Numpy學習 Day1

枸杞燙水發表於2020-10-19

Numpy學習 Day1

［toc］

常量

numpy.nan
- 表示空值，nan = NaN = NAN
- 兩個numpy.nan是不相等的
- numpy.isnan(x, *args, **kwargs)逐個元素的測試nan，並將結果以布林陣列返回。
numpy.inf
- 表示正無窮大， Inf = inf = infty = Infinity = PINF
numpy.pi
- 表示圓周率 pi = 3.1415926535897932384626433…
numpy.e
- 表示自然常數 e = 2.71828182845904523536028747135266249775724709369995…

資料型別

常見資料型別

型別	備註	說明
bool_ = bool8	8位	布林型別
int8 = byte	8位	整型
int16 = short	16位	整型
int32 = intc	32位	整型
int_ = int64 = long = int0 = intp	64位	整型
uint8 = ubyte	8位	無符號整型
uint16 = ushort	16位	無符號整型
uint32 = uintc	32位	無符號整型
uint64 = uintp = uint0 = uint	64位	無符號整型
float16 = half	16位	浮點型
float32 = single	32位	浮點型
float_ = float64 = double	64位	浮點型
str_ = unicode_ = str0 = unicode		Unicode 字串
datetime64		日期時間型別
timedelta64		表示兩個時間之間的間隔

建立資料型別

numpy 的數值型別實際上是 dtype 物件的例項。

每個內建型別都有一個唯一定義它的字元程式碼

字元	對應型別	備註
b	boolean	‘b1’
i	signed integer	‘i1’, ‘i2’, ‘i4’, ‘i8’
u	unsigned integer	‘u1’, ‘u2’ ,‘u4’ ,‘u8’
f	floating-point	‘f2’, ‘f4’, ‘f8’
c	complex floating-point
m	timedelta64	表示兩個時間之間的間隔
M	datetime64	日期時間型別
O	object
S	(byte-)string	S3表示長度為3的字串
U	Unicode	Unicode 字串
V	void

資料型別資訊
- NumPy和Python整數型別的行為在整數溢位方面存在顯著差異，與 NumPy 不同，Python 的int 是靈活的。這意味著Python整數可以擴充套件以容納任何整數並且不會溢位。
- numpy.iinfo()可以例項化檢視int資料型別的最大值（.max）、最小值(.min)
```
import numpy as np

ii16 = np.iinfo(np.int16)
print(ii16.min)  # -32768
print(ii16.max)  # 32767
```
- numpy.finfo()可以例項化檢視float資料型別的
  
  最大值（.max）、
  
  最小值(.min)、
  
  eps是取非負的最小值
  
  bits位數
```
import numpy as np

ff16 = np.finfo(np.float16)
print(ff16.bits)  # 16
print(ff16.min)  # -65500.0
print(ff16.max)  # 65500.0
print(ff16.eps)  # 0.000977
```

時間日期和時間增量

datetime64 基礎
- 在 numpy 中，我們很方便的將字串轉換成時間日期型別 datetime64（datetime 已被 python 包含的日期時間庫所佔用）。
  
  datatime64是帶單位的日期時間型別，其單位如下：
  
  日期單位程式碼含義時間單位程式碼含義
  Y 年 h 小時
  M 月 m 分鐘
  W 周 s 秒
  D 天 ms 毫秒
  - - us 微秒
  - - ns 納秒
  - - ps 皮秒
  - - fs 飛秒
  - - as 阿託秒
- 從字串建立 datetime64 型別時，預設情況下，numpy 會根據字串自動選擇對應的單位。
- 從字串建立 datetime64 型別時，可以強制指定使用的單位。
- 如果兩個 datetime64 物件具有不同的單位，它們可能仍然代表相同的時刻。並且從較大的單位（如月份）轉換為較小的單位（如天數）是安全的。
- 從字串建立 datetime64 陣列時，如果單位不統一，則一律轉化成其中最小的單位。
- 使用arange()建立 datetime64 陣列，用於生成日期範圍。
datetime64 和 timedelta64 運算
- timedelta64 表示兩個 datetime64 之間的差。timedelta64 也是帶單位的，並且和相減運算中的兩個 datetime64 中的較小的單位保持一致。
- 生成 timedelta64時，要注意年（‘Y’）和月（‘M’）這兩個單位無法和其它單位進行運算（一年有幾天？一個月有幾個小時？這些都是不確定的）。
- numpy.datetime64 與 datetime.datetime 相互轉換
```
import numpy as np
import datetime

dt = datetime.datetime(year=2020, month=6, day=1, hour=20, minute=5, second=30)
dt64 = np.datetime64(dt, 's')
print(dt64, dt64.dtype)
# 2020-06-01T20:05:30 datetime64[s]

dt2 = dt64.astype(datetime.datetime)
print(dt2, type(dt2))
# 2020-06-01 20:05:30 <class 'datetime.datetime'>
```

