Python 科学计算库 NumPy 学习笔记 - 1 - Nu

电梯直达：
Python 科学计算库 NumPy 学习笔记 - 1
Python 科学计算库 NumPy 学习笔记 - 2
Python 科学计算库 NumPy 学习笔记 - 3
Python 科学计算库 NumPy 学习笔记 - 4
Python 科学计算库 NumPy 学习笔记 - 5
Python 科学计算库 NumPy 学习笔记 - 6
Python 科学计算库 NumPy 学习笔记 - 7
Python 科学计算库 NumPy 学习笔记 - 8

1. NumPy 的安装和引入

pip install numpy

import numpy as np
np.__version__

'1.19.0'

2. Python 中的数据类型

Python 是一种动态类型语言。因此，Python 变量不仅仅是一个简单的值，它们还包含关于数据类型等额外信息。

Python 列表中的每个项都必须包含自己的类型信息、引用计数和其他信息，如果列表的所有元素都是同一类型，那这些重复的信息就是冗余的。这种情况，将数据存储在固定类型数组中会更好。

在 Python 种，可以通过下面这种方式创建固定类型数组：

import array
a = list(range(5))
A = array.array('i', a)
A

array('i', [0, 1, 2, 3, 4])

其中，i 表示列表中每一个元素的数据类型都是整数，即 integers。

3. NumPy 利用 Python 列表创建数组

import numpy as np
np.array([1, 2, 3])

array([1, 2, 3])

如果数据类型不同，NumPy 将会尝试转换为统一的数据类型。

np.array([1.1, 2, 3])

array([1.1, 2. , 3. ])

也可以使用 dtype 参数指定数据类型：

np.array([1.9, 2, 3], dtype='int')

array([1, 2, 3])

利用列表初始化多维数组：

np.array([range(i, i+5) for i in [1, 2, 3]])

array([[1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6],
       [3, 4, 5, 6, 7]])

4. NumPy 从零开始创建数组

创建一个用 0 填充的，长度为 5 的整数数组：

np.zeros(5, dtype='int')

array([0, 0, 0, 0, 0])

创建一个由6个值组成的数组，这些值在0和1之间均匀分布:

np.linspace(0, 1, 6)

array([0. , 0.2, 0.4, 0.6, 0.8, 1. ])

用大于等于 0 且小于 10 的数字创建一个 3x3 的矩阵：

np.random.randint(0, 10, (3, 3))

array([[6, 3, 4],
       [6, 5, 2],
       [2, 7, 9]])

5. NumPy 标准数据类型

数据类型	描述
bool_	布尔值 (True or False) ，以字节形式存储
int_	默认整数类型，与 C 语言的 long 相同，通常为 int64 或 int32
intc	与 C 语言的 int 相同（通常为int32或int64）
intp	Integer used for indexing (same as C ssize_t; normally either int32 or int64)
int8	Byte (-128 to 127)
int16	Integer (-32768 to 32767)
int32	Integer (-2147483648 to 2147483647)
int64	Integer (-9223372036854775808 to 9223372036854775807)
uint8	Unsigned integer (0 to 255)
uint16	Unsigned integer (0 to 65535)
uint32	Unsigned integer (0 to 4294967295)
uint64	Unsigned integer (0 to 18446744073709551615)
float_	Shorthand for float64.
float16	Half precision float: sign bit, 5 bits exponent, 10 bits mantissa
float32	Single precision float: sign bit, 8 bits exponent, 23 bits mantissa
float64	Double precision float: sign bit, 11 bits exponent, 52 bits mantissa
complex_	Shorthand for complex128.
complex64	Complex number, represented by two 32-bit floats
complex128	Complex number, represented by two 64-bit floats

6. NumPy 数组的属性

• ndim : 数组的维度
• shape : 数组每个维度的大小
• size : 数组的总大小. 每个维度的大小的乘积.
• dtype : 元素类型
• itemsize : 元素字节大小
• nbytes : 数组总字节大小. 一般可认为 itemsize * size

x = np.random.randint(10, size=(2, 4, 6))
print(x)
print(x.ndim)
print(x.shape)
print(x.size)
print(x.dtype)
print(x.itemsize)
print(x.nbytes)

[[[9 3 0 2 1 8]
  [8 2 5 7 2 4]
  [8 3 8 8 5 3]
  [1 9 2 7 8 1]]

 [[2 2 5 9 5 1]
  [9 1 4 0 0 2]
  [1 8 2 6 4 4]
  [4 3 1 8 0 2]]]
3
(2, 4, 6)
48
int32
4
192

7. NumPy 数组的索引值

x[1, 3, 5]

2

x[1, 3, 5] = 3
x

array([[[9, 3, 0, 2, 1, 8],
        [8, 2, 5, 7, 2, 4],
        [8, 3, 8, 8, 5, 3],
        [1, 9, 2, 7, 8, 1]],

       [[2, 2, 5, 9, 5, 1],
        [9, 1, 4, 0, 0, 2],
        [1, 8, 2, 6, 4, 4],
        [4, 3, 1, 8, 0, 3]]])