numpy 基礎
數據分析經常使用的第三方庫python
numpy：數值計算數組
matplotlib：數據可視化數據結構
scipy：科學計算機app
pandas：時間和日期序列ide
1 numpy的基本特色
1）矢量化運算；將包含多個數據的集合做爲一個總體參與運算性能
2）成爲幾乎全部於數值分析、科學計算以及人工智能有關的功能模塊的底層模塊學習
3）性能卓越，運行速度快，絕大部分代碼用標準C語言甚至有彙編語言編寫編碼
4）數據集合中的元素必須同質，犧牲靈活性換取高性能；注，列表元組裏的元素能夠不一樣，但C裏面的數組元素必須同質人工智能
2 numpy數組
2.1 基本描述
numpy的數組是numpy.ndarray類型（n dimension array 意味n維數組）的對象，用於表示任意維度的數據結構，其維度信息經過shape屬性訪問spa
該對象由兩部分組成
A）實際數據：數組元素自己（在內存裏爲一行連續的數據）
B）元數據：對實際數據類型、結構等信息的描述
好比
元素據多是以下表示方式
base
A B
C
實際的MRO列表爲：MRO = [C A B base Object]
有時會出現實際數據是同樣的，可是元數據是不同的。
注：大部分針對數組的操做實際上僅僅是針對其元數據的操做，以此提高性能。
numpy.arange(start, stop, step, dtype)，得到一個數組形式序列，注：包含起始值，但不包含終止值
numpy.array(p_object, dtype, copy, order, subok, ndim)：得到一個包含給定元素的數組對象，注：只要可迭代對象便可
p_object：Union[ndarray, lterable, int, float]
dtype：Optional[object] = None 元素類型
copy：Optional[bool] = True
order：Optional[str] = "K"
subok：Optional[object] = False
ndim：Optional[int] = 0
可簡化爲
numpy.array([元素1，元素2，...])：參數能夠時同質的列表，元組，數組，注：元素之間的類型徹底一致，可是元素內部能夠由多個類型構成。
d = np.array([ [np.arange(1, 5), np.arange(5, 9), np.arange(9, 13)], [np.arange(13, 17), np.arange(17, 21), np.arange(21, 25)]]) print(d.shape, d, sep='\n')
運行
(2, 3, 4) [[[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]] [[13 14 15 16] [17 18 19 20] [21 22 23 24]]]
注意：
# # 一維數組 one_dim = np.arange(1,5) print(one_dim) # [1 2 3 4] 數據之間沒有逗號，而數組的元素之間是用逗號隔開的 print(type(one_dim)) #<class 'numpy.ndarray'>類對象 print(one_dim.dtype) #int32元素的類型，這個數據類型在python中是沒有定義的，是numpy庫本身定義的 print(one_dim.shape) #(4,)表示4個元素 # 二維數組 two_dim = np.array([ [1,2,3,3], [4,5,6,6], [7,8,9,9]],dtype=float) #float64 [[1. 2. 3. 3.] print(two_dim) # print(type(two_dim)) # <class 'numpy.ndarray'>類對象 print(two_dim.dtype) # int32元素的類型，這個數據類型在python中是沒有定義的，是numpy庫本身定義的 print(two_dim.shape) # (3,4)表示3行4列 two1_dim = np.array([ [1], [4], [7]]) print(two1_dim) # print(two1_dim.shape) # (3,1)表示3行1列
# 三維數組 three_dim = np.array([ [ np.arange(1,5), np.arange(5,9), np.arange(9,13) ], [ np.arange(13,17), np.arange(17,21), np.arange(21,25), ], [ np.arange(14, 18), np.arange(18, 22), np.arange(22, 26), ]]) print(three_dim) # print(type(three_dim)) # <class 'numpy.ndarray'>類對象 print(three_dim.dtype) # int32元素的類型，這個數據類型在python中是沒有定義的，是numpy庫本身定義的 print(three_dim.shape) # (3, 3, 4),3頁，3行，4列 print(three_dim[1,0,0])
2.2 數組下標
numpy中的數組也能夠採用下標訪問，其下標也是從0開始
import numpy as np a = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) print(a) print('a[0]:',a[0],sep='\n') print('a[0][0]：', a[0][0]) # a[0][0]： [1 2] print('a[0][0][0]：', a[0][0][0]) #a[0][0][0]： 1
運行
[[[1 2] [3 4]] [[5 6] [7 8]]]
a[0]: [[1 2] [3 4]]
a[0][0]： [1 2]
a[0][0][0]： 1
深入理解shape屬性
