NumPy 1.26 中文官方指南(四)(1)

简介: NumPy 1.26 中文官方指南(四)

附加文件

术语表

原文:numpy.org/doc/1.26/glossary.html

(n,)

括号中跟着逗号的数字表示一个具有一个元素的元组。尾随逗号将一个元素元组与括号n区分开。

-1

  • 在维度入口中,指示 NumPy 选择长度,以保持数组元素总数不变。
>>> np.arange(12).reshape(4, -1).shape
(4, 3) 
  • 在索引中,任何负值表示从右边进行索引。

一个省略号

  • 当索引数组时,缺失的轴简称为全切片。
>>> a = np.arange(24).reshape(2,3,4) 
>>> a[...].shape
(2, 3, 4) 
>>> a[...,0].shape
(2, 3) 
>>> a[0,...].shape
(3, 4) 
>>> a[0,...,0].shape
(3,) 
  • 它最多可以使用一次;a[...,0,...]会引发一个IndexError
  • 在打印输出中,NumPy 用...替代大数组的中间元素。要查看整个数组,使用numpy.printoptions

Python 的切片操作符。在 ndarrays 中,切片可以应用于每个轴:

>>> a = np.arange(24).reshape(2,3,4)
>>> a
array([[[ 0,  1,  2,  3],
 [ 4,  5,  6,  7],
 [ 8,  9, 10, 11]],
 [[12, 13, 14, 15],
 [16, 17, 18, 19],
 [20, 21, 22, 23]]])
>>> a[1:,-2:,:-1]
array([[[16, 17, 18],
 [20, 21, 22]]]) 

尾部切片可以省略:

>>> a[1] == a[1,:,:]
array([[ True,  True,  True,  True],
 [ True,  True,  True,  True],
 [ True,  True,  True,  True]]) 

与 Python 不同,NumPy 中切片创建一个视图而不是副本。

详见组合高级和基本索引。

<

在 dtype 声明中,表示数据为小端(右边是大括号)。

>>> dt = np.dtype('<f')  # little-endian single-precision float 

在 dtype 声明中,表示数据为大端(左边是大括号)。

>>> dt = np.dtype('>H')  # big-endian unsigned short 

高级索引

而不是使用标量或切片作为索引,一个轴可以用数组作为索引,提供精细选择。这被称为高级索引或“花式索引”。

沿轴

数组a的操作沿轴 n的行为就好像它的参数是数组a的切片数组,每个切片在轴n上具有连续索引。

例如,如果a是一个 3 x N数组,沿轴 0 的操作表现得好像它的参数是包含每行切片的数组:

>>> np.array((a[0,:], a[1,:], a[2,:])) 

具体起见,我们可以选择操作为数组反转函数numpy.flip,它接受一个axis参数。我们构造一个 3 x 4 数组a

>>> a = np.arange(12).reshape(3,4)
>>> a
array([[ 0,  1,  2,  3],
 [ 4,  5,  6,  7],
 [ 8,  9, 10, 11]]) 

沿轴 0(行轴)翻转得到

>>> np.flip(a,axis=0)
array([[ 8,  9, 10, 11],
 [ 4,  5,  6,  7],
 [ 0,  1,  2,  3]]) 

回想沿轴的定义,沿轴 0 翻转是将其参数视为

>>> np.array((a[0,:], a[1,:], a[2,:]))
array([[ 0,  1,  2,  3],
 [ 4,  5,  6,  7],
 [ 8,  9, 10, 11]]) 

np.flip(a,axis=0)的结果是翻转切片:

>>> np.array((a[2,:],a[1,:],a[0,:]))
array([[ 8,  9, 10, 11],
 [ 4,  5,  6,  7],
 [ 0,  1,  2,  3]]) 

数组

在 NumPy 文档中与 ndarray 同义使用。

array_like

任何可以解释为 ndarray 的标量或序列。除了 ndarrays 和标量,此类别还包括列表(可能嵌套并具有不同的元素类型)和元组。由 numpy.array 接受的任何参数都是 array_like。

>>> a = np.array([[1, 2.0], [0, 0], (1+1j, 3.)])
>>> a
array([[1.+0.j, 2.+0.j],
 [0.+0.j, 0.+0.j],
 [1.+1.j, 3.+0.j]]) 

数组标量

数组标量是类型/类 float32,float64 等的实例。为了处理操作数的统一性,NumPy 将标量视为零维数组。相比之下,零维数组是包含精确一个值的 ndarray 实例。

数组维度的另一个术语。轴从左到右编号;轴 0 是形状元组中的第一个元素。

在二维矢量中,轴 0 的元素是行,轴 1 的元素是列。

在更高的维度中,情况就不一样了。NumPy 将更高维度的矢量打印为行列建造块的复制,就像这个三维矢量一样:

>>> a = np.arange(12).reshape(2,2,3)
>>> a
array([[[ 0,  1,  2],
 [ 3,  4,  5]],
 [[ 6,  7,  8],
 [ 9, 10, 11]]]) 

a被描述为一个其元素为 2x3 矢量的两元素数组。从这个角度来看,行和列分别是任何形状中的最终两个轴。

这个规则可以帮助你预测矢量将如何打印,反过来也可以帮助你找到任何打印元素的索引。例如,在这个例子中,8 的最后两个值的索引必须是 0 和 2。由于 8 出现在两个 2x3 中的第二个中,第一个索引必须是 1:

>>> a[1,0,2]
8 

在打印矢量时,计算维度的一个方便方法是在开括号后计数[符号。这在区分例如(1,2,3)形状和(2,3)形状时非常有用:

>>> a = np.arange(6).reshape(2,3)
>>> a.ndim
2
>>> a
array([[0, 1, 2],
 [3, 4, 5]]) 
>>> a = np.arange(6).reshape(1,2,3)
>>> a.ndim
3
>>> a
array([[[0, 1, 2],
 [3, 4, 5]]]) 

.base

如果一个数组没有拥有它的内存,那么它的基础属性会返回数组正在引用的对象的内存。该对象可能正在引用另一个对象的内存,因此拥有对象可能是a.base.base.base...。一些作家错误地声称测试base决定数组是否是视图。有关正确的方法,请参阅numpy.shares_memory

大端

请参见字节序

BLAS

基本线性代数子程序

广播

广播是 NumPy 处理不同大小的 ndarray 的能力,就好像它们都是相同大小一样。

它允许优雅的做-我-知道什么的行为,在这种情况下,将标量添加到向量会将标量值添加到每个元素。

>>> a = np.arange(3)
>>> a
array([0, 1, 2]) 
>>> a + [3, 3, 3]
array([3, 4, 5]) 
>>> a + 3
array([3, 4, 5]) 

通常,向量操作数必须全部具有相同的大小,因为 NumPy 逐元素工作——例如,c = a * b

c[0,0,0] = a[0,0,0] * b[0,0,0]
 c[0,0,1] = a[0,0,1] * b[0,0,1]
... 

但在某些有用的情况下,NumPy 可以沿着“缺失”的轴或“太短”的维度复制数据,使形状匹配。复制不会占用内存或时间。详情请参见广播。

C 顺序

与行主导相同。

列主导

查看行优先和列优先顺序

连续的

如果数组是连续的,则:

  • 它占据了一块连续的内存块,以及
  • 具有更高索引的数组元素占据更高地址(即,没有步长为负)。

有两种类型的适当连续的 NumPy 数组:

  • Fortran 连续数组指的是以列方式存储的数据,即存储在内存中的数据索引从最低维开始;
  • C 连续,或简单连续的数组,指的是以行方式存储的数据,即存储在内存中的数据索引从最高维开始。

对于一维数组,这些概念是相同的。

例如,2x2 数组A如果其元素按以下顺序存储在内存中,则为 Fortran 连续:

A[0,0] A[1,0] A[0,1] A[1,1] 

且如果顺序如下,则为 C 连续:

A[0,0] A[0,1] A[1,0] A[1,1] 

要测试数组是否为 C 连续,请使用 NumPy 数组的.flags.c_contiguous属性。要测试 Fortran 连续性,请使用.flags.f_contiguous属性。

拷贝

查看视图。

维度

查看轴。

数据类型

描述 ndarray 中(类型相同的)元素的数据类型。它可以更改以重新解释数组内容。详情请参见数据类型对象(dtype)。

精细索引

高级索引的另一个术语。

字段

在结构化数据类型中,每个子类型称为字段字段具有名称(字符串)、类型(任何有效的 dtype)和可选的标题。请参见数据类型对象(dtype)。

Fortran 顺序

与列主导相同。

展平

查看拉伸。

同质的

同质数组的所有元素具有相同类型。与 Python 列表相反,ndarrays 是同质的。类型可能很复杂,如结构化数组,但所有元素都具有该类型。

NumPy 的对象数组,其中包含指向 Python 对象的引用,起到异构数组的作用。

数据项大小

dtype 元素的字节大小。

小端

查看字节顺序

掩码

用于选��仅对某些元素进行操作的布尔数组:

>>> x = np.arange(5)
>>> x
array([0, 1, 2, 3, 4]) 
>>> mask = (x > 2)
>>> mask
array([False, False, False, True,  True]) 
>>> x[mask] = -1
>>> x
array([ 0,  1,  2,  -1, -1]) 

蒙版数组

坏的或缺失的数据可以通过将其放入蒙版数组中,该数组具有指示无效条目的内部布尔数组来干净地忽略。对于带有蒙版数组的操作会忽略这些条目。

>>> a = np.ma.masked_array([np.nan, 2, np.nan], [True, False, True])
>>> a
masked_array(data=[--, 2.0, --],
 mask=[ True, False,  True],
 fill_value=1e+20)
>>> a + [1, 2, 3]
masked_array(data=[--, 4.0, --],
 mask=[ True, False,  True],
 fill_value=1e+20) 

详情请参见蒙版数组。

矩阵

NumPy 的二维矩阵类不应再使用;请使用常规 ndarrays。

ndarray

NumPy 的基本结构。

对象数组

一个其数据类型为object的数组;即,它包含对 Python 对象的引用。对数组进行索引解引用 Python 对象,因此与其他 ndarrays 不同,对象数组具有能够保存异构对象的能力。

ravel

numpy.ravel 和 numpy.flatten 都会将 ndarray 展平。如果可能,ravel会返回视图;flatten总是返回副本。

展平将多维数组折叠为单个维度;如何完成此操作的详细信息(例如,a[n+1]应该是下一行还是下一列)是参数。

记录数组

允许以属性样式(a.field)访问的一个结构化数组,除了a['field']。详情请参见 numpy.recarray.

行主序

参见行主序和列主序。NumPy 默认以行主序创建数组。

标量

在 NumPy 中,通常是数组标量的同义词。

形状

显示 ndarray 每个维度的长度的元组。元组本身的长度即为维度的数量(numpy.ndim)。元组元素的乘积即为数组中的元素数量。详情请参见 numpy.ndarray.shape。

步幅

物理内存是一维的;步幅提供了一种将给定索引映射到内存地址的机制。对于 N 维数组,其strides属性是一个 N 元素元组;从索引i向轴n上的索引i+1前进意味着在地址上添加a.strides[n]个字节。

步幅会自动从数组的 dtype 和形状中计算,但也可以直接使用 as_strided 指定。

详情请参见 numpy.ndarray.strides。

要了解步进是如何支撑 NumPy 视图的强大功能,请参见NumPy 数组:高效数值计算的结构。

结构化数组

其 dtype 为结构化数据类型的数组。

结构化数据类型

用户可以创建包含其他数组和数据类型的任意复杂的 dtype,这些复合 dtype 被称为结构化数据类型。

子数组

嵌套在结构化数据类型中的数组,如此处的b

>>> dt = np.dtype([('a', np.int32), ('b', np.float32, (3,))])
>>> np.zeros(3, dtype=dt)
array([(0, [0., 0., 0.]), (0, [0., 0., 0.]), (0, [0., 0., 0.])],
 dtype=[('a', '<i4'), ('b', '<f4', (3,))]) 

子数组数据类型

表现得像一个 ndarray 的结构化数据类型的元素。

标题

结构化数据类型中字段名称的别名。

类型

在 NumPy 中,通常是 dtype 的同义词。对于更一般的 Python 含义,请参见此处。

ufunc

NumPy 的快速逐元素计算(向量化)可以选择应用哪个函数。该函数的通用术语是ufunc,缩写为universal function。NumPy 例程具有内置的 ufunc,但用户也可以编写自己的。

向量化

NumPy 把数组处理交给了 C 语言,在那里循环和计算比在 Python 中快得多。为了利用这一点,使用 NumPy 的程序员取消了 Python 循环,而是使用数组对数组操作。向量化 既可以指 C 的卸载,也可以指结构化 NumPy 代码以利用它。

视图

不触及底层数据,NumPy 可使一个数组看起来改变其数据类型和形状。

以此方式创建的数组是一个视图,而且 NumPy 经常利用使用视图而不是创建新数组来获得性能优势。

潜在的缺点是对视图的写入也可能改变原始数组。如果这是一个问题,NumPy 需要创建一个物理上不同的数组 - 一个copy.

一些 NumPy 例程总是返回视图,一些总是返回副本,有些可能返回其中之一,对于一些情况可以指定选择。管理视图和副本的责任落在程序员身上。numpy.shares_memory 可以检查b是否为a的视图,但精确答案并非总是可行,就像文档页面所解释的那样。

>>> x = np.arange(5)
>>> x
array([0, 1, 2, 3, 4]) 
>>> y = x[::2]
>>> y
array([0, 2, 4]) 
>>> x[0] = 3 # changing x changes y as well, since y is a view on x
>>> y
array([3, 2, 4]) 

发布说明

原文:numpy.org/doc/1.26/release.html

  • 1.26.0
  • 新功能
  • numpy.array_api中的数组 API v2022.12 支持
  • 支持更新的加速 BLAS/LAPACK 库
  • f2pymeson后端支持
  • f2pybind(c)支持
  • 改进
  • f2pyiso_c_binding支持
  • 构建系统变更
  • NumPy 特定的构建自定义
  • 构建依赖项
  • 故障排除
  • 贡献者
  • 已合并的拉取请求
  • 1.25.2
  • 贡献者
  • 已合并的拉取请求
  • 1.25.1
  • 贡献者
  • 已合并的拉取请求


NumPy 1.26 中文官方指南(四)(2)https://developer.aliyun.com/article/1510621

相关文章
|
6月前
|
Python
NumPy 1.26 中文官方指南(五)
NumPy 1.26 中文官方指南(五)
48 1
|
6月前
|
BI 索引 Python
NumPy 1.26 中文官方指南(一)(2)
NumPy 1.26 中文官方指南(一)
80 1
NumPy 1.26 中文官方指南(一)(2)
|
6月前
|
索引 Python
NumPy 1.26 中文官方指南(一)(4)
NumPy 1.26 中文官方指南(一)
61 1
|
6月前
|
存储 BI 索引
NumPy 1.26 中文官方指南(一)(3)
NumPy 1.26 中文官方指南(一)
44 1
|
6月前
|
存储 程序员 BI
NumPy 1.26 中文官方指南(一)(1)
NumPy 1.26 中文官方指南(一)
65 1
|
6月前
|
并行计算 PyTorch 算法框架/工具
NumPy 1.26 中文官方指南(三)(4)
NumPy 1.26 中文官方指南(三)
84 1
|
6月前
|
编译器 C语言 C++
NumPy 1.26 中文官方指南(三)(2)
NumPy 1.26 中文官方指南(三)
88 1
|
6月前
|
存储 数据建模 索引
NumPy 1.26 中文官方指南(三)(1)
NumPy 1.26 中文官方指南(三)
79 1
|
6月前
|
机器学习/深度学习 存储 数据可视化
NumPy 1.26 中文官方指南(二)(4)
NumPy 1.26 中文官方指南(二)
80 1
|
6月前
|
存储 数据可视化 数据挖掘
NumPy 1.26 中文官方指南(二)(2)
NumPy 1.26 中文官方指南(二)
91 0

相关实验场景

更多