当前位置: 移动技术网 > IT编程>脚本编程>Python > Python3NumPy——ndarray对象

Python3NumPy——ndarray对象

2018年05月02日  | 移动技术网IT编程  | 我要评论

松野秋鸣,兽药,僧众出发行脚峨眉

Python3NumPy——ndarray对象

1.前沿

  • 推荐导入语法:import numpy as np
  • NumPy中使用ndarray对象表示数组,ndarray是NumPy库的核心对象

2.创建ndarray对象

  • 函数array()传递Python序列创建数组
import numpy as np #导入Numpy库,给出别名为np
x1 = np.array([1,2,3,4,5,6])
print('-'*20 + '第EX1个例子' + '-'*20)
print('EX1=>传递参数为单列表,创建的1维数组x1为: {}'.format(x1))
print('EX1=>x1的形状为元组类型: {}'.format(x1.shape))
print('-'*20 + '第EX2个例子' + '-'*20)
x2 = np.array([[1,2,3],[4,5,6],[7,8,9]])
print('EX2=>传递参数为嵌套列表,创建的2维数组x2为: \n{}'.format(x2))
print('EX2=>x2的形状为元组类型: {}'.format(x2.shape))
print('-'*20 + '第EX3个例子' + '-'*20)
x3 = np.array((7,8,9,10))
print('EX3=>传递参数为单元组,创建的1维数组x3为: {}'.format(x3))
print('EX3=>x3的形状为元组类型: {}'.format(x3.shape))
print('-'*20 + 'End' + '-'*20)
--------------------第EX1个例子--------------------
EX1=>传递参数为单列表,创建的1维数组x1为: [1 2 3 4 5 6]
EX1=>x1的形状为元组类型: (6,)
--------------------第EX2个例子--------------------
EX2=>传递参数为嵌套列表,创建的2维数组x2为:
[[1 2 3]
 [4 5 6]
 [7 8 9]]
EX2=>x2的形状为元组类型: (3, 3)
--------------------第EX3个例子--------------------
EX3=>传递参数为单元组,创建的1维数组x3为: [ 7 8 9 10]
EX3=>x3的形状为元组类型: (4,)
--------------------End--------------------

Note:补充知识=》修改数组形状,修改后的形状后,其元素在内存中的位置并未改变;只是改变了轴的长度。

X = np.array([[1,2,3,4],[5,6,7,8],[7,8,9,10]])#X传递参数为嵌套列表,创建的2维
print('原型状数组X为(3行,4列): \n{}'.format(X))
print('X的形状为元组类型(0轴长度为3,1轴为4): {}'.format(X.shape))
print('-'*20 + '第一次修改X的形状' + '-'*20)
X.shape = 4, 3
print('第一次修改形状后数组X为(4行,3列): \n{}'.format(X))
print('-'*20 + '第二次修改X的形状' + '-'*20)
X.shape = 2, -1 # -1表示自动计算1轴的长度,结果为6
print('第二次修改形状后数组X为(2行,6列): \n{}'.format(X))
print('='*50)
print('-'*20 + '指定形状数组:reshape()方法' + '-'*20)
a = np.array([1,2,3,4,5,6,7,8,9])
print('原型状数组a为(1行,9列): \n{}'.format(a))
a1 = a.reshape((3,3))
print('变换为3X3数组a1为(3行,3列): \n{}'.format(a1))
print('再次打印a数组为: \n{}'.format(a))
a[0] = 100
print('修改a的第一个元素的值为100后a为: \n{}'.format(a))
print('修改a的第一个元素的值为100后a1为: \n{}'.format(a1))
print('表明:a和a1共享存储空间')
原型状数组X为(3行,4列):
[[ 1 2 3 4]
 [ 5 6 7 8]
 [ 7 8 9 10]]
X的形状为元组类型(0轴长度为3,1轴为4): (3, 4)
--------------------第一次修改X的形状--------------------
第一次修改形状后数组X为(4行,3列):
[[ 1 2 3]
 [ 4 5 6]
 [ 7 8 7]
 [ 8 9 10]]
--------------------第二次修改X的形状--------------------
第二次修改形状后数组X为(2行,6列):
[[ 1 2 3 4 5 6]
 [ 7 8 7 8 9 10]]
==================================================
--------------------指定形状数组:reshape()方法--------------------
原型状数组a为(1行,9列):
[1 2 3 4 5 6 7 8 9]
变换为3X3数组a1为(3行,3列):
[[1 2 3]
 [4 5 6]
 [7 8 9]]
再次打印a数组为:
[1 2 3 4 5 6 7 8 9]
修改a的第一个元素的值为100后a为:
[100 2 3 4 5 6 7 8 9]
修改a的第一个元素的值为100后a1为:
[[100 2 3]
 [ 4 5 6]
 [ 7 8 9]]
表明:a和a1共享存储空间

