NumPy - 简介

NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。

Numeric，即 NumPy 的前身，是由 Jim Hugunin 开发的。 也开发了另一个包 Numarray ，它拥有一些额外的功能。 2005年，Travis Oliphant 通过将 Numarray 的功能集成到 Numeric 包中来创建 NumPy 包。 这个开源项目有很多贡献者。

NumPy 操作

使用NumPy，开发人员可以执行以下操作：

• 数组的算数和逻辑运算。
• 傅立叶变换和用于图形操作的例程。
• 与线性代数有关的操作。 NumPy 拥有线性代数和随机数生成的内置函数。

NumPy – MatLab 的替代之一

NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用。 这种组合广泛用于替代 MatLab，是一个流行的技术计算平台。 但是，Python 作为 MatLab 的替代方案，现在被视为一种更加现代和完整的编程语言。

NumPy 是开源的，这是它的一个额外的优势。

NumPy - Ndarray 对象

NumPy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型。 它描述相同类型的元素集合。 可以使用基于零的索引访问集合中的项目。

ndarray中的每个元素在内存中使用相同大小的块。 ndarray中的每个元素是数据类型对象的对象（称为 dtype）。

从ndarray对象提取的任何元素（通过切片）由一个数组标量类型的 Python 对象表示。 下图显示了ndarray，数据类型对象（dtype）和数组标量类型之间的关系。

Ndarray

ndarray类的实例可以通过本教程后面描述的不同的数组创建例程来构造。 基本的ndarray是使用 NumPy 中的数组函数创建的，如下所示：

 
numpy.array 
 

它从任何暴露数组接口的对象，或从返回数组的任何方法创建一个ndarray。

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

上面的构造器接受以下参数：

看看下面的例子来更好地理解。

示例 1

 
import numpy as np 
a = np.array([1,2,3])  
print a

输出如下：

[1, 2, 3]

示例 2

 
# 多于一个维度  
import numpy as np 
a = np.array([[1,  2],  [3,  4]])  
print a

输出如下

[[1, 2] 
 [3, 4]]
 

示例 3

 
# 最小维度  
import numpy as np 
a = np.array([1,  2,  3,4,5], ndmin =  2)  
print a

输出如下：

[[1, 2, 3, 4, 5]]
 

示例 4

 
# dtype 参数  
import numpy as np 
a = np.array([1,  2,  3], dtype = complex)  
print a

输出如下：

[ 1.+0.j,  2.+0.j,  3.+0.j]
 

**ndarray ** 对象由计算机内存中的一维连续区域组成，带有将每个元素映射到内存块中某个位置的索引方案。 内存块以按行（C 风格）或按列（FORTRAN 或 MatLab 风格）的方式保存元素。

NumPy - 数据类型

NumPy 支持比 Python 更多种类的数值类型。 下表显示了 NumPy 中定义的不同标量数据类型。

NumPy 数字类型是dtype（数据类型）对象的实例，每个对象具有唯一的特征。 这些类型可以是np.bool_，np.float32等。

数据类型对象 (dtype)

数据类型对象描述了对应于数组的固定内存块的解释，取决于以下方面：

• 数据类型（整数、浮点或者 Python 对象）
• 数据大小
• 字节序（小端或大端）
• 在结构化类型的情况下，字段的名称，每个字段的数据类型，和每个字段占用的内存块部分。
• 如果数据类型是子序列，它的形状和数据类型。

字节顺序取决于数据类型的前缀<或>。 <意味着编码是小端（最小有效字节存储在最小地址中）。 >意味着编码是大端（最大有效字节存储在最小地址中）。

dtype可由以下语法构造：

numpy.dtype(object, align, copy)
 

参数为：

• Object：被转换为数据类型的对象。
• Align：如果为true，则向字段添加间隔，使其类似 C 的结构体。
• Copy ? 生成dtype对象的新副本，如果为flase，结果是内建数据类型对象的引用。

示例 1

 
# 使用数组标量类型  
import numpy as np 
dt = np.dtype(np.int32)  
print dt

输出如下：

int32

示例 2

 
#int8，int16，int32，int64 可替换为等价的字符串 'i1'，'i2'，'i4'，以及其他。  
import numpy as np 
 
dt = np.dtype('i4')  
print dt 

输出如下：

int32
 

示例 3

 
# 使用端记号  
import numpy as np 
dt = np.dtype('>i4')  
print dt

输出如下：

>i4
 

下面的例子展示了结构化数据类型的使用。 这里声明了字段名称和相应的标量数据类型。

示例 4

 
# 首先创建结构化数据类型。  
import numpy as np 
dt = np.dtype([('age',np.int8)])  
print dt 

输出如下：

[('age', 'i1')] 
 

示例 5

 
# 现在将其应用于 ndarray 对象  
import numpy as np 
 
dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt)  
print a

输出如下：

[(10,) (20,) (30,)]
 

示例 6

 
# 文件名称可用于访问 age 列的内容  
import numpy as np 
 
dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt)  
print a['age']

输出如下：

[10 20 30]
 

示例 7

以下示例定义名为 student 的结构化数据类型，其中包含字符串字段name，整数字段age和浮点字段marks。 此dtype应用于ndarray对象。

 
import numpy as np 
student = np.dtype([('name','S20'),  ('age',  'i1'),  ('marks',  'f4')])  
print student

输出如下：

[('name', 'S20'), ('age', 'i1'), ('marks', '

示例 8

 
import numpy as np 
 
student = np.dtype([('name','S20'),  ('age',  'i1'),  ('marks',  'f4')]) 
a = np.array([('abc',  21,  50),('xyz',  18,  75)], dtype = student)  
print a

输出如下：

[('abc', 21, 50.0), ('xyz', 18, 75.0)]
 

每个内建类型都有一个唯一定义它的字符代码：

• 'b'：布尔值
• 'i'：符号整数
• 'u'：无符号整数
• 'f'：浮点
• 'c'：复数浮点
• 'm'：时间间隔
• 'M'：日期时间
• 'O'：Python 对象
• 'S', 'a'：字节串
• 'U'：Unicode
• 'V'：原始数据（void）

NumPy - 数组属性

这一章中，我们会讨论 NumPy 的多种数组属性。

ndarray.shape

这一数组属性返回一个包含数组维度的元组，它也可以用于调整数组大小。

示例 1

 
import numpy as np 
a = np.array([[1,2,3],[4,5,6]])  
print a.shape

输出如下：

(2, 3)

示例 2

 
# 这会调整数组大小  
import numpy as np 
 
a = np.array([[1,2,3],[4,5,6]]) a.shape =  (3,2)  
print a 

输出如下：

[[1, 2] 
 [3, 4] 
 [5, 6]]
 

示例3

NumPy 也提供了reshape函数来调整数组大小。

 
import numpy as np 
a = np.array([[1,2,3],[4,5,6]]) 
b = a.reshape(3,2)  
print b

输出如下：

[[1, 2] 
 [3, 4] 
 [5, 6]]
 

ndarray.ndim

这一数组属性返回数组的维数。

示例 1

 
# 等间隔数字的数组  
import numpy as np 
a = np.arange(24)  print a

输出如下：

[0 1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16 17 18 19 20 21 22 23] 

示例2

 
# 一维数组  
import numpy as np 
a = np.arange(24) a.ndim 
# 现在调整其大小
b = a.reshape(2,4,3)  
print b 
# b 现在拥有三个维度

输出如下：

[[[ 0,  1,  2] 
  [ 3,  4,  5] 
  [ 6,  7,  8] 
  [ 9, 10, 11]]  
  [[12, 13, 14] 
   [15, 16, 17]
   [18, 19, 20] 
   [21, 22, 23]]] 
 

numpy.itemsize

这一数组属性返回数组中每个元素的字节单位长度。

示例 1

 
# 数组的 dtype 为 int8（一个字节）  
import numpy as np 
x = np.array([1,2,3,4,5], dtype = np.int8)  
print x.itemsize

输出如下：

示例 2

 
# 数组的 dtype 现在为 float32（四个字节）  
import numpy as np 
x = np.array([1,2,3,4,5], dtype = np.float32)  
print x.itemsize

输出如下：

4

numpy.flags

ndarray对象拥有以下属性。这个函数返回了它们的当前值。


示例

下面的例子展示当前的标志。

 
import numpy as np 
x = np.array([1,2,3,4,5])  
print x.flags

输出如下：

 
C_CONTIGUOUS : True 
F_CONTIGUOUS : True 
OWNDATA : True 
WRITEABLE : True 
ALIGNED : True 
UPDATEIFCOPY : False
 