日期單位	程式碼含義	時間單位	程式碼含義
Y	年	h	小時
M	月	m	分鐘
W	周	s	秒
D	天	ms	毫秒
-	-	us	微秒
-	-	ns	納秒
-	-	ps	皮秒
-	-	fs	飛秒
-	-	as	阿託秒

datetime64 的應用

為了允許在只有一週中某些日子有效的上下文中使用日期時間，NumPy包含一組“busday”（工作日）功能。
```
numpy.busday_offset(dates, offsets, roll='raise', weekmask='1111100', holidays=None, busdaycal=None, out=None)
```
將指定的偏移量應用於工作日，單位天（‘D’）。計算下一個工作日，如果當前日期為非工作日，預設報錯。可以指定 forward 或 backward 規則來避免報錯。（一個是向前取第一個有效的工作日，一個是向後取第一個有效的工作日）
```
import numpy as np

# 2020-07-10 星期五
a = np.busday_offset('2020-07-10', offsets=1)
print(a)  # 2020-07-13

a = np.busday_offset('2020-07-11', offsets=1)
print(a)
# ValueError: Non-business day date in busday_offset
```

可以指定偏移量為 0 來獲取當前日期向前或向後最近的工作日，當然，如果當前日期本身就是工作日，則直接返回當前日期。

a = np.busday_offset('2020-07-11', offsets=0, roll='forward')
b = np.busday_offset('2020-07-11', offsets=0, roll='backward')
print(a)  # 2020-07-13
print(b)  # 2020-07-10

a = np.busday_offset('2020-07-11', offsets=1, roll='forward')
b = np.busday_offset('2020-07-11', offsets=1, roll='backward')
print(a)  # 2020-07-14
print(b)  # 2020-07-13

返回指定日期是否是工作日。is_busday()

import numpy as np

# 2020-07-10 星期五
a = np.is_busday('2020-07-10')
b = np.is_busday('2020-07-11')
print(a)  # True
print(b)  # False

統計一個 datetime64[D] 陣列中的工作日天數。

np.arange(begindates, enddates, dtype='datetime64')

np.count_nonzero(np.is_busday(a))

import numpy as np

# 2020-07-10 星期五
begindates = np.datetime64('2020-07-10')
enddates = np.datetime64('2020-07-20')
a = np.arange(begindates, enddates, dtype='datetime64')
b = np.count_nonzero(np.is_busday(a))
print(a)
# ['2020-07-10' '2020-07-11' '2020-07-12' '2020-07-13' '2020-07-14'
#  '2020-07-15' '2020-07-16' '2020-07-17' '2020-07-18' '2020-07-19']
print(b)  # 6

自定義周掩碼值，即指定一週中哪些星期是工作日。

np.is_busday(weekmask=[1, 1, 1, 1, 1, 0, 0])

# 2020-07-10 星期五
a = np.is_busday('2020-07-10', weekmask=[1, 1, 1, 1, 1, 0, 0])
b = np.is_busday('2020-07-10', weekmask=[1, 1, 1, 1, 0, 0, 1])
print(a)  # True

print(b) # False


- 返回兩個日期之間的工作日數量。

```numpy.busday_count(begindates, enddates, weekmask='1111100', holidays=[], busdaycal=None, out=None)```

```python
import numpy as np

# 2020-07-10 星期五
begindates = np.datetime64('2020-07-10')
enddates = np.datetime64('2020-07-20')
a = np.busday_count(begindates, enddates)
b = np.busday_count(enddates, begindates)
print(a)  # 6
print(b)  # -6

