numpy中的ndarray,python中ndarray是什么意思

  numpy中的ndarray,python中ndarray是什么意思

  一.数据层面

  一个数据表达一个意思,一组数据表达一个或多个意思。

  维度概念:一组数据的组织形式,包括一维数据、二维数据、体贴丝袜数据、高维数据。

  1.一维数据

  一维数据由对等关系中有序或无序的数据组成,这些数据以线性方式组织。

  对应:列表,集合

  #有序列表

  [1,2,3,4,5]#集合无序

  {1,2,3,4,5}

  2.2D数据

  二维数据由多个一维数据组成,一维数据是一维数据的组合。

  通信:列表

  [[1,2,3],[4,5,6]]

  3.深思熟虑的丝袜数据

  体贴袜数据是通过在新的维度中扩展一维或二维数据而形成的。

  通信:列表

  [[[1],[2],[3]],[[4],[5],[6]],[[7],[8],[9]]]

  4.高维数据

  高维数据只使用最基本的二元关系来表示数据之间的复杂结构。

  对应:字典或数据表示格式

  #字典一一对应是二进制的。

  dict={x1:1 , y1:2 ,

  }

  呈现格式:JSON、XML、YAML等。

  第二,NumPy

  1.介绍

  NumPy是科学计算的开源基础库,是SciPy、Pandas等数据处理或科学计算库的基础。

  2.主要功能:

  (1)提供了一个强大的n维数组对象ndarray:

  优势:

  1.数组对象可以摆脱元素间运算所需的循环,使一维向量更像单个数据。

  2.设置专门的数组对象,优化后可以提高此类应用的运行速度。

  3.数组对象采用相同的数据类型,这有助于节省操作和存储空间。

  示例:

  importnumpy作为np

  a=np.array([1,2,3,4,5])

  b=np.array([6,7,8,9,10])

  c=[]

  c=a**2 b**2

  打印(c)

  (2)提供了一组广播函数相关函数在数据间进行计算;

  (3)集成C/C /Fortran代码,提供集成工具;

  (4)为科学计算提供线性代数、傅立叶变换、随机数生成等功能。

  三。ndarray:

  体贴的丝袜数组由实际数据和描述这些数据的元数据(数据维度和数据类型)组成。

  一般要求所有元素都是同一类型,数组下标从0开始。

  Np.array()可以生成一个ndarray数组,以[]的形式输出,元素之间用空格隔开。

  两个属性:

  轴:保存数据维度;秩:轴的数量

  ndarray对象的属性:

  1.ndim:等级、轴数或维数

  importnumpy作为np

  a=np.array([[1,2,3,4,5],[6,7,8,9,10]])print(a.ndim)

  2.shape:N array对象比例,即N行M列。

  importnumpy作为np

  a=np.array([[1,2,3,4,5],[6,7,8,9,10]])print(a.shape)

  3.size:n array对象元素的个数,形状为n*m。

  importnumpy作为np

  a=np.array([[1,2,3,4,5],[6,7,8,9,10]])print(a.size)

  4.dtype:ndarray对象的元素类型

  importnumpy作为np

  a=np.array([[1,2,3,4,5],[6,7,8,9,10]])print(a.dtype)

  5.itemsize:NDArray对象中每个元素的大小

  importnumpy作为np

  a=np.array([[1,2,3,4,5],[6,7,8,9,10]])print(a.itemsize)

  四。ndarray的相关操作

  1.创建:

  (1)、来自列表、元组等。在Python中

  Importnumpy作为np#不声明数据类型,它会在创建时自动读取类型。

  nd=np.array(列表/元组)

  np#声明数据类型时的Importnumpy

  nd=np.array(list/tuple,dtype=np.int32)

  (2)使用NumPy中的函数

  功能

  解释

  阿兰格

  返回ndarray类型,元素从0到n-1

  一(形状)

  根据形状生成一个全1的数组。

  零(形状)

  根据形状生成全零数组

  完整(形状,值)

  根据形状生成一个数组,每个元素值都是值。

  眼睛

  一个正方形的n*n单位矩阵,对角线为1,其余为0。

  某人喜欢(a)

  根据数组a的形状生成一个全1的数组。

  零_like(a)

  根据数组a的形状生成一个全零的数组。

  full_like(a,值)

  根据数组A的形状生成一个数组,每个元素的值都是值

  linspace()

  根据起始和结束数据,等间隔填充数据,形成一个数组。

  连接()

  将两个或多个数组组合成一个新数组。

  arange函数默认为整型,其他函数默认为浮点型,np.ones((1,2),dtype=np.int32)将ones生成的数组类型设置为int32。

  示例:

  【2,2,20】linspace分为前封闭和后封闭两部分:

  importnumpy作为np

  nd=np.linspace(2,20,10)print(nd)

  在关闭之前和打开之后添加endpoint=Flase,[2,2,20]Lin space:

  importnumpy作为np

  nd=np.linspace(2,20,10,endpoint=False)print(nd)

  合并合并:

  importnumpy作为np

  nd=np.linspace(2,20,10)

  nd2=np.linspace(2,10,3)

  nd3=np.concatenate((nd,nd2))print(nd3)

  (3)从字节流中

  (4)从文件中读取具体格式。

  2.转换

  (1)维度转换

  整形(不改变原始数组)

  importnumpy作为np

  nd=np.full((2,4,8),6)

  a=nd . shape((8,8))打印(a)打印()打印(nd)

  调整大小(改变原始数组)

  importnumpy作为np

  nd=np.full((2,4,8),6)print(nd)print()

  调整大小((8,8))打印(nd)

  (2)元素类型转换

  Astype(返回一个新数组)

  importnumpy作为np

  nd=np.full((2,4,8),6,dtype=int)print(nd)

  nd2=nd . astype(NP . float)print()print(nd2)

  (3)将ndarray数组转换成一个列表。

  tolist()

  importnumpy作为np

  nd=np.full((2,4,2),1)print(nd)

  nd2=nd . to list()print()print(nd2)

  3.索引

  获取数组中特定位置的元素的过程。

  一维:索引方式与python list相同。

  体贴的丝袜:nd[x,y,z]

  importnumpy作为np

  Nd=NP。阿兰格(18)。reshape ((2,3,3)) print (nd) print(索引的元素是: str(nd[1,2,2]))

  4.薄片

  获取数组元素子集的过程

  一维:切片方式和python list一样。

  体贴的丝袜:

  importnumpy作为np

  Nd=NP。阿兰格(18)。整形((2,3,3))打印(nd)打印(剪切:)打印(nd[:2])

  5.操作

  数组和标量之间的计算是数组中每个元素和标量的计算。

  示例:

  importnumpy作为np

  nd=np.arange(18)。整形((2,3,3))打印(nd)

  nd=nd/2

  打印(操作结果:)打印(nd)

  该功能如下所示:

  功能

  解释

  abs(n)

  晶圆厂

  计算数组中每个元素的绝对值。

  sqrt(n)

  计算数组中每个元素的平方根。

  正方形

  计算数组中每个元素的平方。

  林特

  元素的舍入

  modf(n)

  每个元素的整数和小数部分被分成两个独立的数组。

  cos(名词)

  三角函数

  exp(n)

  每个元素的索引值

  符号

  每个元素的符号值,正数表示,负数表示-,0表示0。

  对数

  计算每个元素的对数

  细胞

  地板(n)

  计算每个元素的上限值或下限值

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: