科学计算工具NumPy（1）：ndarray的创建于数据类型
科学计算工具NumPy（2）：ndarray的矩阵处理
科学计算工具NumPy（3）：ndarray的元素处理
Numpy（Numerical Python）
Numpy：提供了一个在Python中做科学计算的基础库，重在数值计算，主要用于多维数组（矩阵）处理的库。用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多。本身是由C语言开发，是个很基础的扩展，Python其余的科学计算扩展大部分都是以此为基础。
高性能科学计算和数据分析的基础包
ndarray，多维数组（矩阵），具有矢量运算能力，快速、节省空间
矩阵运算，无需循环，可完成类似Matlab中的矢量运算
线性代数、随机数生成
import numpy as np
Scipy
Scipy ：基于Numpy提供了一个在Python中做科学计算的工具集，专为科学和工程设计的Python工具包。主要应用于统计、优化、整合、线性代数模块、傅里叶变换、信号和图像处理、常微分方程求解、稀疏矩阵等，在数学系或者工程系相对用的多一些，和数据处理的关系不大， 我们知道即可，这里不做讲解。
在NumPy库的基础上增加了众多的数学、科学及工程常用的库函数
线性代数、常微分方程求解、信号处理、图像处理
一般的数据处理numpy已经够用
import scipy as sp
ndarray的创建于数据类型
NumPy数组是一个多维的数组对象（矩阵），称为ndarray，具有矢量算术运算能力和复杂的广播能力，并具有执行速度快和节省空间的特点。
注意：ndarray的下标从0开始，且数组里的所有元素必须是相同类型
ndarray拥有的属性
ndim属性：维度个数
shape属性：维度大小
dtype属性：数据类型
ndarray的随机创建
通过随机抽样 (numpy.random) 生成随机数据。
# 导入numpy，别名np import numpy as np # 生成指定维度大小（3行4列）的随机多维浮点型数据（二维），rand固定区间0.0 ~ 1.0 arr = np.random.rand(3, 4) print(arr) print(type(arr)) # 生成指定维度大小（3行4列）的随机多维整型数据（二维），randint()可以指定区间（-1, 5） arr = np.random.randint(-1, 5, size = (3, 4)) # 'size='可省略 print(arr) print(type(arr)) # 生成指定维度大小（3行4列）的随机多维浮点型数据（二维），uniform()可以指定区间（-1, 5） arr = np.random.uniform(-1, 5, size = (3, 4)) # 'size='可省略 print(arr) print(type(arr)) print('维度个数: ', arr.ndim) print('维度大小: ', arr.shape) print('数据类型: ', arr.dtype)
运行结果：
[[ 0.09371338 0.06273976 0.22748452 0.49557778] [ 0.30840042 0.35659161 0.54995724 0.018144 ] [ 0.94551493 0.70916088 0.58877255 0.90435672]] <class 'numpy.ndarray'> [[ 1 3 0 1] [ 1 4 4 3] [ 2 0 -1 -1]] <class 'numpy.ndarray'> [[ 2.25275308 1.67484038 -0.03161878 -0.44635706] [ 1.35459097 1.66294159 2.47419548 -0.51144655] [ 1.43987571 4.71505054 4.33634358 2.48202309]] <class 'numpy.ndarray'> 维度个数: 2 维度大小: (3, 4) 数据类型: float64
ndarray的序列创建
1. np.array(collection)
collection 为 序列型对象(list)、嵌套序列对象(list of list)。
# list序列转换为 ndarray lis = range(10) arr = np.array(lis) print(arr) # ndarray数据 print(arr.ndim) # 维度个数 print(arr.shape) # 维度大小 # list of list嵌套序列转换为ndarray lis_lis = [range(10), range(10)] arr = np.array(lis_lis) print(arr) # ndarray数据 print(arr.ndim) # 维度个数 print(arr.shape) # 维度大小
运行结果：
# list序列转换为 ndarray [0 1 2 3 4 5 6 7 8 9] 1 (10,) # list of list嵌套序列转换为 ndarray [[0 1 2 3 4 5 6 7 8 9] [0 1 2 3 4 5 6 7 8 9]] 2 (2, 10)
2. np.zeros()
指定大小的全0数组。注意：第一个参数是元组，用来指定大小，如(3, 4)。
3. np.ones()
指定大小的全1数组。注意：第一个参数是元组，用来指定大小，如(3, 4)。
4. np.empty()
初始化数组，不是总是返回全0，有时返回的是未初始的随机值（内存里的随机值）。
# np.zeros zeros_arr = np.zeros((3, 4)) # np.ones ones_arr = np.ones((2, 3)) # np.empty empty_arr = np.empty((3, 3)) # np.empty 指定数据类型 empty_int_arr = np.empty((3, 3), int) print('------zeros_arr-------') print(zeros_arr) print('\n------ones_arr-------') print(ones_arr) print('\n------empty_arr-------') print(empty_arr) print('\n------empty_int_arr-------') print(empty_int_arr)
运行结果：
------zeros_arr------- [[ 0. 0. 0. 0.] [ 0. 0. 0. 0.] [ 0. 0. 0. 0.]] ------ones_arr------- [[ 1. 1. 1.] [ 1. 1. 1.]] ------empty_arr------- [[ 0. 0. 0.] [ 0. 0. 0.] [ 0. 0. 0.]] ------empty_int_arr------- [[0 0 0] [0 0 0] [0 0 0]]
5. np.arange() 和 reshape()
arange() 类似 python 的 range() ，创建一个一维 ndarray 数组。
reshape() 将 重新调整数组的维数。
# np.arange() arr = np.arange(15) # 15个元素的 一维数组 print(arr) print(arr.reshape(3, 5)) # 3x5个元素的 二维数组 print(arr.reshape(1, 3, 5)) # 1x3x5个元素的 三维数组
运行结果
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]] [[[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]]]
6. np.arange() 和 random.shuffle()
random.shuffle() 将打乱数组序列（类似于洗牌）。
arr = np.arange(15) print(arr) np.random.shuffle(arr) print(arr) print(arr.reshape(3,5))
运行结果：
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] [ 5 8 1 7 4 0 12 9 11 2 13 14 10 3 6] [[ 5 8 1 7 4] [ 0 12 9 11 2] [13 14 10 3 6]]
ndarray的数据类型
1. dtype参数
指定数组的数据类型，类型名+位数，如float64, int32
2. astype方法
转换数组的数据类型
# 初始化3行4列数组，数据类型为float64 zeros_float_arr = np.zeros((3, 4), dtype=np.float64) print(zeros_float_arr) print(zeros_float_arr.dtype) # astype转换数据类型，将已有的数组的数据类型转换为int32 zeros_int_arr = zeros_float_arr.astype(np.int32) print(zeros_int_arr) print(zeros_int_arr.dtype)
运行结果：
[[ 0. 0. 0. 0.] [ 0. 0. 0. 0.] [ 0. 0. 0. 0.]] float64 [[0 0 0 0] [0 0 0 0] [0 0 0 0]] int32