import numpy as np a = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) print(a.shape) #a.shape 結果爲(2,2,2)的元組 for i in range(a.shape[0]): #得到a.shape[0]元組中的第1個元素 2 for j in range(a.shape[1]): #得到a.shape[1]元組中的第2個元素 2 for k in range(a.shape[2]): #得到a.shape[2]元組中的第3個元素 2 print(a[i][j][k], a[i, j, k]) #說明a[i][j][k]與a[i, j, k]等價，取出列表中的每個元素
經過len 或 numpy.ndarray.size獲取元素個數；
對於一維數組，size和len是相等的，
對於高維數組，len返回的是第一維的維數，而size返回的是全部維數的乘積。
import numpy as np a = np.array([ [ [1, 2], [3, 4] ], [ [5, 6], [7, 8] ] ]) print("a.shape:",a.shape) #(2, 2, 2) print('a.size:',a.size) #8 print('a.ndim:',a.ndim) #3 print("len(a):",len(a)) #2 b = np.array([[ [ [1, 2], [3, 4] ], [ [5, 6], [7, 8] ], [ [9, 10], [11, 12] ] ]]) print("b.shape:",b.shape) #(1, 3, 2, 2) print('b.size:',b.size) #12 元素個數，b.shape元組中全部元素的乘積 print('b.ndim:',b.ndim) #4 維度，至關於b.shape元組的長度，len(b.shape) print("len(b):",len(b)) #1 只算頁數，至關於b.shape[0]
注：爲了便於觀察，將a b的視圖寫法略做調整
2.3 維度的改變
數組的維度能夠在定義後再作適當調整，reshape 和 shape 。
第一種方法 reshape方法
reshape(新維度)： 不改變數據，注意，reshape()只接受一個參數，當多個參數時能夠選用
import numpy as np a = np.arange(1,9) b = a.reshape((2,4)) print('a',a.shape,a,sep='\n') #(8,) [1 2 3 4 5 6 7 8] print('b',b.shape,b,sep='\n') #(2, 4) [[1 2 3 4] # [5 6 7 8]]
具體能夠查看print(help(a.reshape)
第二種方法 shape屬性
shape = 新維度：這種方法直接修改了所操做
import numpy as np a = np.arange(1, 9) a.shape = (2, 4) # 修改原數組自己 print('a', a.shape, a, sep='\n') #(2, 4) [[1 2 3 4] # [5 6 7 8]]
2.4 數據類型
ndarray對象的dtype屬性反映了元素的數據類型，能夠經過該屬性讀取或修改數組元素的數據類型
Object(array).astype(新數據類型) -> 新數組對象
a = np.array([1,2,3,4,5]) print(a.dtype) #int32
當賦值時不添加數據類型時，numpy會自動匹配默認值
也能夠指定數據類型
a = np.array([1,2,3,4,5],dtype=np.int8) print(a.dtype) #int8
也能夠經過astype對列表的數據類型進行修改
import numpy as np a = np.array([1,2,3,4,5],dtype=np.int8) b = a.astype(float) print(b.dtype) # float64 c = a.astype(str) print(c.dtype,c) #<U4 ['1' '2' '3' '4' '5'] d = b.astype(str) print(d.dtype,d) #<U32 ['1.0' '2.0' '3.0' '4.0' '5.0']
dtype表達方式的多樣性
import numpy as np a = np.array([1,2,3,4],dtype=np.int32) b = np.array([1,2,3,4],"int32") c = np.array([1,2,3,4],"i4") print(a.shape,b.shape,c.shape) # (4,) (4,) (4,) 以上三個是等價的
註釋：dtype=np.int32 與 ‘int32’ 表達結果相同。「int32」 與 ‘i4’ 相同，參看數據類型
2.5 數據類型
2.5.1 變長類型，長度
a = np.array(['a1b1c1'], dtype=(np.str_, 1)) print(a.dtype, a, a[0]) #<U1 ['a'] a b = np.array(['a1b1c1'], dtype=(np.str_, 2)) print(b.dtype, b, b[0]) #<U2 ['a1'] a1 c = np.array(['a1b1c1'], dtype=(np.str_, 3)) print(c.dtype, c, c[0]) #<U3 ['a1b'] a1b
實例二
a = np.array([ 'hello, word !', 'hello, python !' ], dtype=(np.str_, 14)) # <U14 unicode字符串14個，當不寫14時，默認值比最長的字符數大一些的值，好比該處默認值爲<U15 print(a) print(a.dtype) # >i4 dtype表示每個最小單元的數據類型
運行
['hello, word !' 'hello, python '] <U14
2.5.2 定長類型，(維度)
a = np.array([(1, 2, 3, 4)], dtype=(np.int32, 4)) # 每一個元素類型是4個int32，若維度不一致則會報錯 print(a.dtype, a.shape) #int32 (1, 4)
說明：t = numpy.dtype((int,5))每一個元素都是由5個int組成的一維數組，將5個int當成一個總體，其實是二維數組
2.5.3 類型字符串1，類型字符串2，. . .
