科学计算基础软件包NumPy入门讲座（2）：基本概念
1. 安装和导入
NumPy的安装非常简单，直接使用 pip 命令安装即可。强烈安装NumPy的时候一并安装SciPy模块和matplotlib模块，前者是包含图像处理、信号处理、空间计算、积分、聚类等专业性的科学计算工具包，后者是Python生态圈中应用最广泛的绘图库。
PS D:\>python –m pip install numpy scipy matplotlib
- 1
使用NumPy时，通常习惯简写成 np。提醒大家注意：pip 命令需要在命令行窗口中运行，而不是在下图所示的IDEL窗口中。 在IDEL窗口中可以交互式执行Python语句，是学习 Python 的有力工具。
2. NumPy数组的数据类型
NumPy 支持的数据类型主要有整型(integrate)、浮点型(float)、布尔型(bool)和复数型(complex)，每一种数据类型根据占用内存的字节数又分为多个不同的子类型。当然，NumPy 也支持自定义类型，我们在后面讲解数组排序的时候，再讨论自定义类型。
下面的例子演示了如何查看和指定数组的数据类型。
>>> a = np.array([0,1,2,3])
>>> a.dtype
dtype('int32')
>>> a = np.array([0,1,2,3.0])
>>> a.dtype
dtype('float64')
>>> a = np.array([0,1,2,3+0j])
>>> a.dtype
dtype('complex128')
>>> a = np.array([0,1,2,3], dtype=np.int16)
>>> a.dtype
dtype('int16')
>>> a = np.array([0,1,2,3], dtype=np.uint8)
>>> a.dtype
dtype('uint8')
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
dtype是数组的属性之一，可以很方便地查看数组的数据类型。创建数组时，如果不指定数据类型，NumPy会根据输入数据选择合适的数据类型。在较早期的版本中，指定数据类型的时候允许省略数据类型后面的数字，不过最新的版本已经限制这样的写法了。
3. NumPy数组的属性
刚才我们用dtype可以查看数组的数据类型，dtype是数组对象的属性之一，除了dtype，NumPy数组还有其他一些属性，详见下表。属性看起来有点多，但我们只需要记住dtype和shape两个属性就足可应对一般需求了。这两个属性非常重要，重要到你可以忽略其他的属性。
| 属性 | 说明 |
|---|---|
| ndarray.dtype | 元素类型 |
| ndarray.shape | 数组结构或形状 |
| ndarray.size | 数组元素个数 |
| ndarray.itemsize | 数组元素的大小，以字节为单位 |
| ndarray.ndim | 数组的维度数，也叫秩 |
| ndarray.flags | 数组的内存信息 |
| ndarray.real | 元素的实部 |
| ndarray.imag | 元素的虚部 |
| ndarray.data | 元素数组的实际存储区 |
下面是这些属性的演示操作：
>>> a = np.arange(24, dtype=np.complex64).reshape((2,3,4))
>>> a.dtype # 复数类型
dtype('complex64')
>>> a.shape # 2层3行4列
(2, 3, 4)
>>> a.size # 总共24个元素
24
>>> a.itemsize # 每个元素占用8个字节
8
>>> a.flags # 存储信息
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
>>> a.real # 实部
array([[[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]],
[[12., 13., 14., 15.],
[16., 17., 18., 19.],
[20., 21., 22., 23.]]], dtype=float32)
>>> a.imag # 虚部
array([[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]],
[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]]], dtype=float32)
>>> a.data # 内存区域地址
<memory at 0x00000157D820BC78>
>>> a.ndim # 维度数（秩）
3
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
4. 维、秩、轴
维，就是维度。我们说数组是几维的，就是指维度，3维的数组，其维度数自然就是3。维度数，有一个专用名字，叫做秩，也就是上一节提到的数组属性 ndim。秩这个名字感觉有些多余，不如维度数更容易理解。但是，轴（axis）的概念一定要建立起来，并且要理解，因为轴的概念很重要。简单来说，可以把数组的轴，和笛卡尔坐标系的轴对应一下。
一维数组，类比于一维空间，只有一个轴，那就是0轴。
二维数组，类比于二维平面，有两个轴，我们习惯表示成行、列，那么行的方向就是0轴，列的方向就是1轴。
三维数组，类比于三维空间，有三个轴，我们习惯表示成层、行、列，那么层的方向就是0轴，行的方向就是1轴，列的方向就是2轴。
我们用一个求和的例子来演示一下轴概念的重要性。以三维数组为例，求和的需求会比较复杂，比如，分层求和，逐行求和，逐列求和等。这时候，轴（axis）就可以大显身手了。
>>> a = np.arange(18).reshape((3,2,3)) # 3层2行3列的结构
>>> a
array([[[ 0, 1, 2],
[ 3, 4, 5]],
[[ 6, 7, 8],
[ 9, 10, 11]],
[[12, 13, 14],
[15, 16, 17]]])
>>> np.sum(a) # 全部元素求和
153
>>> np.sum(a, axis=0) # 层（0轴）方向求和，即所有层的对应元素求和
array([[18, 21, 24],
[27, 30, 33]])
>>> np.sum(a, axis=1) # 行（1轴）方向求和，即各层列求和
array([[ 3, 5, 7],
[15, 17, 19],
[27, 29, 31]])
>>> np.sum(a, axis=2) # 列（2轴）方向求和，即各层行求和
array([[ 3, 12],
[21, 30],
[39, 48]])
>>> np.sum(np.sum(a, axis=1), axis=1) # 分层求和方法1
array([15, 51, 87])
>>> np.sum(np.sum(a, axis=2), axis=1) # 分层求和方法2
array([15, 51, 87])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
只要理解了上面的操作，轴的概念就真正建立起来了。
5. 广播和矢量化
在讲两个概念之前，我们先思考两个问题：
- 整型数组各元素加1；
- 求两个等长整型数组对应元素之和组成的新数组。
若用python的列表实现的话，代码大约会这样写吧。
>>> x = list(range(5))
>>> for i in range(len(x)): # 遍历数组为每个元素加1
x[i] += 1
>>> y = list(range(5,10))
>>> z = list()
>>> for i, j in zip(x, y): # 遍历两个数组，逐个元素求和
z.append(i+j)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
用NumPy数组实现的话，代码就简洁多了，无需循环。
>>> a = np.arange(5)
>>> a += 1
>>> b = np.arange(5,10)
>>> c = a + b
- 1
- 2
- 3
- 4
显然，用NumPy数组实现起来，要比Python列表更简洁、更清晰。这得益于于NumPy的两大特性：广播和矢量化。
广播（broadcast）和矢量化（vectorization），是NumPy最精髓的特性，是NumPy的灵魂。所谓广播，就是将对数组的操作映射到每个数组元素上；矢量化可以理解为代码中没有显式的循环、索引等。NumPy数组最重要的特性是广播和矢量化，体现在性能上，就是接近C语言的运行效率，体现在代码上，则有这样的特点：
- 矢量化代码更简洁，更易于阅读
- 代码行越少意味着出错的几率越小
- 代码更接近于标准的数学符号
- 矢量化代码更pythonic
文章来源: xufive.blog.csdn.net，作者：天元浪子，版权归原作者所有，如需转载，请联系作者。
原文链接：xufive.blog.csdn.net/article/details/124593409
- 点赞
- 收藏
- 关注作者
评论（0）