陣列的建立

import numpy as np

numpy 提供的最重要的資料結構是ndarray，它是 python 中list的擴充套件。

依據現有資料來建立 ndarray
- 通過array()函式進行建立
```
def array(p_object, dtype=None, copy=True, order='K', subok=False, ndmin=0): 
```
- 通過asarray()函式進行建立
  　　　　- array()和asarray()都可以將結構資料轉化為 ndarray，但是array()和asarray()主要區別就是當資料來源是ndarray 時，array()仍然會 copy 出一個副本，佔用新的記憶體，但不改變 dtype 時 asarray()不會。
  　　- 更改為較大的dtype時，其大小必須是array的最後一個axis的總大小（以位元組為單位）的除數
- 通過fromfunction()函式進行建立
給函式繪圖的時候可能會用到fromfunction()，該函式可從函式中建立陣列。
```
def fromfunction(function, shape, **kwargs):
```
依據 ones 和 zeros 填充方式

在機器學習任務中經常做的一件事就是初始化引數，需要用常數值或者隨機值來建立一個固定大小的矩陣。
- 零陣列
  - zeros()函式：返回給定形狀和型別的零陣列。輸入的是shape
  - zeros_like()函式：返回與給定陣列形狀和型別相同的零陣列。輸入的是array
```
def zeros(shape, dtype=None, order='C'):
def zeros_like(a, dtype=None, order='K', subok=True, shape=None):
```
- 1陣列
  - ones()函式：返回給定形狀和型別的1陣列。
  - ones_like()函式：返回與給定陣列形狀和型別相同的1陣列。
```
def ones(shape, dtype=None, order='C'):
def ones_like(a, dtype=None, order='K', subok=True, shape=None):
```
- 空陣列
  - empty()函式：返回一個空陣列，陣列元素為隨機數。
  - empty_like函式：返回與給定陣列具有相同形狀和型別的新陣列
```
def empty(shape, dtype=None, order='C'): 
def empty_like(prototype, dtype=None, order='K', subok=True, shape=None):
```
- 單位陣列
  - eye()函式：返回一個對角線上為1，其它地方為零的單位陣列。
  - identity()函式：返回一個方的單位陣列。
```
def eye(N, M=None, k=0, dtype=float, order='C'):
def identity(n, dtype=None):
```
- 對角陣列
  - diag()函式：提取對角線或構造對角陣列。
```
def diag(v, k=0):
```
```
import numpy as np

x = np.arange(9).reshape((3, 3))
print(x)
# [[0 1 2]
#  [3 4 5]
#  [6 7 8]]
print(np.diag(x))  # [0 4 8]
print(np.diag(x, k=1))  # [1 5]
print(np.diag(x, k=-1))  # [3 7]

v = [1, 3, 5, 7]
x = np.diag(v)
print(x)
# [[1 0 0 0]
#  [0 3 0 0]
#  [0 0 5 0]
#  [0 0 0 7]]
```
- 常數陣列
  - full()函式：返回一個常數陣列。
  - full_like()函式：返回與給定陣列具有相同形狀和型別的常數陣列。
```
def full(shape, fill_value, dtype=None, order='C'):
def full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None):
```

利用數值範圍來建立ndarray

arange()函式：返回給定間隔內的均勻間隔的值。
linspace()函式：返回指定間隔內的等間隔數字。
logspace()函式：返回數以對數刻度均勻分佈。

numpy.random.rand() 返回一個由[0,1)內的隨機陣列成的陣列。

def arange([start,] stop[, step,], dtype=None): 
def linspace(start, stop, num=50, endpoint=True, retstep=False, 
             dtype=None, axis=0):
def logspace(start, stop, num=50, endpoint=True, base=10.0, 
             dtype=None, axis=0):
def rand(d0, d1, ..., dn):

結構陣列的建立

結構陣列，首先需要定義結構，然後利用np.array()來建立陣列，其引數dtype為定義的結構。

利用字典來定義結構

import numpy as np

personType = np.dtype({
    'names': ['name', 'age', 'weight'],
    'formats': ['U30', 'i8', 'f8']})

a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>

利用包含多個元組的列表來定義結構

import numpy as np

personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')])
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>

