深入理解NumPy簡明教程---陣列1

這篇文章主要介紹了深入理解NumPy簡明教程（二、數組1）,NumPy數組是一個多維數組對象,具有一定的參考價值，感興趣的小伙伴們可以參考一下。

目前我的工作是將NumPy引入Pyston（一款Dropbox實作的Python編譯器/解譯器）。在工作過程中，我深入接觸了NumPy原始碼，了解其實作並提交了PR修復NumPy的bug。在與NumPy原始碼以及NumPy開發者打交道的過程中，我發現當今中文NumPy教程大部分都是翻譯或參考英文文檔，因此導致了許多疏漏。例如NumPy數組中的broadcast功能，幾乎所有中文文件都翻譯為「廣播」。而NumPy的開發者之一，回覆到「broadcast is a compound -- native English speakers can see that it's " broad" + "cast" = "cast (scatter, distribute) broadly, I guess "cast (scatter, distribute) broadly" probably is closer to the meaning（NumPy中的含義）"。有鑑於此，我打算啟動一個項目，以我對NumPy使用以及源碼層面的了解編寫一個系列的教程。 #NumPy數組

NumPy數組是一個多維數組對象，稱為ndarray。

#描述這些資料的元資料

• 大部分運算只針對於元數據，而不改變底層實際的資料。 #關於NumPy數組有幾點必需了解的：

• NumPy數組的下標從0開始。元素的型別必須是相同的。

  在詳細介紹NumPy陣列之前。類推。每個元素又是一個一維數組。 ，就是數組的維數。 （即陣列軸的個數），等於秩。維度上大小的整數元組。

##ndarray.size：陣列元素的總個數，等於shape屬性中元組元素的乘積。

ndarray.dtype：表示陣列中元素類型的對象，可使用標準的Python類型建立或指定dtype。另外也可使用前一篇文章中介紹的NumPy提供的資料類型。
ndarray.itemsize：陣列中每個元素的位元組大小。例如，一個元素類型為float64的陣列itemsiz屬性值為8(float64佔用64個bits，每個位元組長度為8，所以64/8，佔用8個位元組），又如，一個元素類型為complex32的數組item屬性為4（32/8）。
ndarray.data：包含實際陣列元素的緩衝區，由於一般透過陣列的索引取得元素，所以通常不需要使用這個屬性。

• 
  

建立陣列

先來介紹建立陣列。創建數組的方法有很多。如可以使用array函數從常規的Python列表和元組創造數組。所建立的數組類型由原始序列中的元素類型推導出來。　　　 

>>> from numpy import * 　　　 
>>> a = array( [2,3,4] )　　　 
>>> a 
  array([2, 3, 4]) 
>>> a.dtype 
  dtype('int32') 
>>> b = array([1.2, 3.5, 5.1])　　　 
>>> b.dtype 
  dtype('float64')

使用array函數建立時，參數必須是由方括號括起來的列表，而不能使用多個數值作為參數呼叫array。　　　

• >>> a = array(1,2,3,4)  # 错误 
  >>> a = array([1,2,3,4]) # 正确

可使用雙重序列來表示二維的數組，三重序列表示三維數組，以此類推。

• >>> b = array( [ (1.5,2,3), (4,5,6) ] )　　 
  >>> b 
    array([[ 1.5, 2. , 3. ], 
  　　　   [ 4. , 5. , 6. ]])

• 可以在建立時明確指定數組中元素的類型

• >>> c = array( [ [1,2], [3,4] ], dtype=complex) 
  >>> c 
    array([[ 1.+0.j, 2.+0.j], 
  　　　  [ 3.+0.j, 4.+0.j]])

通常，剛開始時數組的元素未知，而數組的大小已知。因此，NumPy提供了一些使用佔位符建立數組的函數。這些函數有助於滿足除了數組擴展的需要，同時降低了高昂的運算開銷。

• 用函數zeros可建立一個全是0的數組，用函數ones可建立一個全為1的數組，函數empty創建一個內容隨機並且依賴與記憶體狀態的數組。預設創建的數組類型(dtype)都是float64。
• 可以喲娜特d.dtype.itemsize來查看陣列中元素所佔用的位元組數目。

>>> d = zeros((3,4)) 
>>> d.dtype 
dtype('float64') 
>>> d 
array([[ 0., 0., 0., 0.], 
　　  [ 0., 0., 0., 0.], 
　　  [ 0., 0., 0., 0.]]) 
>>> d.dtype.itemsize 
8

