NumPy 學習（1）： ndarrays

Amei1314發表於2016-09-22

　　Numpy 是Numerical Python的簡寫，用來進行高效能的科學計算以及資料分析的基礎包。它是一些高階工具(pandas)的基礎。它主要提供以下幾個功能：

　　(1). ndarray：計算快，空間效率高的多緯的陣列

　　(2). 快速運算元組的標準數學函式

　　(3). 向磁碟讀寫資料的工具，提供記憶體影射檔案功能

　　(3). 線性代數，隨機數生成器，傅立葉變換功能

　　(4). 整合用C,C++,以及Fortran寫的程式碼的工具 （Python生態系統宗重要的功能）

　　　事實上Numpy本身沒有提供太多資料分析的函式，但是理解NumPy的陣列，以及面向陣列的計算對後期學習pandas等工具有很大的幫助。

1. ndarray , 多維陣列物件

　　多維陣列物件是NumPy的一個重要特點，它為龐大的資料集提供一個運算快且靈活的容器。

　　(1). 簡單建立一個陣列，通過呼叫pandas.array()，前提是需要引入numpy包，這裡我門為了方便呼叫，將其重新命名為np

In [6]: import numpy as np

In [7]: a = [6,7.5,8,0,1]
# 用建立的list物件來建立array物件
In [8]: arr1 = np.array(a)

In [9]: arr1
Out[9]: array([ 6. ,  7.5,  8. ,  0. ,  1. ])

　　(2). 用巢狀序列來建立陣列

n [12]: data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]

In [13]: arr2 = np.array(data2)

In [14]: arr2
Out[14]: 
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])

　　(3). 除了用np.array 來建立陣列外，還有一些其他的函式來建立新的陣列。

　　　　zeros 和 ones 函式可以分別用來建立0，和1 元素的陣列。 

In [15]: np.zeros(10)
Out[15]: array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.])
In [16]: np.ones((3,5))
Out[16]: 
array([[ 1.,  1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.,  1.]])

 　　　　通過np.empty 建立一個由任意數初始化的陣列

In [21]: np.empty((2,3,2))
Out[21]: 
array([[[  6.91210571e-310,   1.97791711e-316],
        [  0.00000000e+000,   0.00000000e+000],
        [  0.00000000e+000,   0.00000000e+000]],

       [[  0.00000000e+000,   0.00000000e+000],
        [  0.00000000e+000,   0.00000000e+000],
        [  0.00000000e+000,   0.00000000e+000]]])

　　　　通過arrange函式建立：

　　　　

In [28]: np.arange(10)
Out[28]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

 

　　(4). 檢視陣列屬性

# 檢視陣列維度
In [24]: arr2.ndim
Out[24]: 2
# 檢視陣列大尺寸
In [25]: arr2.shape
Out[25]: (2, 4)
# 檢視陣列元素型別
In [26]: arr2.dtype
Out[26]: dtype('int64')
。。。。。

 

2. ndarrays 的資料型別：

　　　在建立陣列的時候可以指定資料元素的型別，用dtype指定型別，說明在解析陣列所在記憶體空間的時候採用什麼方式。這使得NumPy 更加強大和易用。

　在大多數情況下，NumPy是直接型別對映成底層的二進位制，這使得其更容易以二進位制流的方式去讀寫資料。

　　　　

In [3]: arr1 = np.array([1,2,3,4],dtype = np.float64)

In [4]: arr2 = np.array([4,3,2,1],dtype = np.int32)

In [5]: arr1.dtype
Out[5]: dtype('float64')

In [6]: arr2.dtype
Out[6]: dtype('int32')

　　資料型別表:

　　

　　

　　可以顯示的將一種型別強轉為另一種型別，這時需要使用astye函式

In [7]: arr2.dtype
Out[7]: dtype('int32')
In [8]: float_arr2 = arr2.astype(np.float64)
In [9]: float_arr2
Out[9]: array([ 4.,  3.,  2.,  1.])
In [10]: float_arr2.dtype
Out[10]: dtype('float64')

　　但是當把浮點型別轉化為整形的時候會出現截斷：

　　

In [11]: arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])

In [12]: arr.astype(np.int32)
Out[12]: array([ 3, -1, -2,  0, 12, 10], dtype=int32)

　　也可以把字串表示的數字轉換為數值型別，但是可能在轉換過程中出錯，因為有的字串無法轉換為數值型別。

In [13]: numeric_strings = np.array(['1.25', '-9.6', '42'], dtype=np.string_)

In [14]: numeric_strings.astype(float)
Out[14]: array([  1.25,  -9.6 ,  42.  ])


3. 運算

　　可以在NumPy的陣列之間，以及陣列和數字之間作運算。

In [15]: arr = np.array([[1., 2., 3.], [4., 5., 6.]])

In [16]: arr
Out[16]: 
array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.]])
# 陣列間乘法
In [17]: arr * arr
Out[17]: 
array([[  1.,   4.,   9.],
       [ 16.,  25.,  36.]])
# 陣列間減法
In [18]: arr - arr
Out[18]: 
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])
# 數和陣列的除法
In [19]: 1 / arr
Out[19]: 
array([[ 1.        ,  0.5       ,  0.33333333],
       [ 0.25      ,  0.2       ,  0.16666667]])
# 數和陣列的乘法
In [20]: arr * 0.5
Out[20]: 
array([[ 0.5,  1. ,  1.5],
       [ 2. ,  2.5,  3. ]])

　　不同尺寸大小的陣列間也是可以運算的。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

　　

 

相關文章