python numpy库
L-M-Y 人气:01.NumPy( Numeric Python)
numpy
是一个开源的python
科学计算扩展库,主要用来处理任意维度数组和矩阵。
相同的任务,使用numpy
比直接用python
的基本数据结构更加简单高效。
它的功能:
- 包含一个强大的N维数组对象
Ndarray
- 广播功能函数
- 整合C/C++代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
numpy
是scipy
,pandas
等数据处理或科学计算库的基础
2.numpy的引用
虽说别名可以省略或者更改,但尽量使用上述约定的别名
3.Ndarray
n维数组,它是一个相同数据类型的集合,以0为下标开始进行集合中元素的索引。
我们知道,python
有列表和数组此类的数据结构。
列表:数据类型可以不同(如[3, 2.4 ,‘a’ ,“abc”]),数据是有序的
数组:数据类型相同(如[1,2,3,4])
集合: (如{2,4,3,5,7})数据是无序的
引入n维数组的意义
观察下列两组操作,其功能都是一样的。
import numpy as np def pysum(): a = [1, 2, 3, 4] b = [5, 6, 7, 8] c = [] for i in range(len(a)): c.append(a[i]**2+b[i]**3) return c def numpysum(): a = np.array([1, 2, 3, 4]) b = np.array([5, 6, 7, 8]) c = a**2+b**3 return c print("使用列表运算的结果是:", pysum()) print("使用Numpy运算的结果是:", numpysum())
运行结果:
使用列表运算的结果是: [126, 220, 352, 528]
使用Numpy运算的结果是: [126 220 352 528]
但是很明显:
numpy
的数组对象可以去掉元素建运算所需要的循环,使一维向量更像单个数据numpy
通过设立专门的数组对象,经过优化,运算速度也相应提升
通常情况下,在科学运算中,一个维度所有数据的类型往往相同,这时,使用数组对象采用相同的数据类型,有助于节省运算时间和存储空间
ndarray的组成
- 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对象的属性
3.数据类型
当np.array()
不指定dtype
时,numpy
将根据数据情况关联一个dtype
类型
ndarray
支持多种数据类型的原因python
基本语法只支持整数、浮点数和复数3种类型- 科学计算涉及数据较多,对存储和性能都有较高要求
- 对元素类型精细定义,有助于
numpy
合理使用存储空间并优化性能 - 对元素类型精细定义,有助于程序员对程序规模有合理评估
ndarray数组的创建
import numpy as np x = np.array([[1, 0], [2, 0], [3, 1]], np.int32) print(x) print(x.dtype)
程序输出:
[[1 0]
[2 0]
[3 1]]
int32
adarray数组的变换
ndarray数组运算
4.索引与切片
- 索引:获取数组中特定位置元素的过程
- 切片:获取数组元素子集的过程
5.随机数函数
6.统计函数
7.梯度函数
8.副本与视图
numpy线性代数
数组与标量之间的运算
常用numpy.linalg函数总结
(好家伙,numpy
内置函数太多了…)
加载全部内容