Numpy基础数据结构
NumPy数组是一个多维数组对象，称为ndarray。其由两部分组成：
- 实际的数据
- 描述这些数据的元数据
1.一维数组
import numpy as np ar = np.array([1,2,3,4,5,6,7])print(ar) # 输出数组，注意数组的格式：中括号，元素之间没有逗号（和列表区分）print(ar.ndim) # 输出数组维度的个数（轴数），或者说“秩”，维度的数量也称rankprint(ar.shape) # 数组的维度，对于n行m列的数组，shape为（n，m）print(ar.size) # 数组的元素总数，对于n行m列的数组，元素总数为n*mprint(ar.dtype) # 数组中元素的类型，类似type()（注意了，type()是函数，.dtype是方法）print(ar.itemsize) # 数组中每个元素的字节大小，int32类型字节为4，float64的字节为8print(ar.data) # 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。ar # 交互方式下输出，会有array(数组)# 数组的基本属性# ① 数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推# ② 在NumPy中，每一个线性的数组称为是一个轴（axes），秩其实是描述轴的数量：# 比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组# 所以一维数组就是NumPy中的轴（axes），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。# 而轴的数量——秩，就是数组的维数。
输出结果：
[1 2 3 4 5 6 7]1(7,)7int324array([1, 2, 3, 4, 5, 6, 7])
2.二维数组
import numpy as npar2 = np.array([[1,2,3],[2,3,4]])print(ar2)print(ar2.ndim)print(ar2.shape)print(ar2.dtype)ar2
输出结果：
[[1 2 3] [2 3 4]]2(2, 3)int32array([[1, 2, 3], [2, 3, 4]])
3.有字符串的混合数组
import numpy as nplst = [[1,2,3],['a','b','c']]print(type(lst))ar2 = np.array([['a','b','c'],[1,2,3]])print(ar2)print(ar2.dtype) #有字符串组成的类型一定为字符串型号
输出结果：
[['a' 'b' 'c'] ['1' '2' '3']]
4.三维数组
import numpy as np #三维数组,由两个二维数组构成，而每个二维数组由2个一维数组构成ar2 = np.array([[[1,2,3],[2,3,4]], [[4,5,6],[7,8,9]] ])print(ar2)print(ar2.shape)print(ar2.ndim)
输出结果：
[[[1 2 3] [2 3 4]] [[4 5 6] [7 8 9]]](2, 2, 3)3
5. 创建数组_1 array()
# 创建数组：array()函数，括号内可以是列表、元祖、数组、生成器等ar1 = np.array(range(10)) # 整型ar2 = np.array([1,2,3.14,4,5]) # 浮点型 由列表组成ar3 = np.array([[1,2,3],('a','b','c')]) # 二维数组：嵌套序列（列表，元祖均可）ar4 = np.array([[1,2,3],('a','b','c','d')]) # 注意嵌套序列数量不一会怎么样？print(ar1,type(ar1),ar1.dtype)print(ar2,type(ar2),ar2.dtype)print(ar3,ar3.shape,ar3.ndim,ar3.size) # 二维数组，共6个元素print(ar4,ar4.shape,ar4.ndim,ar4.size) # 一维数组，共2个元素 输出结果：
[0 1 2 3 4 5 6 7 8 9]int32[1. 2. 3.14 4. 5. ] float64[['1' '2' '3'] ['a' 'b' 'c']] (2, 3) 2 6[list([1, 2, 3]) ('a', 'b', 'c', 'd')] (2,) 1 2
6.用数组构建数组
a1 = np.array([1,2,3]) #用数组构建数组a2 = np.array([3,4,5])a3 = np.array([a1,a2])a3.shape
输出结果：
(2, 3)
7.创建数组_2 arange()
# 创建数组：arange()，类似range()，在给定间隔内返回均匀间隔的值。print(np.arange(10)) # 返回0-9，整型print(np.arange(10.0)) # 返回0.0-9.0，浮点型print(np.arange(5,12)) # 返回5-11print(np.arange(5.0,12,2)) # 返回5.0-12.0，步长为2print(np.arange(10000)) # 如果数组太大而无法打印，NumPy会自动跳过数组的中心部分，并只打印边角：
输出结果：
[0 1 2 3 4 5 6 7 8 9][0. 1. 2. 3. 4. 5. 6. 7. 8. 9.][ 5 6 7 8 9 10 11][ 5. 7. 9. 11.][ 0 1 2 ... 9997 9998 9999]
8.创建数组_3 linspace()函数
# 创建数组：linspace():返回在间隔[开始，停止]上计算的num个均匀间隔的样本。ar1 = np.linspace(2.0, 3.0, num=5) #输出两端都是闭合的，包括3ar2 = np.linspace(2.0, 3.0, num=5, endpoint=False) #输出右端不闭合，不包括3ar3 = np.linspace(2.0, 3.0, num=5, retstep=True)print(ar1,type(ar1))print(ar2)print(ar3,type(ar3))# numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)# start：起始值，stop：结束值# num：生成样本数，默认为50# endpoint：如果为真，则停止是最后一个样本。否则，不包括在内。默认值为True。# retstep：如果为真，返回（样本，步骤），其中步长是样本之间的间距，输出为一个包含2个元素的元祖，第一个元素为array，第二个为步长实际值
输出结果：
[2. 2.25 2.5 2.75 3. ][2. 2.2 2.4 2.6 2.8](array([2. , 2.25, 2.5 , 2.75, 3. ]), 0.25)
9.