a = np.array([('1234',(1,2,3,4))],dtype='u4,4i4') print(a) #[(1234, [1, 2, 3, 4])] print(a.dtype) # [('f0', '<u4'), ('f1', '<i4', (4,))] print(a.shape) # (1,) # 一維數組，元素之間必須同質，元素內部能夠由多個不一樣類型數據構成 print(a[0]['f0']) # 1234 print(a['f0']) # [1234] print(a[0]['f1']) # [1 2 3 4] print(a['f1']) # [[1 2 3 4]] # 備註 f0 f1是默認的，能夠修改
當元素中由三個數據構成
a = np.array([('1234','abcd',(1,2,3,4))],dtype='u4,U4,4i4') print(a) # [(1234, 'abcd', [1, 2, 3, 4])] print(a.dtype) # [('f0', '<u4'), ('f1', '<U4'), ('f2', '<i4', (4,))] print(a.shape) # (1,) # 一維數組，元素之間必須同質，元素內部能夠由多個不一樣類型數據構成 print(a[0]['f0']) # 1234 print(a['f0']) # [1234] print(a[0]['f1']) # abcd print(a['f1']) # ['abcd'] print(a[0]['f2']) # [1 2 3 4] print(a['f2']) # [[1 2 3 4]]
T：（逗號分隔的多個類型字符串）
t = numpy.dtype('U14,i4')此表示由U14和i4組成的元素，數組中的每一個元素都是這個「組合類型」
T :[(子段名稱，類型，維度),(子段描述),()...]
t = numpy.dtype([('name',numpy.str_,14),('age',numpy.int32)])此等價於'U14,i4'
2.5.4 元素中數據名修改
a = np.array([('1234', (1, 2, 3, 4)), ('5678', (5, 6, 7, 8))], dtype={'names': ['fa', 'fb'], 'formats': ['U4', '4i4']}) print(a.shape) #(2,) print(a.dtype) #[('fa', '<U4'), ('fb', '<i4', (4,))] print(a[0]['fa']) #1234 print(a[0]['fb']) #[1 2 3 4] print(a[1]['fa']) #5678 print(a[1]['fb']) #[5 6 7 8] print(a['fa']) #['1234' '5678'] print(a['fb']) #[[1 2 3 4] # [5 6 7 8]]
2.5.5 [(字段名稱，字段類型，字段維度),...]
