NumPy介绍

我不是女神ヾ 2024-03-17 21:13 32阅读 0赞

#### 一、NumPy介绍 ####

NumPy是Python中科学计算的基础包，它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。

*  功能强大的N维数组对象。
 *  精密广播功能函数。
 *  集成 C/C+和Fortran 代码的工具。
 *  强大的线性代数、傅立叶变换和随机数功能。

#### 二、Ndarray介绍 ####

NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。ndarray 对象是用于存放同类型元素的多维数组。ndarray 中的每个元素在内存中都有相同存储大小的区域。

#### 三、Ndarray和python中的list列表的区别 ####

**C数组：**学过C语言的都知道，在C语言中数组是一个连续的内存空间，并且数组中的数据的类型也是一致的。

**python列表：**python中的列表里面存放的对象，可以是不同的数据类型。其底层实现是通过类似C语言中的指针数组来实现，即python的列表中存放的数据的指针即他们的地址，然后再根据这个指针找到具体的数据。

**Ndarray数组：**和C语言数组实现类似，也是一段连续的内存空间，里面存放的也是相同的数据类型。

**详细如下：**

*  NumPy 数组在创建时具有固定的大小，与Python的原生数组对象（可以动态增长）不同。更改ndarray的大小将创建一个新数组并删除原来的数组。
 *  NumPy 数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。
 *  NumPy 数组有助于对大量数据进行高级数学和其他类型的操作。通常，这些操作的执行效率更高，比使用Python原生数组的代码更少。

#### 四、初始化NumPy数组 ####

##### 　　1、安装 numpy 包 #####

**pip3 install numpy**

##### 　　2、导入 numpy 包 #####

**import numpy**

##### 　　3、使用一个列表初始化一个NumPy数组 #####

**函数作用：**初始化一个NumPy数组

**函数原型：numpy.array(object, dtype=None, \*, copy=True, order='K', subok=False, ndmin=0）**

**　　　　参数示例：**

\* object: 必填参数：即创建NumPy数组的数据对象

\* dtype: 可选参数，通过它可以更改数组的数据类型---可将原来的整型或者其他类型进行强制转换

\* copy: 可选参数，当数据源是ndarray 时表示数组能否被复制，默认是True

\* order: 可选参数，以哪种内存布局创建数组，有3个可选值，分别是C（行序列）/F（列序列）/A（默认）

\* ndmin: 可选参数，用于指定数组的维度--例如 一维数组、二维数组、三维数组等

\* subok: 可选参数，类型为bool值，默认为False。 为True，使用object的内部数据类型； 为False 使用object数组的数据类型

**代码示例：**

**　　　　**

![8fe4007565cb5d76c3160c4d7d1ed33e.png][]

**注意：**

\* 其中np\_array就是Ndarray类型。

\* data\_list中的数据类型是不一致，但是转化成np\_array后，数据格式一致了，都变成了字符串类型。

\* 如果传进来的列表包含不同的类型，则统一转化为同一类型，转化的优先级:str>float>int，即有str则都转化为str,这样才能保证NumPy数组中数组的一致性。

##### 　　4、numpy.ones() #####

**函数作用：**创造出来的数组里面填充的都是1

**函数原型：**numpy.ones(shape, dtype=None, order='C', \*, like=None)

**　　　　参数解释：**

**　　　　　　**\* shape：创建出来数组的形状，是一维数组，还是二维数组，还是多维数组等等

\* dtype：数据的类型

\* order：指定内存重以行优先(‘C’)还是列优先(‘F’)顺序存储多维数组。

**代码示例：**

![1ad1d61aa9713e93b9cfe22ca0eeb3d3.png][]

**　注意：**

shape = (m,n) m行n列， 二维数组

shape = (m) m个元素的一维数组 \[1,2,3\]

shape = (m, ) m个元素的一维数组

shape = (m, 1) m行1列 二维数组 \[\[1\],\[2\],\[3\]\]

shape = (1,m) 1行m列 二维数组 \[\[1,2,3\]\]

