numpy的使用说明(二):这一章设计很多重要知识点(必看)(一)

简介: numpy的使用说明(二):这一章设计很多重要知识点(必看)(一)

1、numpy中ndarray的一些常用属性

ndim:返回数组的维数;

shape:返回数组的形状;

dtype:返回数组元素的数据类型;

size:返回数组中元素的个数;

itemsize:返回数组中每一个元素占用空间的大小,以字节为单位;

nbytes:返回数组中所有元素占用空间的大小,以字节为单位;

1)举例说明

x = np.arange(10).reshape(2,5)
display(x)
display(x.ndim)       
display(x.shape)
display(x.dtype)
display(x.size)
display(x.itemsize)
display(x.nbytes)


结果如下:

image.png


2)单独说一下属性itemsize和nbytes的含义

image.png


2、列表与数组之间的相互转化

1)列表转数组:直接将一个列表当作array()函数的参数即可;

import numpy as np
list1 = list(range(10))
display(list1)
array1 = np.array(list1)
display(array1)


结果如下:

image.png


2)数组转列表:tolist()

import numpy as np
array2 = np.arange(10).reshape(2,5)
display(array2)
list2 = array2.tolist()
display(list2)
array3 = np.arange(10)
display(array3)
list3 = array3.tolist()
display(list3)


结果如下:

image.png


3、numpy中的常数(了解)

正无穷:Inf = inf = infty = Infinity = PINF

负无穷:NINF

正零:PZERO

负零:NZERO

非数值:nan = NaN = NAN

自然数e:e

π:pi

伽马:euler_gamma

None:newaxis

操作如下:


display(np.inf)
display(np.NINF)
display(np.PZERO)
display(np.NZERO)
display(np.nan)
display(np.e)
display(np.pi)
display(np.euler_gamma)
display(np.newaxis)


结果如下:

image.png

相关文章
|
存储 数据可视化 数据挖掘
Numpy的21个常用知识点(3)
Numpy的21个常用知识点(3)
Numpy的21个常用知识点(3)
|
机器学习/深度学习 索引 Python
Numpy的21个常用知识点(2)
Numpy的21个常用知识点(2)
Numpy的21个常用知识点(2)
|
编译器 TensorFlow 算法框架/工具
Numpy的21个常用知识点(1)
Numpy的21个常用知识点(1)
Numpy的21个常用知识点(1)
numpy的使用说明(二):这一章设计很多重要知识点(必看)(三)
numpy的使用说明(二):这一章设计很多重要知识点(必看)(三)
numpy的使用说明(二):这一章设计很多重要知识点(必看)(三)
numpy的使用说明(二):这一章设计很多重要知识点(必看)(二)
numpy的使用说明(二):这一章设计很多重要知识点(必看)(二)
numpy的使用说明(二):这一章设计很多重要知识点(必看)(二)
|
存储 C语言 索引
numpy的使用说明(五):数组的广播机制、数组元素的底层存储(二)
numpy的使用说明(五):数组的广播机制、数组元素的底层存储(二)
numpy的使用说明(五):数组的广播机制、数组元素的底层存储(二)
|
存储 Python
numpy的使用说明(五):数组的广播机制、数组元素的底层存储(一)
numpy的使用说明(五):数组的广播机制、数组元素的底层存储(一)
numpy的使用说明(五):数组的广播机制、数组元素的底层存储(一)
|
索引 Python
numpy的使用说明(三):numpy中切片和索引详解(三)
numpy的使用说明(三):numpy中切片和索引详解(三)
numpy的使用说明(三):numpy中切片和索引详解(三)
|
存储 索引 Python
numpy的使用说明(三):numpy中切片和索引详解(二)
numpy的使用说明(三):numpy中切片和索引详解(二)
numpy的使用说明(三):numpy中切片和索引详解(二)
|
3月前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
117 3