也可以自己制定陣列中元素的型別

>>> ones( (2,3,4), dtype=int16 ) #手动指定数组中元素类型 
   array([[[1, 1, 1, 1], 
　　　    [1, 1, 1, 1], 
　　　    [1, 1, 1, 1]], 
　　　 
　　　    [[1, 1, 1, 1], 
　　　    [1, 1, 1, 1], 
　　　    [1, 1, 1, 1]]], dtype=int16) 
>>> empty((2,3)) 
　　　array([[ 2.65565858e-316,  0.00000000e+000,  0.00000000e+000], 
　　　    [ 0.00000000e+000,  0.00000000e+000,  0.00000000e+000]])

NumPy提供一个类似arange的函数返回一个数列形式的数组:

>>> arange(10, 30, 5) 
  array([10, 15, 20, 25])

以10开始，差值为5的等差数列。该函数不仅接受整数，还接受浮点参数：　

>>> arange(0,2,0.5) 
  array([ 0. , 0.5, 1. , 1.5])

当arange使用浮点数参数时，由于浮点数精度有限，通常无法预测获得的元素个数。因此，最好使用函数linspace去接收我们想要的元素个数来代替用range来指定步长。linespace用法如下，将在通用函数一节中详细介绍。

>>> numpy.linspace(-1, 0, 5) 
    array([-1. , -0.75, -0.5 , -0.25, 0. ])

数组中的元素是通过下标来访问的，可以通过方括号括起一个下标来访问数组中单一一个元素，也可以以切片的形式访问数组中多个元素。关于切片访问，将在切片一节介绍。

知识点：NumPy中的数据类型

对于科学计算来说，Python中自带的整型、浮点型和复数类型远远不够，因此NumPy中添加了许多数据类型。如下：

NumPy中的基本数据类型

NumPy中的基本数据类型

名称	描述
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

NumPy类型转换方式如下：

>>> float64(42) 
  42.0 
>>> int8(42.0) 
  42 
>>> bool(42) 
  True 
>>> bool(42.0) 
  True 
>>> float(True) 
  1.0

许多函数的参数中可以指定参数的类型，当然，这个类型参数是可选的。如下：

>>> arange(7, dtype=uint16) 
  array([0, 1, 2, 3, 4, 5, 6], dtype=uint16)

输出数组

当输出一个数组时，NumPy以特定的布局用类似嵌套列表的形式显示：

• 第一行从左到右输出

• 每行依次自上而下输出

• 每个切片通过一个空行与下一个隔开

• 一维数组被打印成行，二维数组成矩阵，三维数组成矩阵列表。　

>>> a = arange(6)             # 1d array 
>>> print a 
  [0 1 2 3 4 5] 
　　　 
>>> b = arange(12).reshape(4,3)      # 2d array 
>>> print b 
  [[ 0 1 2] 
  [ 3 4 5] 
  [ 6 7 8] 
  [ 9 10 11]]　　　 
>>> c = arange(24).reshape(2,3,4)     # 3d array 
>>> print c 
  [[[ 0 1 2 3] 
  [ 4 5 6 7] 
  [ 8 9 10 11]] 
　　　 
  [[12 13 14 15] 
  [16 17 18 19] 
  [20 21 22 23]]]

 reshape将在下一篇文章中介绍　

如果一个数组太长，则NumPy自动省略中间部分而只打印两端的数据：　　　

>>> print arange(10000) 
　　　[  0  1  2 ..., 9997 9998 9999] 
　　　 
>>> print arange(10000).reshape(100,100) 
　　　[[  0  1  2 ...,  97  98  99] 
　　　 [ 100 101 102 ..., 197 198 199] 
　　　 [ 200 201 202 ..., 297 298 299] 
　　　 ..., 
　　　 [9700 9701 9702 ..., 9797 9798 9799] 
　　　 [9800 9801 9802 ..., 9897 9898 9899] 
　　　 [9900 9901 9902 ..., 9997 9998 9999]]

可通过设置printoptions参数来禁用NumPy的这种行为并强制打印整个数组。

set_printoptions(threshold='nan')

这样，输出时数组的所有元素都会显示出来。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持PHP中文网。

更多深入理解NumPy简明教程---数组1相关文章请关注PHP中文网！