元素內部的數據構成
a = np.array([('1234', (1, 2, 3, 4))], dtype=[('fa', np.str_, 4), ('fb', np.int32, 4)]) print(a.dtype) #[('fa', '<U4'), ('fb', '<i4', (4,))] print(a[0]['fa']) #1234 print(a[0]['fb']) #[1 2 3 4]
與下段代碼等價
b = np.array([('1234', (1, 2, 3, 4))], dtype=[('fa', 'U4'), ('fb', '4i4')]) print(b.dtype) #[('fa', '<U4'), ('fb', '<i4', (4,))] print(b[0]['fa']) #1234 print(b[0]['fb']) #[1 2 3 4]
2.5.6 (基本類型，解釋類型)
實例一
a = np.array([0x1234], dtype=('>u2', {'names': ['lo', 'hi'], 'formats': ['u1', 'u1']})) print('{:x} {:x} {:x}'.format(a[0], a['lo'][0], a['hi'][0])) #1234 12 34
實例二
m = np.array(['python'], dtype=('U6', {'names': ['codes'], 'formats': ['6u4']})) print(m) #['python'] print(m[0]) #python print(m['codes'][0]) #[112 121 116 104 111 110]
a = np.array([('abc', 123), ('def', 456)], dtype='U14,i4') print(a) #[('abc', 123) ('def', 456)] print(a.dtype) #[('f0', '<U14'), ('f1', '<i4')] print(a[0][0], a[0][1]) #abc 123 b = np.array( [('abc', 123), ('def', 456)], dtype=[('name', np.str_, 14), ('age', np.int32)] ) print(b) #[('abc', 123) ('def', 456)] print(b[0]['name'], b[0]['age']) #abc 123
3 展平
將任意維度轉成一維
3.1 a.ravel()
將a數組轉變爲一維視圖（僅是轉換了視圖輸出形式，其a數據的內部存儲形式不變）
a = np.array([ [1, 2, 3], [4, 5, 6]]) b = a.ravel() print(b) #[1 2 3 4 5 6] print(a)#[[1 2 3] #[4 5 6]] a *= 10 print(a) #[[10 20 30] #[40 50 60]] print(b) #[10 20 30 40 50 60]
3.2 flatten()
將a數組轉變爲一維副本（將a數組複製一份並以一維數組的方式保存到內存中）
a = np.array([ [1, 2, 3], [4, 5, 6]]) b = a.flatten() # c是a的一維副本 print(b) #[1 2 3 4 5 6] print(a) #[[1 2 3] #[4 5 6]] a *= 10 print(a) #[[10 20 30] #[40 50 60]] print(b) #[1 2 3 4 5 6]
4 轉置
轉置視圖實現方式：
Array.transpose() ：視圖轉置方法
Array.T：視圖轉置屬性
不管哪一種裝置形式，僅改變視圖形式，其內部不改變
a = np.arange(1, 9).reshape(2, 4) print(a) # [[1 2 3 4] # [5 6 7 8]] b = a.transpose() print(b) # [[1 5] # [2 6] # [3 7] # [4 8]] c = a.reshape(4, 2) print(c) # [[1 2] # [3 4] # [5 6] # [7 8]] d = a.T print(d) # [[1 5] # [2 6] # [3 7] # [4 8]] a *= 10 print(a, b, c, d, sep='\n') # 都是視圖 略
注：至少是二維數組才支持轉置，一維數據不支持轉置，嚴格來說，一維數據不存在行，只有列
將一列裝置爲行有兩種方法，以下代碼所示
a = np.arange(1,5) print(a) #[1 2 3 4] b = np.array([a]).transpose() #將其構形成二維再進行轉置 print(b) # [[1] # [2] # [3] # [4]] c = a.reshape(-1,1) #這裏-1行表示任意行，1，表示一列， print(c) # [[1] # [2] # [3] # [4]]
5 自定義數據類型
自定義的時候，能夠先用numpy.dtype(T)建立類型
a = numpy.array([...],dtype = T)
t = numpy.dtype(T) a = numpy.array([...],dtype = t)
實例一
# python 或numpy的內置類型 t = numpy.dtype(int) t = numpy.dtype(numpy.int32)
python的數據類型會將其轉化爲numpy數據類型
實例二
# 實例二 類型字符串 t = numpy.dtype('int') t = numpy.dtype('int32')
5.1 類型字符編碼
