NumPy 陣列物件
# 來源：NumPy Essentials ch2
陣列索引和切片
# 建立 100x100 個 0~1 隨機數
x = np.random.random((100, 100))
# 取第 42 行 87 列的元素（從零開始）
y = x[42, 87]
# 取第 k 行的所有元素
# 等價於 x[k] 和 x[k, ...]
print(x[k, :])
a = np.array([[10 * y + x for x in range(6)] for y in range(6)])
'''
a[0, 3:5]
'''
array([3, 4])
+--+--+--+--+--+--+
'''
a[4: ,4:]
'''
array([[44, 45],
[54, 55]])
+--+--+--+--+--+--+
'''
a[:, 2]
'''
array([ 2, 12, 22, 32, 42, 52])
+--+--+--+--+--+--+
'''
a[2::2, ::2]
'''
array([[20, 22, 24],
[40, 42, 44]])
+--+--+--+--+--+--+
'''
記憶體佈局
print x.flags
'''
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
UPDATEIFCOPY : False
C_CONTIGUOUS：是否為 C 風格連續，也就是行為主，最後一個維度是連續的
F_CONTIGUOUS：是否為 F 風格連續，也就是列為主，第一個維度是連續的
OWNDATA：是否擁有資料，檢視不擁有資料
WRITEABLE：是否可寫
ALIGNED：是否對齊
UPDATEIFCOPY：
'''
c_array = np.random.rand(10000, 10000)
f_array = np.asfortranarray(c_array)
def sum_row(x):
'''
計算第零行的和
'''
return np.sum(x[0, :])
def sum_col(x):
'''
計算第零列的和
'''
return np.sum(x[:, 0])
'''
我們可以看到，C 風格陣列按行訪問比較快
F 風格陣列按列訪問比較快
%timeit sum_row(c_array)
10000 loops, best of 3: 21.2 µs per loop
%timeit sum_row(f_array)
10000 loops, best of 3: 157 µs per loop
%timeit sum_col(c_array)
10000 loops, best of 3: 162 µs per loop
%timeit sum_col(f_array)
10000 loops, best of 3: 21.4 µs per loop
'''
副本和檢視
x = np.random.rand(100,10)
y = x[:5, :]
np.may_share_memory(x, y)
y[:] = 0
print(x[:5, :])
'''
[[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]
'''
x = np.random.rand(100,10)
y = np.empty([5, 10])
y[:] = x[:5, :]
np.may_share_memory(x, y)
y[:] = 0
print(x[:5, :])
陣列建立
# 最簡單的方式就是從 Python 列表建立 NumPy 陣列
x = np.array([1, 2, 3])
y = np.array(['hello', 'world'])
# 但有時我們想建立範圍內的數值陣列
x = range(5)
y = np.array(x)
# NumPy 有個輔助函式
# 等價於上面的操作
x = np.arange(5)
# 多維陣列也是一樣的
x = np.array([[1, 2, 3],[4, 5, 6]])
x.ndim # 2
x.shape # (2, 3)
# rand 建立指定形狀的陣列，元素為 0~1 的隨機數
x = np.random.rand(2, 2, 2)
print(x.shape)
# (2, 2, 2)
# random 和 rand 相似
# 只是接受元組形式的形狀
shape_tuple = (2, 3, 4)
y = np.random.random(shape_tuple)
print(y.shape)
# (2, 3, 4)
# randint(l, h, size=sz) 建立 l ~ h-1 的隨機整數
# 預設是 10 個
LOW, HIGH = 1, 11
SIZE = 10
x = np.random.randint(LOW, HIGH, size=SIZE)
print(x)
[ 6 9 10 7 9 5 8 8 9 3]
# 還有一些其它的建立函式
# zeros(size) 和 ones(size) 建立指定形狀的全零或全一陣列
# eye(n) 建立 n 維單位矩陣
# full(size, n) 建立指定形狀的純量陣列，所有元素都為 n
資料型別
x = np.random.random((10,10))
# dtype 屬性是資料型別
x.dtype
# dtype('float64')
x = np.array(range(10))
x.dtype
# dtype('int32')
x = np.array(['hello', 'world'])
x.dtype
# dtype('S5')
# 建立陣列時可以指定資料型別
# 我們可以傳入 NumPy 型別
x = np.ones((10, 10), dtype=np.int)
x.dtype
# dtype('int32')
# 也可以傳入表示型別的字串
x = np.zeros((10, 10), dtype='|S1')
x.dtype
# dtype('S1')
# NumPy 會使用它們來構造 dtype
# 完整列表請見
# http://docs.scipy.org/doc/numpy/user/basics.types.html