import numpy as np什么意思_Numpy回顾-1

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库
本系列文章针对Numy进行一个比较系统的回顾
一般在python中我们会对Numpy进行缩写
import numpy as np
因此后续中的np均指numpy

1.常量

名称	类型
np.nan	空值
np.inf	无穷大
np.pi	圆周率
np.e	自然对数

import numpy as np
np.e

2.718281828459045

2.数据类型

Python 原生的数据类型相对较少， bool、int、float、str等。这在不需要关心数据在计算机中表示的所有方式的应用中是方便的。然而，对于科学计算，通常需要更多的控制。为了加以区分 numpy 在这些类型名称末尾都加了“_”

类型	大小	说明
bool_ / bool8	8	布尔
int8/byte	8	整数
int16/short	16	整数
int32/intc	32	整数
int_/int64/long/intp	64	整数
uint8/ubyte	8	无符号整数
uint16/ushort	16	无符号整数
uint32/uintc	32	无符号整数
uint64/uintp/uint0/uint	64	无符号整数
float16/half	16	浮点型
float32/single	32	浮点型
float_/float64/double	64	浮点型
str/unicode/str0/unicode	-	字符串
datetime64	-	日期时间类型
timedelta64	-	表示两个时间之间的间隔

如何查看数据的类型呢？

import numpy as np
a = np.dtype('float64')
print(a.type)

<class 'numpy.float64'>

如何查看数据的信息呢？

import numpy as np

ii16 = np.iinfo(np.int16)
print(ii16.min)  # -32768
print(ii16.max)  # 32767

-32768
32767

表示int16最大值为32767 最小值为-32768

至于原因的话 和二进制有关系 int16表示有16个格子

那么只有15个格子是用来进行二进制填充 2**15=32768 所以最大值即为32767

为什么最大值比二进制值少一位？

涉及到计算机补码的问题 可以参考一下这个博客

https://blog.youkuaiyun.com/linux12121/article/details/51236654?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param​blog.youkuaiyun.com

3.时间日期和时间增量

numpy 中，我们很方便的将字符串转换成时间日期类型 datetime64（datetime 已被 python 包含的日期时间库所占用）。

datatime64是带单位的日期时间类型，其单位如下：

日期单位	含义	时间单位	含义
Y	年	h	小时
M	月	m	分钟
W	周	s	秒
D	天	ms	毫秒
		us	微秒
		ns	纳秒
		ps	皮秒
		fs	飞秒
		as	阿托秒

a = np.datetime64('2020-03-01')
print(a, a.dtype)  # 2020-03-01 datetime64[D]

2020-03-01 datetime64[D]

4.数组

numpy 提供的最重要的数据结构是ndarray，它是 python 中list的扩展。

比如一维数组

a = np.array([0, 1, 2, 3, 4])
print(a, type(a))

# [0 1 2 3 4] <class 'numpy.ndarray'>

比如二维数组

c = np.array([[11, 12, 13, 14, 15],
              [16, 17, 18, 19, 20],
              [21, 22, 23, 24, 25],
              [26, 27, 28, 29, 30],
              [31, 32, 33, 34, 35]])
print(c, type(c))

# [[11 12 13 14 15]
# [16 17 18 19 20]
# [21 22 23 24 25]
# [26 27 28 29 30]
# [31 32 33 34 35]] <class 'numpy.ndarray'>

array()和asarray()都可以将结构数据转化为 ndarray，但是array()和asarray()主要区别就是当数据源是ndarray时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时asarray()不会。

x = [[1, 1, 1], [1, 1, 1], [1, 1, 1]]
y = np.array(x)
z = np.asarray(x)
x[1][2] = 2
print(x,type(x))
print(y,type(y))
print(z,type(z))

# [[1, 1, 1], [1, 1, 2], [1, 1, 1]] <class 'list'>

# [[1 1 1]# [1 1 1]# [1 1 1]] <class 'numpy.ndarray'>

# [[1 1 1]# [1 1 1]# [1 1 1]] <class 'numpy.ndarray'>

数组中有2个比较特殊的数组，分别为0 数组和1数组

• zeros()函数：返回给定形状和类型的零数组。
• zeros_like()函数：返回与给定数组形状和类型相同的零数组。
• ones()函数：返回给定形状和类型的1数组。
• ones_like()函数：返回与给定数组形状和类型相同的1数组。

x = np.zeros(5)
print(x)  #

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

x = np.zeros([2,3])
print(x)

[[0. 0. 0.]

[0. 0. 0.]]

x = np.ones(5)
print(x)

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

x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.ones_like(x)
#ones_like()函数：返回与给定数组形状和类型相同的1数组。

[[1 1 1]
[1 1 1]]

随机数组

• empty()函数：返回一个空数组，数组元素为随机数。
• empty_like函数：返回与给定数组具有相同形状和类型的新数组。

x = np.empty(5)
print(x)

[1.95821574e-306 1.60219035e-306 1.37961506e-306
9.34609790e-307 1.24610383e-306]

单位数组

• eye()函数：返回一个对角线上为1，其它地方为零的单位数组。
• identity()函数：返回一个方的单位数组。

x = np.eye(4)
print(x)

[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]

对角数组

diag()函数：提取对角线或构造对角数组。

v = [1, 3, 5, 7]
x = np.diag(v)
print(x)

[[1 0 0 0]
[0 3 0 0]
[0 0 5 0]
[0 0 0 7]]

常数值

• full()函数：返回一个常数数组。
• full_like()函数：返回与给定数组具有相同形状和类型的常数数组。

x = np.full((2, 7), 7)
print(x)

[[7 7 7 7 7 7 7]
[7 7 7 7 7 7 7]]

利用数值范围来创建ndarray

• arange()函数：返回给定间隔内的均匀间隔的值。
• linspace()函数：返回指定间隔内的等间隔数字。
• logspace()函数：返回数以对数刻度均匀分布。
• numpy.random.rand() 返回一个由[0,1)内的随机数组成的数组。

x = np.arange(5)
print(x)

[0 1 2 3 4]

x = np.linspace(start=0, stop=2, num=9)
print(x) 

[0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ]

x = np.logspace(0, 1, 5)
print(np.around(x, 2))

[ 1. 1.78 3.16 5.62 10. ]

x = np.random.random(5)
print(x)

[0.41768753 0.16315577 0.80167915 0.99690199 0.11812291]

结构数组创建

• 利用字典来定义结构

personType = np.dtype({
    'names': ['name', 'age', 'weight'],
    'formats': ['U30', 'i8', 'f8']})

a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))

[('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)] <class 'numpy.ndarray'>

• 利用包含多个元组的列表来定义结构

personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')])
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))

[('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)] <class 'numpy.ndarray'>

5.数组属性

在使用 numpy 时，你会想知道数组的某些信息。很幸运，在这个包里边包含了很多便捷的方法，可以给你想要的信息。

• numpy.ndarray.ndim用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。
• numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。
• numpy.ndarray.size数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。
• numpy.ndarray.dtype ndarray 对象的元素类型。
• numpy.ndarray.itemsize以字节的形式返回数组中每一个元素的大小。

a = np.array([1, 2, 3, 4, 5])
print(a.shape)  # (5,)
print(a.dtype)  # int32
print(a.size)  # 5
print(a.ndim)  # 1
print(a.itemsize)  # 4

(5,)
int32
5
1
4