t = numpy.dtype('>(2,3)4i4')
這個表示爲：
> 大端字節序
（2，3） 維度，2行3列
4：份量數，也就是說2行3列數組中又存在一個一維數組，每一個數組中又4個元素，這4個元素中每一個元素爲4字節整型i，i4至關於int32
i 份量類型 ，每一個份量是一個整型，
4 份量字節數，每一個整型佔據4個字節，每一個類型的字長
實例一：
b = np.array([ (((1,2,3,4),(5,6,7,8),(9,10,11,12)), ((13,14,15,16),(17,18,19,20),(21,22,23,24))), (((25,26,27,28), (29,30,31,32), (33,34,35,36)), ((37,38,39,40), (41,42,43,44), (45,46,47,48))) ],dtype = '>(2,3)4i4') # dtype = '>(2,3,4)i4'與dtype = '>(2,3)4i4'等價 print(b) print(b.dtype) #>i4 dtype表示每個最小單元的數據類型
運行
[[[[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]] [[13 14 15 16] [17 18 19 20] [21 22 23 24]]] [[[25 26 27 28] [29 30 31 32] [33 34 35 36]] [[37 38 39 40] [41 42 43 44] [45 46 47 48]]]] >i4
6 改變維度的4種方式
1）視圖變維、2）複製變維、3）就地變維、4）視圖轉置
6.1 視圖變維
import numpy a = numpy.arange(1,7) b = a.reshape(2,3) #[[1 2 3] # [4 5 6]] # 能夠變回來 c = b.reshape(6) #[1,2,3,4,5,6] d = b.ravel() #扁平化 [1,2,3,4,5,6]
6.2 複製變維
e = b.flatten() #扁平化數據,e複製了b數據，e 獨立於b存在
6.3 就地變維
a.shape = (2,3) #把已有的數組更變爲新的數組類型
shape爲a的屬性，此時a的數據結構形式就發生了變化
數據是共享的，元數據是獨立的，元數據包含了數據，還包括有對數據的描述（數據結構）
元數據，能夠簡單理解爲描述爲語言
a.resize((3,2))#就地變維，形參只有一個，(2,3)是以元組形式傳參的，
6.4 視圖轉置
略
7 組合與拆分
垂直組合：vstack((上，下))
垂直分割：vsplit(數組，分割數)->子數組元組
水平組合：hstack((左，右))
水平分割：hsplit(數組，分割數)->子數組元組
深度組合：dstack((前，後))
深度分割：dsplit(數組，分割數)->子數組元組
行組合：row_stack((上，下))
列組合：column_stack((左，右))
7.1 垂直、水平、深度組合方式
垂直：v = numpy.vstack((u,d))
水平：h = numpy.hstack((l,r))
深度：d = numpy.dstack((a,b)) 能夠理解爲沿垂直紙面的組合方式
import numpy as np a = np.arange(1,10).reshape(3,3) b = a * 10 print(a, b, sep='\n') # a # [[1 2 3] # [4 5 6] # [7 8 9]] # b # [[10 20 30] # [40 50 60] # [70 80 90]] c = np.vstack((a,b)) print(c) # [[ 1 2 3] # [ 4 5 6] # [ 7 8 9] # [10 20 30] # [40 50 60] # [70 80 90]] d = np.hstack((a,b)) print(d) # [[ 1 2 3 10 20 30] # [ 4 5 6 40 50 60] # [ 7 8 9 70 80 90]] e = np.dstack((a,b)) print(e) # [[[ 1 10] # [ 2 20] # [ 3 30]] # # [[ 4 40] # [ 5 50] # [ 6 60]] # # [[ 7 70] # [ 8 80] # [ 9 90]]]
7.2 行組合、列組合
行組合：r = np.row_stack((u,d))
列組合：c = np.column_stack((l,r))
行、列組合通常針對一維數組，
對於二維及二維以上數組，行組合和垂直組合效果同樣，列組合和水平組合效果同樣
# 行組合 r = np.row_stack((u,d)) # u [1 2 3] # d [4 5 6] # r [ # [1 2 3] # [4 5 6] # ] # 列組合 c = np.column_stack((l,r)) # l [1 2 3] # r [4 5 6] # c [ # [1 4] # [2 5] # [3 6] # ]
7.3 垂直分割、水平分割、深度分割
1）垂直分割
u,d = numpy.vsplit(v,2)
u,m,d = numpy.vsplit(v,3)#分割的份數
2）水平分割
垂直分割、水平分割和垂直合併、水平合併是可逆的
l,m,r = numpy.hsplit(h,3)
3）深度分割
q,r = np.dsplit(e,2)
print(q,r,sep='\n')
備註：深度分割和深度合併是不可逆操做；
能夠經過下段代碼將其還原
q = q.transpose()[0].transpose()
r = r.transpose()[0].transpose()
