虽然NumPy提供了数值数据操作的计算基础,但大多都把pandas作为统计、分析的基石,尤其是针对表格数据。pandas提供了更多的针对特定场景的函数功能,例如时间序列操作等NumPy等并不包含的功能。
NumPy:
- 它的设计对含有大量数组的数据非常有效。
- 在内部将数据存储在连续的内存块上。NumPy的算法库是C语言写的,在操作内存时,不需要任何检查或管理操作。NumPy数组使用的内存量也小于其他Python内建序列。
- NumPy可以针对全量数组进行复杂计算而不需要写Python循环。
ndarray:多维数组对象
ndarray是Python中的一个快速、灵活的大型数据集容器。即它包含的每一个元素均为相同类型。每个数组都有一个shape属性,用来表征数组每一维度的数量;dtype属性用来描述数组的数据类型。一个跨度元组(stride),其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。 如果没有指明,默认的数据类型是float64
1. 生成ndarray
函数 | 描述 |
---|
array | 将输入数据(可以是列表、元组、数组以及其他序列)转换为ndarray,如不显式指明数据类型,将自动推断 | asarray | 将输入转换为ndarray,但如果输入已经是ndarray则不再复制 | arange | Python内建函数range的数组版,返回一个数组 | ones | 根据给定形状和数据类型生成全1数组 | ones_like | 根据所给的数组生成一个形状一样的全1数组 | zeros | 根据给定形状和数据类型生成全0数组 | zeros_like | 根据所给的数组生成一个形状一样的全0数组 | empty | 根据给定形状生成一个没有初始化数值的空数组 | empty_like | 根据所给的数组生成一个形状一样但是没有初始化数值的空数组 | full | 根据给定形状和数据类型生成指定数值的数组 | full_like | 根据所给的数组生成一个形状一样但是内容是指定数值的数组 | eye, identity | 生成一个N*N特征矩阵(对角线都是1,其余位置为0) |
1.1 numpy.array
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数 | 说明 |
---|
object | 数组或嵌套的数列 | dtype | 数组元素的数据类型,可选 | copy | 对象是否需要复制,可选 | order | 创建数组的样式,C为行方向,F为列方向,A为任意方向(默认) | subok | 默认返回一个与基类类型一致的数组 | ndmin | 指定生成数组的最小维度 |
示例:列表的转换
data = [6, 7.5, 9, 0, 1]
arr = np.array(data)
print(arr)
结果: [6. 7.5 9. 0. 1. ] <class ‘numpy.ndarray’>
嵌套序列,例如等同长度的列表,会自动转换为多维数组。如下:
data2 = [[6, 7.5, 9, 0, 1], [1, 2, 3, 4, 5]]
arr = np.array(data2)
print(arr)
结果:[[6. 7.5 9. 0. 1. ] [1. 2. 3. 4. 5. ]] <class ‘numpy.ndarray’> 除非显式指定数据类型,否则np.array会自动推断生成数组的数据类型。可以通过查看array.dtype来查看数据类型。
1.2 numpy.empty 创建未初始化新数组
numpy.empty 方法用来创建一个指定形状(shape)、数据类型(dtype)且未初始化的数组: numpy.empty(shape, dtype = float, order = ‘C’)
参数 | 说明 |
---|
shape | 数组形状 | dtype | 数据类型,可选 | order | 有"C"和"F"两个选项,分别代表,行优先和列优先,在计算机内存中的存储元素的顺序。 |
import numpy as np
x = np.empty([3,2], dtype = int)
print (x)
结果: [[ 6917529027641081856 5764616291768666155] [ 6917529027641081859 -5764598754299804209] [ 4497473538 844429428932120]] 注意: 数组元素为随机值,因为它们未初始化。
1.3 numpy.zeros 创建全0新数组
创建指定大小的数组,数组元素以 0 来填充: numpy.zeros(shape, dtype = float, order = ‘C’)
参数 | 说明 |
---|
shape | 数组形状 | dtype | 数据类型,可选 | order | ‘C’ 用于 C 的行数组,或者 ‘F’ 用于 FORTRAN 的列数组 |
import numpy as np
x = np.zeros(5)
print(x)
y = np.zeros((5,), dtype = np.int)
print(y)
z = np.zeros((2,2), dtype = [('x', 'i4'), ('y', 'i4')])
print(z)
结果:
[0. 0. 0. 0. 0.]
