Python中的Numpy数组
来源:互联网 发布:linux snmp 编辑:程序博客网 时间:2024/05/18 00:42
转载:http://blog.csdn.net/sunny2038/article/details/9002531
NumPy数组
NumPy数组是一个多维数组对象,称为ndarray。其由两部分组成:
- 实际的数据
- 描述这些数据的元数据
大部分操作仅针对于元数据,而不改变底层实际的数据。
关于NumPy数组有几点必需了解的:
- NumPy数组的下标从0开始。
- 同一个NumPy数组中所有元素的类型必须是相同的。
NumPy数组属性
在详细介绍NumPy数组之前。先详细介绍下NumPy数组的基本属性。NumPy数组的维数称为秩(rank),一维数组的秩为1,二维数组的秩为2,以此类推。在NumPy中,每一个线性的数组称为是一个轴(axes),秩其实是描述轴的数量。比如说,二维数组相当于是两个一维数组,其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是NumPy中的轴(axes),第一个轴相当于是底层数组,第二个轴是底层数组里的数组。而轴的数量——秩,就是数组的维数。
NumPy的数组中比较重要ndarray对象属性有:
ndarray.ndim:数组的维数(即数组轴的个数),等于秩。最常见的为二维数组(矩阵)。
ndarray.shape:数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中,表示数组的“行数”和“列数”。ndarray.shape返回一个元组,这个元组的长度就是维度的数目,即ndim属性。
ndarray.size:数组元素的总个数,等于shape属性中元组元素的乘积。
ndarray.dtype:表示数组中元素类型的对象,可使用标准的python类型创建或指定dtype。另外也可使用前一篇文章中介绍的NumPy提供的数据类型。
ndarray.itemsize:数组中每个元素的字节大小。例如,一个元素类型为float64的数组itemsiz属性值为8(float64占用64个bits,每个字节长度为8,所以64/8,占用8个字节),又如,一个元素类型为complex32的数组item属性为4(32/8)。
- ndarray.data:包含实际数组元素的缓冲区,由于一般通过数组的索引获取元素,所以通常不需要使用这个属性。
创建数组
先来介绍创建数组。创建数组的方法有很多。如可以使用array函数从常规的Python列表和元组创造数组。所创建的数组类型由原序列中的元素类型推导而来。使用array函数创建时,参数必须是由方括号括起来的列表,而不能使用多个数值作为参数调用array。 可使用双重序列来表示二维的数组,三重序列表示三维数组,以此类推。
可以在创建时显式指定数组中元素的类型
通常,刚开始时数组的元素未知,而数组的大小已知。因此,NumPy提供了一些使用占位符创建数组的函数。这些函数有助于满足除了数组扩展的需要,同时降低了高昂的运算开销。
用函数zeros可创建一个全是0的数组,用函数ones可创建一个全为1的数组,函数empty创建一个内容随机并且依赖与内存状态的数组。默认创建的数组类型(dtype)都是float64。
可以哟娜特d.dtype.itemsize来查看数组中元素占用的字节数目。
当arange使用浮点数参数时,由于浮点数精度有限,通常无法预测获得的元素个数。因此,最好使用函数linspace去接收我们想要的元素个数来代替用range来指定步长。linespace用法如下,将在通用函数一节中详细介绍。
数组中的元素是通过下标来访问的,可以通过方括号括起一个下标来访问数组中单一一个元素,也可以以切片的形式访问数组中多个元素。关于切片访问,将在切片一节介绍。知识点:NumPy中的数据类型
对于科学计算来说,Python中自带的整型、浮点型和复数类型远远不够,因此NumPy中添加了许多数据类型。如下:
NumPy类型转换方式如下:
输出数组
当输出一个数组时,NumPy以特定的布局用类似嵌套列表的形式显示:
- 第一行从左到右输出
- 每行依次自上而下输出
- 每个切片通过一个空行与下一个隔开
- 一维数组被打印成行,二维数组成矩阵,三维数组成矩阵列表。
reshape将在下一篇文章中介绍 如果一个数组太长,则NumPy自动省略中间部分而只打印两端的数据: 可通过设置printoptions参数来禁用NumPy的这种行为并强制打印整个数组。这样,输出时数组的所有元素都会显示出来。
索引,切片和迭代
和列表和其它Python序列一样,一维数组可以进行索引、切片和迭代操作。
- Python中的Numpy数组
- python笔记之NUMPY中的掩码数组numpy.ma.mask
- Python: NumPy中的多维数组ndarray
- Python: NumPy中的多维数组ndarray
- Python Numpy数组保存
- Python Numpy数组保存
- Python Numpy数组保存
- Python Numpy数组保存
- Python+Numpy------数组运算
- Python Numpy Tutorials: 数组
- Python Numpy数组保存
- Python中的二维数组(list与numpy.array)
- python列表的嵌套,嵌套循环,numpy中的数组
- Python中的Numpy的数组存取方法集合
- Python中的二维数组(list与numpy.array)
- Numpy中的数组<矩阵>
- numpy中的数组排序
- numpy中的数组切片
- Hibernate3.0新增JPA注解
- js 将json字符串转换为json对象的方法解析
- CSS之创建等高列布局之二
- 开发是基础与核心,运营的理念才能让产品飞起来
- JAVA中字符串比较equals()和equalsIgnoreCase()的区别
- Python中的Numpy数组
- 软件精确定时子函数
- Labview数组应用实例
- 解决java.lang.IllegalArgumentException: No converter found for return value of type: class java.util
- vysor技术实现原理(投屏不包括鼠标控制)
- 学习笔记——Dialog回调
- 权限系统与RBAC模型概述[绝对经典]
- 【Java基础 五】---输入输出io流
- wso2 API 调研