NumPy 数组对象
来源:互联网 发布:java完全自学手册app 编辑:程序博客网 时间:2024/06/18 07:01
NumPy 数组对象
# 来源:NumPy Essentials ch2
数组索引和切片
# 创建 100x100 个 0~1 随机数x = np.random.random((100, 100)) # 取第 42 行 87 列的元素(从零开始)y = x[42, 87]# 取第 k 行的所有元素# 等价于 x[k] 和 x[k, ...]print(x[k, :]) a = np.array([[10 * y + x for x in range(6)] for y in range(6)])'''+--+--+--+--+--+--+| 0| 1| 2| 3| 4| 5|+--+--+--+--+--+--+|10|11|12|13|14|15|+--+--+--+--+--+--+|20|21|22|23|24|25|+--+--+--+--+--+--+|30|31|32|33|34|35|+--+--+--+--+--+--+|40|41|42|43|44|45|+--+--+--+--+--+--+|50|51|52|53|54|55|+--+--+--+--+--+--+'''a[0, 3:5]'''array([3, 4])+--+--+--+--+--+--+| | | | 3| 4| |+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+'''a[4: ,4:]'''array([[44, 45], [54, 55]])+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+| | | | |44|45|+--+--+--+--+--+--+| | | | |54|55|+--+--+--+--+--+--+'''a[:, 2]'''array([ 2, 12, 22, 32, 42, 52])+--+--+--+--+--+--+| | | 2| | | |+--+--+--+--+--+--+| | |12| | | |+--+--+--+--+--+--+| | |22| | | |+--+--+--+--+--+--+| | |32| | | |+--+--+--+--+--+--+| | |42| | | |+--+--+--+--+--+--+| | |52| | | |+--+--+--+--+--+--+'''a[2::2, ::2]'''array([[20, 22, 24], [40, 42, 44]])+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+|20| |22| | |24|+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+|40| |42| | |44|+--+--+--+--+--+--+| | | | | | |+--+--+--+--+--+--+'''
内存布局
# flags 属性保存了数组的内存布局信息print x.flags''' C_CONTIGUOUS : True F_CONTIGUOUS : False OWNDATA : True WRITEABLE : True ALIGNED : True UPDATEIFCOPY : False C_CONTIGUOUS:是否为 C 风格连续,也就是行为主,最后一个维度是连续的F_CONTIGUOUS:是否为 F 风格连续,也就是列为主,第一个维度是连续的OWNDATA:是否拥有数据,视图不拥有数据WRITEABLE:是否可写ALIGNED:是否对齐UPDATEIFCOPY:'''# NumPy 默认是 C 风格连续c_array = np.random.rand(10000, 10000) # 可以手动转换为 F 风格连续f_array = np.asfortranarray(c_array) def sum_row(x): ''' 计算第零行的和 ''' return np.sum(x[0, :])def sum_col(x): ''' 计算第零列的和 ''' return np.sum(x[:, 0])'''我们可以看到,C 风格数组按行访问比较快F 风格数组按列访问比较快%timeit sum_row(c_array) 10000 loops, best of 3: 21.2 µs per loop %timeit sum_row(f_array) 10000 loops, best of 3: 157 µs per loop %timeit sum_col(c_array) 10000 loops, best of 3: 162 µs per loop %timeit sum_col(f_array) 10000 loops, best of 3: 21.4 µs per loop '''
副本和视图
# 视图不共享 NumPy 对象,共享底层数据# 副本不共享 NumPy 对象,不共享底层数据x = np.random.rand(100,10)# 切片和索引都会产生视图# 而不是副本y = x[:5, :] # 看看底层内存是否一致np.may_share_memory(x, y)# True# 我们将 y 所有元素清零y[:] = 0# 并打印 x 前 5 行print(x[:5, :])'''[[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]] '''# 但是这样不会产生视图x = np.random.rand(100,10)y = np.empty([5, 10])y[:] = x[:5, :]np.may_share_memory(x, y)# False y[:] = 0 print(x[:5, :])
数组创建
# 最简单的方式就是从 Python 列表创建 NumPy 数组x = np.array([1, 2, 3])y = np.array(['hello', 'world']) # 但有时我们想创建范围内的数值数组x = range(5)y = np.array(x) # NumPy 有个辅助函数# 等价于上面的操作x = np.arange(5) # 多维数组也是一样的x = np.array([[1, 2, 3],[4, 5, 6]]) x.ndim # 2x.shape # (2, 3)# rand 创建指定形状的数组,元素为 0~1 的随机数x = np.random.rand(2, 2, 2) print(x.shape) # (2, 2, 2)# random 和 rand 相似# 只是接受元组形式的形状shape_tuple = (2, 3, 4) y = np.random.random(shape_tuple)print(y.shape) # (2, 3, 4) # randint(l, h, size=sz) 创建 l ~ h-1 的随机整数# 默认是 10 个LOW, HIGH = 1, 11 SIZE = 10x = np.random.randint(LOW, HIGH, size=SIZE) print(x) [ 6 9 10 7 9 5 8 8 9 3] # 还有一些其它的创建函数# zeros(size) 和 ones(size) 创建指定形状的全零或全一数组# eye(n) 创建 n 维单位矩阵# full(size, n) 创建指定形状的纯量数组,所有元素都为 n
数据类型
x = np.random.random((10,10)) # dtype 属性是数据类型x.dtype # dtype('float64') x = np.array(range(10)) x.dtype # dtype('int32') x = np.array(['hello', 'world']) x.dtype # dtype('S5') # 创建数组时可以指定数据类型# 我们可以传入 NumPy 类型x = np.ones((10, 10), dtype=np.int) x.dtype # dtype('int32') # 也可以传入表示类型的字符串x = np.zeros((10, 10), dtype='|S1')x.dtype # dtype('S1') # NumPy 会使用它们来构造 dtype# 完整列表请见# http://docs.scipy.org/doc/numpy/user/basics.types.html
阅读全文
0 0
- numpy ndarray 数组对象
- NumPy 数组对象
- numpy-数组对象ndarray
- NumPy 数组对象
- numpy数组 ndarray对象基本知识
- NumPy基础 -- 1. ndarray (多维数组对象)
- numpy基础入门-多维数组对象
- Numpy数组
- NumPy数组
- numpy数组
- numpy数组
- Numpy数组
- Numpy数组
- Numpy——ndarray对象(1):创建数组
- Chapter4-1 NumPy的ndarray:一种多维数组对象
- NumPy的ndArray——多维数组对象
- Python科学计算--NumPy的数组对象ndarray
- python:NumPy基础(1),ndarray多维数组对象
- Spark2.1.1<scala版本不兼容问题>
- NYOJ 14会场安排问题
- 数据处理(三)高级部分数据聚合
- Java的高级类特性二
- 指针与引用
- NumPy 数组对象
- 函数中的引用
- 数据结构经典面试题(转)
- Spring mvc数据转换与格式化
- 如何区分重载、重写(覆盖)和隐藏
- freemarker的classic_compatible
- HTML实体符号代码速查表
- LeetCode 39. Combination Sum 解题博客
- 字母统计