python(3) 之numpy数据（一）

心已赠人 2022-05-25 10:17 189阅读 0赞

最近太忙太忙，停更了一段时间  
还是放慢一下步子，整理一下  
我用来学习的是Py3版本  
这里面有的是用Py2写的，有用到的区别自己查一下

## 1.纯python运算和Numpy库运算比较 ##

#关于向量相加的两种方法及其用时
    
    from datetime import datetime
    import time
    import numpy as np
    
    #向量相加-Python
    def pythonsum(n):
        a = list(range(n))
        print(type(a))
        b = list(range(n))
        c = []
        for i in range(len(a)):
            a[i] = i ** 2
            b[i] = i ** 3
            c.append(a[i] + b[i])
        return c
    
    #向量相加-NumPy
    
    def numpysum(n):
        a = np.arange(n) ** 2
        print(type(a))
        b = np.arange(n) ** 3
        c = a + b
        return c
    
    
    #效率比较
    size = 10
    #pythonsum函数用时
    start_time = datetime.now()
    v = pythonsum(size)
    print(v)
    end_time = datetime.now()
    detal = end_time - start_time
    print("倒数两个数字是：",v[-2:])
    print("pythonsum函数所用时间是：",detal.microseconds)
    
    #numpysum函数用时
    start_time = datetime.now()
    f = numpysum(size)
    print(f)
    end_time = datetime.now()
    detal = end_time - start_time
    print("倒数两个数字是：",v[-2:])
    print("pythonsum函数所用时间是：",detal.microseconds) #微秒
    
    
    #可以得出结论：用numpy库来计算比用纯python运算速率更快
    ''' 需要注意的是： #向量相加-Python def pythonsum(n): a = list(range(n)) b = list(range(n)) c = [] for i in range(len(a)): a[i] = i ** 2 b[i] = i ** 3 c.append(a[i] + b[i]) return c 在这个函数中，不能写成： a = range(n) b = range(n) 他们生成的是一个 range object 他们并没有直接返回一个list [ , , , ] 所以需要强制转换成 a = list(range(n)) b = list(range(n)) 而对于numpy库中的arange()函数，它生成一个ndarray多维数组 如： >>> import numpy as np >>> np.arange(3) array([0, 1, 2]) >>> '''

## 2.数组的创建 ##

#数组的创建
    
    import numpy as np
    
    
    #numpy数组 arange
    a = np.arange(5)
    print(a.dtype)  #看一下数组的类型dtype<'int32'>， big-endian 4*8 = 32位的数据类型 
    
    print(a)
    print(a.shape)  #看一下数组的维度，，返回一个元组（5，）
    
    
    #创建多维数组 array
    m = np.array([np.arange(2),np.arange(2)])
    print(m)
    print (m.shape)
    print (m.dtype)
    n = np.ones_like(m)#创建一个类似于m的数组
    print("n",n)
    
    
    print("\n")
    print("***********************************")
    #zeros()函数创建数组
    print(np.zeros(10))
    print(np.zeros((3, 6)))#3x6
    print(np.empty((2, 3, 2)))#返回一个空数组，里面是一些垃圾数，而不是一个全为0的数组，
    print(np.arange(15))
    
    #eye 生成NxN的单位矩阵
    y = np.eye(5)
    print(y)
    
    #identity 生成NxN的单位矩阵
    z = np.identity(2)
    print(z)
    
    print("***********************************")
    #asarray
    w = np.asarray([np.arange(2),np.arange(2)])
    print(w)

## 3.Numpy的数据类型 ##

#numpy数据类型
    import numpy as np
    print ("In: float64(42)")
    print (np.float64(42))
    
    print ("In: int8(42.0)")
    print (np.int8(42.0))
    
    print ("In: bool(42)")
    print( np.bool(42))
    
    print (np.bool(0))
    
    print ("In: bool(42.0)")
    print( np.bool(42.0))
    
    print ("In: float(True)")
    print( np.float(True))
    print (np.float(False))
    
    print( "In: arange(7, dtype=uint16)")
    print( np.arange(7, dtype=np.uint16))
    
    
    print( "In: int(42.0 + 1.j)")
    try:
       print( np.int(42.0 + 1.j)) #1.j复数类型
    except TypeError:
       print( "TypeError")
    #Type error
    
    
    print ("In: float(42.0 + 1.j)")
    print (float(42.0 + 1.j))
    #Type error
    #float无法将一个复数类型转换,报错之后，后面的代码不执行了
    
    a = 1.5j
    print(a)

## 4.数据类型转换 ##

# 数据类型转换
    arr = np.array([1, 2, 3, 4, 5])
    arr.dtype
    float_arr = arr.astype(np.float64)
    float_arr.dtype
    
    arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])
    arr
    arr.astype(np.int32)
    
    numeric_strings = np.array(['1.25', '-9.6', '42'], dtype=np.string_)
    numeric_strings.astype(float)

## 6.数据类型对象 ##

#数据类型对象
    a = np.array([[1,2],[3,4]])
    
    print a.dtype.byteorder
    
    print a.dtype.itemsize

## 7.字符编码 ##

#数据类型对象
    a = np.array([[1,2],[3,4]])
    
    print a.dtype.byteorder
    
    print a.dtype.itemsize
    
    #字符编码
    print np.arange(7, dtype='f')
    print np.arange(7, dtype='D')
    
    print np.dtype(float)
    
    print np.dtype('f') #单精度
    
    print np.dtype('d') #双精度
    
    
    print np.dtype('f8') #双精度
    
    print np.dtype('Float64')#双精度