ar3 = np.linspace(2.0, 3.0, num=5, retstep=True)ar = ar3 [0]bc = ar3 [1]print("创建的数组为:",ar)print("创建的数组的步长为：",bc) 输出结果：
创建的数组为: [2. 2.25 2.5 2.75 3. ]创建的数组的步长为： 0.25
10.创建数组_3 zeros()/zeros_like()/ones()/ones_like()
ar1 = np.zeros(5) ar2 = np.zeros((2,2), dtype = np.int)ar = np.zeros((3,3,3))print(ar) #三维数组print(ar1,ar1.dtype)print(ar2,ar2.dtype)print('------')# numpy.zeros(shape, dtype=float, order='C'):返回给定形状和类型的新数组，用零填充。# shape：数组纬度，二维以上需要用()，且输入参数为整数# dtype：数据类型，默认numpy.float64# order：是否在存储器中以C或Fortran连续（按行或列方式）存储多维数据。ar3 = np.array([list(range(5)),list(range(5,10))])ar4 = np.zeros_like(ar3)print(ar3)print(ar4)print('------')# 返回具有与给定数组相同的形状和类型的零数组，这里ar4根据ar3的形状和dtype创建一个全0的数组ar5 = np.ones(9)ar6 = np.ones((2,3,4))ar7 = np.ones_like(ar3)print(ar5)print(ar6)print(ar7)# ones()/ones_like()和zeros()/zeros_like()一样，只是填充为1 输出结果：
[[[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.] float64[[0 0] [0 0]] int32------[[0 1 2 3 4] [5 6 7 8 9]][[0 0 0 0 0] [0 0 0 0 0]]------[1. 1. 1. 1. 1. 1. 1. 1. 1.][[[1. 1. 1. 1.] [1. 1. 1. 1.] [1. 1. 1. 1.]] [[1. 1. 1. 1.] [1. 1. 1. 1.] [1. 1. 1. 1.]]][[1 1 1 1 1] [1 1 1 1 1]]
11. 创建数组_4 eye()
# 创建数组：eye()print(np.eye(5))# 创建一个正方的N*N的单位矩阵，对角线值为1，其余为0
输出结果：
[[1. 0. 0. 0. 0.] [0. 1. 0. 0. 0.] [0. 0. 1. 0. 0.] [0. 0. 0. 1. 0.] [0. 0. 0. 0. 1.]]
ndarray的数据类型
bool 用一个字节存储的布尔类型（True或False）
inti 由所在平台决定其大小的整数（一般为int32或int64）
int8 一个字节大小，-128 至 127
int16 整数，-32768 至 32767
int32 整数，-2 31 至 2 32 -1
int64 整数，-2 63 至 2 63 - 1
uint8 无符号整数，0 至 255
uint16 无符号整数，0 至 65535
uint32 无符号整数，0 至 2 ** 32 - 1
uint64 无符号整数，0 至 2 ** 64 - 1
float16 半精度浮点数：16位，正负号1位，指数5位，精度10位
float32 单精度浮点数：32位，正负号1位，指数8位，精度23位
float64或float 双精度浮点数：64位，正负号1位，指数11位，精度52位
complex64 复数，分别用两个32位浮点数表示实部和虚部
complex128或complex 复数，分别用两个64位浮点数表示实部和虚部