##### 　　5、numpy.zeros() #####

**函数作用：***其用法和ones()一样，只不过被填充的由1变成了0*

**函数原型：**zeros(shape, dtype=float, order='C', \*, like=None)

**代码示例：**

![bd063474c598f12d004895b5df5ad5ff.png][]

##### 　　6、numpy.ful() #####

**函数作用：**使用自己指定数字填充数组内容

**函数原型：**numpy.full(shape, fill\_value, dtype=None, order='C', \*, like=None)

*　　　　　***代码示例：**

![092921e02dcdc4650ee860bfdd23e78d.png][]

##### 　　7、numpy.linspace() #####

**函数作用:** 生成等差数列的数组

**函数原型：**linspace(start, stop, num=50,endpoint=True,retstep=False,dtype=None)

**参数解释：**

\* start，起始点  
　　　　　　\* stop，结束点  
　　　　　　\* num，元素个数，默认 50  
　　　　　　\* endpoint，是否包含 stop 数值，默认为 True，包含 stop 值；若为 False，则不包含 stop 值  
　　　　　　\* retstep，返回值形式，默认为 False，返回等差数列组，若为True，则返回结果 (array(\[‘samples’, ‘step’\]))  
　　　　　　\* dtype，返回结果的数据类型，默认无，若无，则参考输入数据类型

**代码示例：**

![50041ea10656eb31ede078ed66d0f2e7.png][]

##### 　　8、numpy.arange() #####

**函数作用：**根据步长生成等差数列

**函数原型：**arange(\[start,\] stop\[, step,\], dtype=None, \*, like=None)

**代码示例：**

![02394970eed1b1b3f2adee65cdd16524.png][]

##### 　　9、numpy.random.randint() #####

**函数作用：**使用随机数创建NumPy数组

**函数原型：**randint(low, high=None, size=None, dtype=int)

**参数示例：**

\* low:随机数的最小值

\* higt:随机数的最大值

\* size:生出数组的形状

\* dtype:数据类型

**代码示例：**

![79ce8e9f3c9c26b51ebee7a5b6e6782f.png][]

**　　　　注意：类似的函数还有下面几个，用法也类似**

\* numpy.random.random(size): 随机生成小数的NumPy的数组

\* numpy.random.randn(d0, d1, ..., dn): 标准正态分布

\* np.random.normal(): 普通正态分布

#### 五、ndarray的属性 ####

通过上面的示例，我们看到有几个属性是ndarray常用的属性，这里我们总结如下：

**四个必记的属性**

\* ndim: 维度

\* shape: 形状

\* size: 总长度

\* dtype: 元素类型

**代码示例：**

![c6688e1031640c0a1fa57d3c9e317cb6.png][]

--------------------

侯哥语录：我曾经是一个职业教育者，现在是一个自由开发者。我希望我的分享可以和更多人一起进步。分享一段我喜欢的话给大家："我所理解的自由不是想干什么就干什么，而是想不干什么就不干什么。当你还没有能力说不得时候，就努力让自己变得强大，拥有说不得权利。"

[8fe4007565cb5d76c3160c4d7d1ed33e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/14/9bf6f5bfe7f14a6c9615ebf5d4dfe1c0.png
[1ad1d61aa9713e93b9cfe22ca0eeb3d3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/14/5284a3661b204020946a7aa7e2ee6532.png
[bd063474c598f12d004895b5df5ad5ff.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/14/0e54d0dfd67949baa297975a5ca7e33f.png
[092921e02dcdc4650ee860bfdd23e78d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/14/e07274f9c84547f49e89f8d22d2c1ae4.png
[50041ea10656eb31ede078ed66d0f2e7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/14/a0089ba2c4794fa7beb055c4f641b163.png
[02394970eed1b1b3f2adee65cdd16524.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/14/890faefaebac4eb5a740b46ebd19c81f.png
[79ce8e9f3c9c26b51ebee7a5b6e6782f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/14/66b8f22745ab4b088b607a9422355c3f.png
[c6688e1031640c0a1fa57d3c9e317cb6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/14/7a5c4ca2f9f9425f9e00ec9ffb5f87ff.png