2.NumPy简介

一：NumPy简介

　　• 官网链接：http://www.numpy.org/

　　• NumPy教程链接：https://www.yiibai.com/numpy/

　　• NumPy是Python语言的一个扩充程序库。支持高级大量的多维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库

　　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。

二：NumPy基本功能　　

　　• 快速高效的多维数组对象ndarray

　　• 用于对数组执行元素级计算以及直接对数组执行数学运算的函数

　　• 用于读写硬盘上基于数组的数据集的

　　• 线性代数运算、傅里叶变换，以及随机数生成

• 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。

三：效率对比

　　• 三种数据结构：list / array / numpy.array

　　• 三种方法求和：for / sum / numpy.sum

import timeit

common_for = """

for d in data:

    s += d

"""

common_sum = """

sum(data)

"""

common_numpy_sum = """

numpy.sum(data)

"""

def timeit_list(n, loops):

    list_setup = """

import numpy

data = [1] * {}

s = 0

""".format(n)

    print 'list:'

    print timeit.timeit(common_for, list_setup, number = loops)

    print timeit.timeit(common_sum, list_setup, number = loops)

    print timeit.timeit(common_numpy_sum, list_setup, number = loops)

def timeit_array(n, loops):

    array_setup = """

import numpy

import array

data = array.array('L', [1] * {})

s = 0

""".format(n)

    print 'array:'

    print timeit.timeit(common_for, array_setup, number = loops)

    print timeit.timeit(common_sum, array_setup, number = loops)

    print timeit.timeit(common_numpy_sum, array_setup, number = loops)

def timeit_numpy(n, loops):

    numpy_setup = """

import numpy

data = numpy.array([1] * {})

s = 0

""".format(n)

    print 'numpy:'

    print timeit.timeit(common_for, numpy_setup, number = loops)

    print timeit.timeit(common_sum, numpy_setup, number = loops)

    print timeit.timeit(common_numpy_sum, numpy_setup, number = loops)

if __name__ == '__main__':

    timeit_list(50000, 500)

    timeit_array(50000, 500)

    timeit_numpy(50000, 500)

运行结果：

list:

0.94836021896

0.126542218145

1.25408217549

array:

2.02870422344

1.4137293358

5.92805967058

numpy:

3.81213793067

2.90964482707

0.0174179931709

四：NumPy的Ndarray对象（N 维数组类型）

　　基本的ndarray是使用 NumPy 中的数组函数创建的，如下所示：

　　　

　　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：

1.	object 任何暴露数组接口方法的对象都会返回一个数组或任何(嵌套)序列。
2.	dtype 数组的所需数据类型，可选。
3.	copy 可选，默认为true，对象是否被复制。
4.	order C(按行)、F(按列)或A(任意，默认)。
5.	subok 默认情况下，返回的数组被强制为基类数组。 如果为true，则返回子类。
6.	ndimin 指定返回数组的最小维数。

五：代码示例：

# -*- coding: utf-8 -*-

import numpy as np

print '使用普通一维数组生成NumPy一维数组'

data = [6, 7.5, 8, 0, 1]

arr = np.array(data)

print arr

print '打印元素类型'

print arr.dtype

print

print '使用普通二维数组生成NumPy二维数组'

data = [[1, 2, 3, 4], [5, 6, 7, 8]]

arr = np.array(data)

print arr

print '打印数组维度'

print arr.shape

print

print '使用最小维度生成NumPy维度数组'

data = np.array([1,  2,  3,4,5], ndmin =  2)

print data

print

print '使用zeros/empty'

print np.zeros(10) # 生成包含10个0的一维数组

print np.zeros((3, 6)) # 生成3*6的二维数组

print np.empty((2, 3, 2)) # 生成2*3*2的三维数组，所有元素未初始化。

print

print '使用arrange生成连续元素'

print np.arange(15)  # [0, 1, 2, ..., 14]

运行结果：

使用普通一维数组生成NumPy一维数组

[6.  7.5  8.  0.  1. ]

打印元素类型

float64

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

使用普通二维数组生成NumPy二维数组

[[1 2 3 4]

 [5 6 7 8]]

打印数组维度

(2L, 4L)

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

使用最小维度生成NumPy维度数组

[[1 2 3 4 5]]

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

使用zeros/empty

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

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

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

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

[[[1.91684511e-316 1.55481945e-316]

  [0.00000000e+000 0.00000000e+000]

  [0.00000000e+000 0.00000000e+000]]

 [[0.00000000e+000 0.00000000e+000]

  [0.00000000e+000 0.00000000e+000]

  [0.00000000e+000 0.00000000e+000]]]

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

使用arrange生成连续元素

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]

六：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。

序号	数据类型及描述
1.	bool_存储为一个字节的布尔值(真或假)
2.	int_默认整数，相当于 C 的long，通常为int32或int64
3.	intc相当于 C 的int，通常为int32或int64
4.	intp用于索引的整数，相当于 C 的size_t，通常为int32或int64
5.	int8字节(-128 ~ 127)
6.	int1616 位整数(-32768 ~ 32767)
7.	int3232 位整数(-2147483648 ~ 2147483647)
8.	int6464 位整数(-9223372036854775808 ~ 9223372036854775807)
9.	uint88 位无符号整数(0 ~ 255)
10.	uint1616 位无符号整数(0 ~ 65535)
11.	uint3232 位无符号整数(0 ~ 4294967295)
12.	uint6464 位无符号整数(0 ~ 18446744073709551615)
13.	float_float64的简写
14.	float16半精度浮点：符号位，5 位指数，10 位尾数
15.	float32单精度浮点：符号位，8 位指数，23 位尾数
16.	float64双精度浮点：符号位，11 位指数，52 位尾数
17.	complex_complex128的简写
18.	complex64复数，由两个 32 位浮点表示(实部和虚部)
19.	complex128复数，由两个 64 位浮点表示(实部和虚部)

　　数据类型对象 (dtype)：numpy.dtype(object, align, copy)

# -*- coding: utf-8 -*-

import numpy as np

#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

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

print student

a = np.array([('abc',  21,  50),('xyz',  18,  75)], dtype = student)

print a

print '---------------------------------'

print " 文件名称可用于访问 age 列的内容 "

dt = np.dtype([('age',np.int8)])

print dt

a = np.array([(10,),(20,),(30,)], dtype = dt)

print a

print a['age']