一、Numpy概述

         Numpy 是一个 Python 包(Numeric Python)。它是一个由多维数组对象和用于处理数组的集合组成的库。 Numpy 拥有线性代数和随机数生成的内置函数。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。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。

二、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 

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：

序号	参数及描述
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。

DEMO 1

import numpy as np
a = np.array([1,2,3])
print a
# 输出如下：[1, 2, 3]

DEMO 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]]

DEMO 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]]

DEMO 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。

三、Numpy 的数据类型

Numpy 支持比 Python 更多种类的数值类型。

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.	int16 16 位整数（-32768 ~ 32767）
7.	int32 32 位整数（-2147483648 ~ 2147483647）
8.	int64 64 位整数（-9223372036854775808 ~ 9223372036854775807）
9.	uint8 8 位无符号整数（0 ~ 255）
10.	uint16 16 位无符号整数（0 ~ 65535）
11.	uint32 32 位无符号整数（0 ~ 4294967295）
12.	uint64 64 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）

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。

四、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false，结果是内建数据类型对象的引用。

DEMO 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

DEMO 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

DEMO 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。

DEMO 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\')]

DEMO 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,)]

DEMO6

# 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]

DEMO 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\', \'<f4\')])

DEMO 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）

五、Numpy的数组属性

1.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。

DEMO1​​​​​​​

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

DEMO 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]]

DEMO 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]]

2.ndarray.ndim这一数组属性返回数组的维数。

DEMO 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]

DEMO 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]]]

3.numpy.itemsize这一数组属性返回数组中每个元素的字节单位长度。

DEMO 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：1

DEMO 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

4.numpy.flagsndarray对象拥有以下属性。这个函数返回了它们的当前值。

序号	属性及描述
1.	C_CONTIGUOUS (C) 数组位于单一的、C 风格的连续区段内
2.	F_CONTIGUOUS (F) 数组位于单一的、Fortran 风格的连续区段内
3.	OWNDATA (O) 数组的内存从其它对象处借用
4.	WRITEABLE (W) 数据区域可写入。 将它设置为flase会锁定数据，使其只读
5.	ALIGNED (A) 数据和任何元素会为硬件适当对齐
6.	UPDATEIFCOPY (U) 这个数组是另一数组的副本。当这个数组释放时，源数组会由这个数组中的元素更新

DEMO

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

六、Numpy 的数组创建例程

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。

1.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：

序号	参数及描述
1.	Shape 空数组的形状，整数或整数元组
2.	Dtype 所需的输出数组类型，可选
3.	Order \'C\'为按行的 C 风格数组，\'F\'为按列的 Fortran 风格数组

DEMO

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。

2.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：

序号	参数及描述
1.	Shape 空数组的形状，整数或整数元组
2.	Dtype 所需的输出数组类型，可选
3.	Order \'C\'为按行的 C 风格数组，\'F\'为按列的 Fortran 风格数组

DEMO1

# 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.]

DEMO 2

import numpy as np
x = np.zeros((5,), dtype = np.int)
print x
# 输出如下：[0 0 0 0 0]

DEMO3

# 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)]]

3.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：

序号	参数及描述
1.	Shape 空数组的形状，整数或整数元组
2.	Dtype 所需的输出数组类型，可选
3.	Order \'C\'为按行的 C 风格数组，\'F\'为按列的 Fortran 风格数组

DEMO 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.]

DEMO 2​​​​​​​

import numpy as np
x = np.ones([2,2], dtype = int)
print x
输出如下：
[[1 1]
[1 1]]