NumPy - 数组创建例程

新的ndarray对象可以通过任何下列数组创建例程或使用低级ndarray构造函数构造。

numpy.empty

它创建指定形状和dtype的未初始化数组。 它使用以下构造函数：

numpy.empty(shape, dtype = float, order = 'C')
 

构造器接受下列参数：

示例

下面的代码展示空数组的例子：

 
import numpy as np 
x = np.empty([3,2], dtype =  int)  
print x

输出如下：

[[22649312    1701344351] 
 [1818321759  1885959276] 
 [16779776    156368896]]
 

注意：数组元素为随机值，因为它们未初始化。

numpy.zeros

返回特定大小，以 0 填充的新数组。

numpy.zeros(shape, dtype = float, order = 'C')

构造器接受下列参数：

示例 1

 
# 含有 5 个 0 的数组，默认类型为 float  
import numpy as np 
x = np.zeros(5)  
print x

输出如下：

[ 0.  0.  0.  0.  0.]
 

示例2

 
import numpy as np 
x = np.zeros((5,), dtype = np.int)  
print x

输出如下：

[0  0  0  0  0]
 

示例3

 
# 自定义类型 
import numpy as np 
x = np.zeros((2,2), dtype =  [('x',  'i4'),  ('y',  'i4')])  
print x

输出如下：

[[(0,0)(0,0)]
 [(0,0)(0,0)]]         
 

numpy.ones

返回特定大小，以 1 填充的新数组。

 numpy.ones(shape, dtype = None, order = 'C')

构造器接受下列参数：

示例 1

 
# 含有 5 个 1 的数组，默认类型为 float  
import numpy as np 
x = np.ones(5)  print x

输出如下：

[ 1.  1.  1.  1.  1.]
 

示例2

 
import numpy as np 
x = np.ones([2,2], dtype =  int)  
print x

输出如下：

[[1  1] 
 [1  1]]
 

NumPy - 来自现有数据的数组

这一章中，我们会讨论如何从现有数据创建数组。

numpy.asarray

此函数类似于numpy.array，除了它有较少的参数。 这个例程对于将 Python 序列转换为ndarray非常有用。

 
numpy.asarray(a, dtype = None, order = None)
 

构造器接受下列参数：

下面的例子展示了如何使用asarray函数：

示例 1

 
# 将列表转换为 ndarray 
import numpy as np 
 
x =  [1,2,3] 
a = np.asarray(x)  
print a

输出如下：

[1  2  3] 
 

示例2

 
# 设置了 dtype  
import numpy as np 
 
x =  [1,2,3] 
a = np.asarray(x, dtype =  float)  
print a

输出如下：

[ 1.  2.  3.] 
 

示例3

 
# 来自元组的 ndarray  
import numpy as np 
 
x =  (1,2,3) 
a = np.asarray(x)  
print a

输出如下：

[1  2  3]
 

示例4

 
# 来自元组列表的 ndarray
import numpy as np 
 
x =  [(1,2,3),(4,5)] 
a = np.asarray(x)  
print a

输出如下：

[(1, 2, 3) (4, 5)]
 

numpy.frombuffer

此函数将缓冲区解释为一维数组。 暴露缓冲区接口的任何对象都用作参数来返回ndarray。

numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0)
 

构造器接受下列参数：

示例

下面的例子展示了frombuffer函数的用法。

 
import numpy as np 
s =  'Hello World' 
a = np.frombuffer(s, dtype =  'S1')  
print a

输出如下：

['H'  'e'  'l'  'l'  'o'  ' '  'W'  'o'  'r'  'l'  'd']
 

numpy.fromiter

此函数从任何可迭代对象构建一个ndarray对象，返回一个新的一维数组。

numpy.fromiter(iterable, dtype, count = -1)

构造器接受下列参数：


以下示例展示了如何使用内置的range()函数返回列表对象。 此列表的迭代器用于形成ndarray对象。

示例 1

 
# 使用 range 函数创建列表对象  
import numpy as np 
list = range(5)  
print list

输出如下：

[0,  1,  2,  3,  4]
 

示例2

 
# 从列表中获得迭代器  
import numpy as np 
list = range(5) 
it = iter(list)  
# 使用迭代器创建 ndarray 
x = np.fromiter(it, dtype =  float)  
print x

输出如下：

[0.   1.   2.   3.   4.]
 

#IT##程序员##经验分享##numpy##编程##Python#