print(q,r,sep='\n')
學習代碼
import numpy as np a = np.arange(11, 20).reshape(3, 3) print('a') print(a) b = np.arange(21, 30).reshape(3, 3) print(b) c = np.arange(31, 40).reshape(3, 3) print(c) d = np.vstack((a, b, c)) print('d') print(d) # concatenate()方法能夠選擇方向進行合併 e = np.concatenate((a, b, c), axis=0) # 沿(行軸)合併 print('e') print(e) f, g, h = np.vsplit(e, 3) print('f,g,h') print(f, g, h, sep='\n') i = np.hstack((a, b, c)) # 水平組合 print('i') print(i) j = np.concatenate((a, b, c), axis=1) print('j') print(j) k, l, m = np.hsplit(j, 3) print('k') print(k) print('l') print(l) print('m') print(m) n = np.dstack((a, b)) print('n') print(n) o, p = np.dsplit(n, 2) print('o') print(o) print('p') print(p) print('o.T[0].T, p.T[0].T') print(o.T) print(o.T[0].T, p.T[0].T, sep='\n') q = np.arange(1, 4) r = np.arange(4, 7) s = np.arange(7, 10) print('q, r, s') print(q, r, s, sep='\n') t = np.row_stack((q, r, s)) #t = np.vstack((q, r, s)) print('t') print(t) u = np.column_stack((q, r, s)) #u = np.hstack((q, r, s)) print('u') print(u)
8 複數
import numpy as np a = np.array([ [1 + 1j, 2 + 4j, 3 + 7j], [11 + 11j, 12 + 14j, 13 + 17j], [21 + 21j, 22 + 24j, 23 + 27j], ]) print(a.dtype) # complex128 print(a.dtype.char) # D print(a.dtype.str) # <c16 print(a.imag) #虛部數組 # [[ 1. 4. 7.] # [11. 14. 17.] # [21. 24. 27.]] # 數字後面的點，表示浮點數 print('-----') print(a.real) # 實部數組 # [[ 1. 2. 3.] # [11. 12. 13.] # [21. 22. 23.]] print(a.T) #轉置 # [[ 1. +1.j 11.+11.j 21.+21.j] # [ 2. +4.j 12.+14.j 22.+24.j] # [ 3. +7.j 13.+17.j 23.+27.j]]
9 numpy.ndarray 類的屬性
1）dtype 元素類型
2）shape 維度 幾行幾列
3）ndim 數組維數，也能夠理解爲最外層的維度
4）size 元素個數，元素數len，若是一維size與len是相等的，當二維及以上時，則size僅表示列數，size行列式乘積
a [1 2 3] len(a) -> 3 a.sise -> 3 b [ [1 2 3]， [4 5 6] ] len(b) ->2 b.size ->6
5）itemsize 每一個元素的字節數
6）nbytes 數組的總字節數 = size * itemsize
7）T 轉置視圖
8）real 複數數組的實部視圖
9）image 複數數組的虛部視圖
10）flat 扁平迭代器
flat屬性將返回一個numpy.flatiter對象。扁平迭代器可讓咱們像遍歷一維數組同樣去遍歷任意的多維數組。（迭代器的計算是惰性的，節約內存）
11）tolist 轉化爲python列表 ，轉換以後能夠明顯看到其是用逗號分隔的
numpy.ndarray.tolist()-> 列表對象
import numpy as np a = np.array( [ (1 + 1j, 2 + 2j, 3 + 7j), (1 + 1j, 2 + 2j, 3 + 7j), (1 + 1j, 2 + 2j, 3 + 7j) ] ) print(a) # [[1.+1.j 2.+2.j 3.+7.j] # [1.+1.j 2.+2.j 3.+7.j] # [1.+1.j 2.+2.j 3.+7.j]] print(type(a)) # <class 'numpy.ndarray'> print(type(a[0])) # <class 'numpy.ndarray'> print(type(a[0][0])) # <class 'numpy.complex128'> print(a.dtype) # complex128 print(a.dtype.type) # <class 'numpy.complex128'> print(a.dtype.str) #<c16 16 * 8 類型的字符串 print(a.dtype.char) # D <c16 16 * 8 類型的字符碼，類型的字符編碼 print(a.dtype.itemsize) # 16 表示dtype所描述的數據佔用多少字節 這裏面的16 與上一個16 以及128 都是一致的 print(a.ndim) #2 print(len(a),a.size) #3 9 # 若爲三位數組，則len（）表示頁數，a.size則是頁數*行*列 print(a.itemsize) #16 print(a.nbytes) #144 print(a.T) # [[1.