3.元素类型

  • 采用dtype属性获取
  • 创建ndarray对象时,可以指定元素类型
  • 元素数据类型转换方法:astype()
xi = np.array([1,2,3,4],dtype=np.int32) #指定整形
print('xi的类型为: {}'.format(xi.dtype))
print('-'*20 + 'End' + '-'*20)
xf = np.array([1,2,3,4],dtype=np.float) #指定浮点型
print('xf的类型为: {}'.format(xf.dtype))
print('-'*20 + 'End' + '-'*20)
xc = np.array([1,2,3,4],dtype=np.complex) #指定为复数型
print('xc的类型为: {}'.format(xc.dtype))
print('-'*20 + 'End' + '-'*20)
xi的类型为: int32
--------------------End--------------------
xf的类型为: float64
--------------------End--------------------
xc的类型为: complex128
--------------------End--------------------
print("numpy中去重的数据类型:")
set(np.typeDict.values())
numpy中去重的数据类型:

{numpy.uint16,
 numpy.complex64,
 numpy.complex128,
 numpy.timedelta64,
 numpy.int32,
 numpy.uint8,
 numpy.float64,
 numpy.void,
 numpy.int64,
 numpy.uint32,
 numpy.object_,
 numpy.int8,
 numpy.int32,
 numpy.uint64,
 numpy.int16,
 numpy.uint32,
 numpy.str_,
 numpy.datetime64,
 numpy.float32,
 numpy.bool_,
 numpy.float64,
 numpy.complex128,
 numpy.float16,
 numpy.bytes_}
print('xi.dtype的为: {}'.format(xi.dtype))
print('xi.dtype.type的为: {}'.format(xi.dtype.type))
xi.dtype的为: int32
xi.dtype.type的为: <class 'numpy.int32'>
print('-'*20 + '数据类型导致的溢出问题' + '-'*20)
xi16 = np.int16(200)
print('xi16 X xi16的结果溢出,计算出现错误: {}'.format(xi16*xi16))
--------------------数据类型导致的溢出问题--------------------
xi16 X xi16的结果溢出,计算出现错误: -25536

C:\Anaconda3\lib\site-packages\ipykernel\__main__.py:3: RuntimeWarning: overflow encountered in short_scalars
  app.launch_new_instance()

NumPy的数值对象的运算速度比Python的内置类型的运算速度慢很多,如果程序中需要大量地单个数值运算,避免使用NumPy的数值对象。

print('-'*20 + '数据类型导致的时间问题' + '-'*20)
v1 = 3.14
v2 = np.float64(v1)
%timeit v1*v1
%timeit v2*v2
--------------------数据类型导致的时间问题--------------------
10000000 loops, best of 3: 46.6 ns per loop
The slowest run took 35.90 times longer than the fastest. This could mean that an intermediate result is being cached.
10000000 loops, best of 3: 129 ns per loop
t1 = np.array((1,2,3,4,5), dtype=np.float)
print('转换数据类型为int32')
t11 = t1.astype(np.int32)
print(t11)
print('-'*40)
t2 = np.array((1,2,3,4), dtype=np.complex)
print('转换数据类型为complex64')
t22 = t2.astype(np.complex64)
print(t22)
转换数据类型为int32
[1 2 3 4 5]
----------------------------------------
转换数据类型为complex64
[1.+0.j 2.+0.j 3.+0.j 4.+0.j]

如对本文有疑问,请在下面进行留言讨论,广大热心网友会与你互动!! 点击进行留言回复

相关文章:

验证码:
移动技术网