   2,3

】

之后根据坐标，传入规则函数计算：

【 

        10*0+0     10*0+1    10*0+2    10*0+3

         10*1+0     10*1*1     10*1*2     10*1+3

         10*2+0     10*2*1     10*2*2     10*2+3

】

最好得出结果：

[[ 0  1  2  3]
 [10 11 12 13]
 [20 21 22 23]]