+1.j 1.+1.j 1.+1.j] # [2.+2.j 2.+2.j 2.+2.j] # [3.+7.j 3.+7.j 3.+7.j]] print(a.real, a.imag, sep='\n') #略 print(a.flat) # <numpy.flatiter object at 0x000001ED511EA310> for item in a.flat: print(item) # (1+1j) # (2+2j) # (3+7j) # (1+1j) # (2+2j) # (3+7j) # (1+1j) # (2+2j) # (3+7j) print('*'*6) # ****** print(a.flat[4]) #(2+2j) print(a.flat[[1,3,5]]) # [2.+2.j 1.+1.j 3.+7.j] a.flat[[2,4,6]] = 0 # 賦值 print(a) # [[1.+1.j 2.+2.j 0.+0.j] # [1.+1.j 0.+0.j 3.+7.j] # [0.+0.j 2.+2.j 3.+7.j]] b = a.tolist() print(b) # [[(1+1j), (2+2j), 0j], [(1+1j), 0j, (3+7j)], [0j, (2+2j), (3+7j)]]
print('flat') for elem in a.flat: # 性能最優 print(elem) print('ravel') for elem in a.ravel(): # 性能居中 print(elem) print('flatten') for elem in a.flatten(): # 性能最差 print(elem)
相似的代碼
import numpy as np a = np.array([ [1 + 1j, 2 + 4j, 3 + 7j], [4 + 2j, 5 + 5j, 6 + 8j], [7 + 3j, 8 + 6j, 9 + 9j]]) print('a.dtype') print(a.dtype) print('a.dtype.char') print(a.dtype.char) print('a.dtype.str') print(a.dtype.str) print('a.dtype.name') print(a.dtype.name) print('a.shape') print(a.shape) print('a.ndim') print(a.ndim) print('a.size') print(a.size) print('a.itemsize') print(a.itemsize) print('a.nbytes') print(a.nbytes) print('a.real') print(a.real) print('a.imag') print(a.imag) print('a.T') print(a.T) print('flat') for elem in a.flat: # 性能最優 print(elem) print('ravel') for elem in a.ravel(): # 性能居中 print(elem) print('flatten') for elem in a.flatten(): # 性能最差 print(elem) b = a.tolist() print('b') print(b) c = np.array(b) print('c') print(c) d = [] for i in range(10): d.append(i) print('d') print(d) e = np.array([], dtype=int) for i in range(10): e = np.append(e, i) print('e') print(e)
a.append(i)a = np.append(a,i)鏈表是指針形式，在內存中的空間能夠不連續，經過指針形式進行聯繫數組，必須是一個整塊的空間，數組中的元素須要的是連續內存，若是內存不足，則會開闢或尋找一個新的空間，將原內容拷貝到新的空間，
相關文章
- 1. Numpy基礎
- 2. numpy基礎
- 3. numpy基礎(一）
- 4. numpy 基礎 —— np.linalg
- 5. Task01：Numpy基礎
- 6. numpy基礎學習
- 7. Numpy基礎20問
- 8. numpy 基礎操做
- 9. NumPy基礎知識
- 10. numpy基礎習題
- 更多相關文章...
- • Kotlin 基礎語法 - Kotlin 教程
- • Scala 基礎語法 - Scala教程
- • Kotlin學習（二）基本類型
- • ☆基於Java Instrument的Agent實現
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Numpy基礎
- 2. numpy基礎
- 3. numpy基礎(一）
- 4. numpy 基礎 —— np.linalg
- 5. Task01：Numpy基礎
- 6. numpy基礎學習
- 7. Numpy基礎20問
- 8. numpy 基礎操做
- 9. NumPy基礎知識
- 10. numpy基礎習題