numpy的使用说明(二):这一章设计很多重要知识点(必看)
2023-03-15 23:29:45 时间
1、numpy中ndarray的一些常用属性
- ndim:返回数组的维数;
- shape:返回数组的形状;
- dtype:返回数组元素的数据类型;
- size:返回数组中元素的个数;
- itemsize:返回数组中每一个元素占用空间的大小,以字节为单位;
- nbytes:返回数组中所有元素占用空间的大小,以字节为单位;
1)举例说明
x = np.arange(10).reshape(2,5)
display(x)
display(x.ndim)
display(x.shape)
display(x.dtype)
display(x.size)
display(x.itemsize)
display(x.nbytes)
结果如下:
2)单独说一下属性itemsize和nbytes的含义
2、列表与数组之间的相互转化
1)列表转数组:直接将一个列表当作array()函数的参数即可;
import numpy as np
list1 = list(range(10))
display(list1)
array1 = np.array(list1)
display(array1)
结果如下:
2)数组转列表:tolist()
import numpy as np
array2 = np.arange(10).reshape(2,5)
display(array2)
list2 = array2.tolist()
display(list2)
array3 = np.arange(10)
display(array3)
list3 = array3.tolist()
display(list3)
结果如下:
3、numpy中的常数(了解)
- 正无穷:Inf = inf = infty = Infinity = PINF
- 负无穷:NINF
- 正零:PZERO
- 负零:NZERO
- 非数值:nan = NaN = NAN
- 自然数e:e
- π:pi
- 伽马:euler_gamma
- None:newaxis
操作如下:
display(np.inf)
display(np.NINF)
display(np.PZERO)
display(np.NZERO)
display(np.nan)
display(np.e)
display(np.pi)
display(np.euler_gamma)
display(np.newaxis)
结果如下:
4、numpy中的数据类型与数据类型转化
1)numpy中常用的的数据类型
2)numpy中的数据类型转化
- 记住一句话:numpy中的数据类型转换,不要使用x.dtype修改元素的数据类型,最好用x.astype()这种方式。
① 使用dtype原地修改数组的数据类型;
x = np.array([1.2,3.4,5.6],dtype=np.float64)
display(x)
display(x.dtype)
display(x.nbytes)
# --------------------------------------------
x.dtype="float32"
display(x)
display(x.nbytes)
# --------------------------------------------
x.dtype="float16"
display(x)
display(x.nbytes)
结果如下:
② 使用dtype原地修改数组的数据类型,为什么会出现上述现象?
③ 使用astype()函数修改数组的数据类型:相当于新创建了一个数组;
z = np.array([1.5,3.7,4.8])
display(z)
display(z.dtype)
# --------------------------
zz = z.astype(np.int64)
display(zz)
display(zz.dtype)
结果如下:
5、改变数组的形状
- 使用numpy中的reshape()函数修改数组对象;
- 使用数组对象的reshape()函数修改数组对象(这个更好用);
1)使用numpy中的reshape()函数修改数组对象;
xx = np.arange(10).reshape(2,5)
xxx = np.reshape(xx,(5,2))
display(xxx)
结果如下:
2)使用数组对象的reshape()函数修改数组对象;
yy = np.arange(10).reshape(2,5)
display(yy)
结果如下:
3)改变数组形状时,如果维度大于1,可以将“最后一个维度”设置为-1;
p = np.arange(6).reshape(2,3)
display(p)
# ----------------------------
q = np.arange(6).reshape(2,-1)
display(q)
结果如下:
注意:可以这样做的原因在于,当你指明了前面的维度,最后一个维度会根据数组元素个数和前面的维度数,自动计算出最后一个维度的维度数,也就是说【维度一 * 维度二 * … * 维度N = 元素个数】。
6、数组扁平化:ravel()函数和flatten()函数
① 两个函数的相同点
- 不管你给我的数组是多少维的,通过这两个函数之后,我都给你压缩为一维数组。
② 两个函数的不同点
③ 操作如下
array1 = np.array([[1,2,3],[4,5,6]])
display(array1)
array2 = array1.ravel()
display(array2)
array3 = array1.flatten()
display(array3)
# 此时我们修改array2和array3中的某个元素,看看对于array1的影响
array2[0] = 666
display(array2)
display(array1)
array3[1] = 888
display(array3)
display(array1)
结果如下:
相关文章
- 金融服务领域的大数据:即时分析
- 影响大数据、机器学习和人工智能未来发展的8个因素
- 从0开始构建一个属于你自己的PHP框架
- 如何将Hadoop集成到工作流程中?这6个优秀实践必看
- SEO公司使用大数据优化其模型的5种方法
- 关于Web Workers你需要了解的七件事
- 深入理解HTTPS原理、过程与实践
- 增强分析:数据和分析的未来
- PHP协程实现过程详解
- AI专家:大数据知识图谱——实战经验总结
- 关于PHP的错误机制总结
- 利用数据分析量化协同过滤算法的两大常见难题
- 怎么做大数据工作流调度系统?大厂架构师一语点破!
- 2019大数据处理必备的十大工具,从Linux到架构师必修
- OpenCV中的KMeans算法介绍与应用
- 教大家如果搭建一套phpstorm+wamp+xdebug调试PHP的环境
- CentOS下三种PHP拓展安装方法
- Go语言HTTP Server源码分析
- Go语言HTTP Server源码分析
- 2017年4月编程语言排行榜:Hack首次进入前五十