3.Python科学计算与数据处理教程.ppt
文本预览下载声明
NumPy——快速处理数据
1
2
NumPy
—ndarray 对象
目录
NumPy的导入
创建数组
存取元素
多维数组
结构数组
3
NumPy的导入
标准的Python 中用列表(list)保存一组值,可以当作数组使用。但由于列表的元素可以是任何对象,因此列表中保存的是对象的指针。对于数值运算来说,这种结构显然比较浪费内存和CPU计算
Python 提供了array 模块,它和列表不同,能直接保存数值,但是由于它不支持多维数组,也没有各种运算函数,因此也不适合
做数值运算。
4
NumPy的导入
NumPy 的诞生弥补了这些不足,NumPy 提供了两种基本的对象:ndarray(n-dimensional array object)和ufunc(universal function object)。
ndarray(下文统一称之为数组)是存储单一数据类型的多维数组,而ufunc 则是能够对数组进行处理的函数。
函数库的导入
5
import numpy as np
创建数组
在IPython 中输入函数名并添加一个“?”符号,就可以显示文档内容。例如,输入“np.array?”
可以通过给array函数传递Python的序列对象创建数组,如果传递的是多层嵌套的序列,将创建多维数组(下例中的变量c):
6
创建数组
7
a = np.array([1, 2, 3, 4])
b = np.array((5, 6, 7, 8))
c = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])
b
array([5, 6, 7, 8])
c
array([[1, 2, 3, 4],
[4, 5, 6, 7],
[7, 8, 9, 10]])
c.dtype #数组的元素类型可以通过dtype 属性获得
dtype(int32)
创建数组
数组的大小可以通过其shape属性获得:
可以通过修改数组的shape属性,在保持数组元素个数不变的情况下,改变数组每个轴的长度。
8
a.shape #一维数组
(4,)
c.shape #二维数组其中第0 轴的长度为3,第1 轴的长度为4。
(3, 4)
c.shape = 4,3 #注意从(3,4)改为(4,3)并不是对数组进行转置,而只是改变每个轴的大小,数组元素在内存中的位置并没有改变:
c
array([[ 1, 2, 3],
[ 4, 4, 5],
[ 6, 7, 7],
[ 8, 9, 10]])
创建数组
9
d = a.reshape((2,2)) #使用数组的reshape方法,可以创建一个改变了尺寸的新数组,原数组的shape保持不变。
d
array([[1, 2],
[3, 4]])
a
array([1, 2, 3, 4])
c.shape = 2,-1 #当某个轴的元素为-1时,将根据数组元素的个数自动计算此轴的长度,因此下面的程序将数组c的
shape改为了(2,6)。
c
array([[ 1, 2, 3, 4, 4, 5],
[ 6, 7, 7, 8, 9, 10]])
创建数组
数组a和d其实共享数据存储内存区域,因此修改其中任意一个数组的元素都会同时修改另外一个数组。
10
a[1] = 100 # 将数组a的第一个元素改为100
d # 注意数组d中的2也被改变了
array([[ 1, 100],
[ 3, 4]])
创建数组
数组的元素类型可以通过dtype属性获得。可以通过dtype参数在创建时指定元素类型:
11
np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]], dtype=np.float)
array([[ 1., 2., 3., 4.],
[ 4., 5., 6., 7.],
[ 7., 8., 9., 10.]])
np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]], dtype=plex)
array([[ 1.+0.j, 2.+0.j, 3.+0.j, 4.+0.j],
[ 4.+0.j, 5.+0.j, 6.+0.j, 7.+0.j],
[ 7.+0.j, 8.+0.j, 9.+0.j, 10.+0.j]])
创建数组
显示全部