[0 0 0 0 0]
[[(0, 0) (0, 0)]
[(0, 0) (0, 0)]]
1.4 numpy.ones 创建全1新数组
创建指定形状的数组,数组元素以 1 来填充: numpy.ones(shape, dtype = None, order = ‘C’)
参数 | 说明 |
---|
shape | 数组形状 | dtype | 数据类型,可选 | order | ‘C’ 用于 C 的行数组,或者 ‘F’ 用于 FORTRAN 的列数组 |
import numpy as np
x = np.ones(5)
print(x)
x = np.ones([2,2], dtype = int)
print(x)
结果:
[1. 1. 1. 1. 1.]
[[1 1]
[1 1]]
1.5 numpy.asarray
numpy.asarray(a, dtype = None, order = None)
参数 | 说明 |
---|
shape | 数组形状 | dtype | 数据类型,可选 | order | ‘C’ 用于 C 的行数组,或者 ‘F’ 用于 FORTRAN 的列数组 |
将列表转换为 ndarray:
import numpy as np
x = [1,2,3]
a = np.asarray(x)
print (a)
将元组转换为 ndarray:
import numpy as np
x = (1,2,3)
a = np.asarray(x)
print (a)
将元组列表转换为 ndarray:
import numpy as np
x = [(1,2,3),(4,5)]
a = np.asarray(x)
print (a)
1.6 numpy.frombuffer 实现动态数组
numpy.frombuffer 实现动态数组,接受 buffer 输入参数,以流的形式读入转化成 ndarray 对象。 numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0) 注意:buffer 是字符串的时候,Python3 默认 str 是 Unicode 类型,所以要转成 bytestring 在原 str 前加上 b。
参数 | 说明 |
---|
buffer | 可以是任意对象,会以流的形式读入。 | dtype | 返回数组的数据类型,可选 | count | 读取的数据数量,默认为-1,读取所有数据。 | offset | 读取的起始位置,默认为0。 |
import numpy as np
s = b'Hello World'
a = np.frombuffer(s, dtype = 'S1')
print (a)
1.7 numpy.fromiter
numpy.fromiter 方法从可迭代对象中建立 ndarray 对象,返回一维数组。 numpy.fromiter(iterable, dtype, count=-1)
参数 | 说明 |
---|
iterable | 可迭代对象 | dtype | 返回数组的数据类型 | count | 读取的数据数量,默认为-1,读取所有数据 |
import numpy as np
list=range(5)
it=iter(list)
x=np.fromiter(it, dtype=float)
print(x)
1.8 numpy.arange
numpy 包中的使用 arange 函数创建数值范围并返回 ndarray 对象,函数格式如下: numpy.arange(start, stop, step, dtype) 根据 start 与 stop 指定的范围以及 step 设定的步长,生成一个 ndarray。
参数 | 说明 |
---|
start | 起始值,默认为0 | stop | 终止值(不包含) | step | 步长,默认为1 | dtype | 返回ndarray的数据类型,如果没有提供,则会使用输入数据的类型。 |
import numpy as np
x = np.arange(5)
print (x)
设置了起始值、终止值及步长:
import numpy as np
x = np.arange(10,20,2)
print (x)
1.9 numpy.linspace
numpy.linspace 函数用于创建一个一维数组,数组是一个等差数列构成的 np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
参数 | 说明 |
---|
start | 序列的起始值 | stop | 序列的终止值,如果endpoint为true,该值包含于数列中 | num | 要生成的等步长的样本数量,默认为50 | endpoint | 该值为 true 时,数列中包含stop值,反之不包含,默认是True。 | retstep | 如果为 True 时,生成的数组中会显示间距,反之不显示。 | dtype | ndarray 的数据类型 |
import numpy as np
a = np.linspace(1,10,10)
print(a)
设置元素全部是1的等差数列:
import numpy as np
a = np.linspace(1,1,10)
print(a)
1.10 numpy.logspace
numpy.logspace 函数用于创建一个于等比数列。格式如下: np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
参数 | 说明 |
---|
start | 序列的起始值为:base ** start | stop | 序列的终止值为:base ** stop。如果endpoint为true,该值包含于数列中 | num | 要生成的等步长的样本数量,默认为50 | endpoint | 该值为 true 时,数列中中包含stop值,反之不包含,默认是True。 | base | 对数 log 的底数。 | dtype | ndarray 的数据类型 |
import numpy as np
a = np.logspace(1.0, 2.0, num = 10)
print (a)
将对数的底数设置为 2 :
import numpy as np
a = np.logspace(0,9,10,base=2)
print (a)
|