# 結構陣列的取值方式和一般陣列差不多，可以通過下標取得元素：
print(a[0])
# ('Liming', 24, 63.9)

print(a[-2:])
# [('Mike', 15, 67. ) ('Jan', 34, 45.8)]

# 我們可以使用欄位名作為下標獲取對應的值
print(a['name'])
# ['Liming' 'Mike' 'Jan']
print(a['age'])
# [24 15 34]
print(a['weight'])
# [63.9 67.  45.8]

陣列的屬性

在使用 numpy 時，你會想知道陣列的某些資訊。很幸運，在這個包裡邊包含了很多便捷的方法，可以給你想要的資訊。
- numpy.ndarray.ndim用於返回陣列的維數（軸的個數）也稱為秩，一維陣列的秩為 1，二維陣列的秩為 2，以此類推。
- numpy.ndarray.shape表示陣列的維度，返回一個元組，這個元組的長度就是維度的數目，即 ndim 屬性(秩)。
- numpy.ndarray.size陣列中所有元素的總量，相當於陣列的shape中所有元素的乘積，例如矩陣的元素總量為行與列的乘積。
- numpy.ndarray.dtype ndarray 物件的元素型別。
- numpy.ndarray.itemsize以位元組的形式返回陣列中每一個元素的大小。
- 在ndarray中所有元素必須是同一型別，否則會自動向下轉換，int->float->str。

Numpy學習（2）numpy向量化、numpy操作
2020-10-13
Numpy學習筆記
2020-10-20
筆記
NumPy 學習（1）： ndarrays
2016-09-22
numpy 學習總結
2018-01-12
Numpy學習筆記 1
2020-11-23
筆記
Numpy學習筆記（1）
2018-01-16
筆記
python_numPy學習
2018-04-14
Python
Python之numpy學習
2017-01-31
Python
MySQL深入學習-day1
2022-05-17
MySql
python學習day1
2015-03-12
Python
numpy學習筆記 – numpy陣列的常見用法
2018-08-26
筆記陣列
numpy的學習筆記\pandas學習筆記
2018-03-18
筆記
Python NumPy學習總結
2018-10-12
Python
【Numpy學習08】陣列迭代
2020-10-23
陣列
【Task02】Numpy學習打卡
2020-10-23
【Task01】Numpy學習打卡
2020-10-20
【Task04】Numpy學習打卡
2020-10-28
Numpy與Pandas學習網站
2021-01-05
學習網站
python——numpy學習筆記
2020-12-04
Python筆記
NumPy 學習（3）：通用函式
2016-09-22
函式
python學習之路—day1
2019-02-21
Python
Java 學習筆記--Day1
2019-03-23
Java筆記
TA學習記錄Day1
2021-01-05
ORID學習法day1
2017-01-31
【numpy學習筆記】矩陣操作
2018-07-11
筆記矩陣
【numpy學習筆記】 Array processing
2018-07-11
筆記
Numpy學習第二天
2020-10-20
【Numpy學習12】邏輯函式
2020-10-28
函式
NumPy 學習（2）：陣列的操作
2016-09-22
陣列
【JAVA Web基礎學習】Day1
2018-03-19
JavaWeb
【Numpy學習】np.count_nonzero()用法解析
2020-11-19
機器學習之numpy和matplotlib學習（四）
2017-06-30
機器學習
大周H的前端學習day1
2020-10-15
前端
大資料學習日記day1
2017-08-21
大資料
OpenCV影像處理學習筆記-Day1
2020-09-28
OpenCV筆記
深度學習day1（第一章：什麼是深度學習？）
2020-10-26
深度學習
python綜合學習四之Numpy和Pandas(下)
2019-02-16
Python
Python學習之Pandas和Numpy的區別！
2021-05-08
Python

Numpy學習 Day1

Numpy學習 Day1

常量

numpy.nan

numpy.inf

numpy.pi

numpy.e

資料型別

常見資料型別

建立資料型別

資料型別資訊

時間日期和時間增量

datetime64 基礎

datetime64 和 timedelta64 運算

datetime64 的應用

陣列的建立

依據現有資料來建立 ndarray

依據 ones 和 zeros 填充方式

利用數值範圍來建立ndarray

結構陣列的建立

相關文章