3.Python科学计算与数据处理教程.ppt

NumPy——快速处理数据 1 2 NumPy —ndarray 对象 目录 NumPy的导入 创建数组 存取元素 多维数组 结构数组 3 NumPy的导入 标准的Python 中用列表(list)保存一组值，可以当作数组使用。但由于列表的元素可以是任何对象，因此列表中保存的是对象的指针。对于数值运算来说，这种结构显然比较浪费内存和CPU计算 Python 提供了array 模块，它和列表不同，能直接保存数值，但是由于它不支持多维数组，也没有各种运算函数，因此也不适合 做数值运算。 4 NumPy的导入 NumPy 的诞生弥补了这些不足，NumPy 提供了两种基本的对象：ndarray（n-dimensional array object）和ufunc（universal function object）。 ndarray(下文统一称之为数组)是存储单一数据类型的多维数组，而ufunc 则是能够对数组进行处理的函数。 函数库的导入 5 import numpy as np 创建数组 在IPython 中输入函数名并添加一个“?”符号，就可以显示文档内容。例如，输入“np.array?” 可以通过给array函数传递Python的序列对象创建数组，如果传递的是多层嵌套的序列，将创建多维数组(下例中的变量c): 6 创建数组 7 a = np.array([1, 2, 3, 4]) b = np.array((5, 6, 7, 8)) c = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]]) b array([5, 6, 7, 8]) c array([[1, 2, 3, 4], [4, 5, 6, 7], [7, 8, 9, 10]]) c.dtype #数组的元素类型可以通过dtype 属性获得 dtype(int32) 创建数组 数组的大小可以通过其shape属性获得： 可以通过修改数组的shape属性，在保持数组元素个数不变的情况下，改变数组每个轴的长度。 8 a.shape #一维数组 (4,) c.shape #二维数组其中第0 轴的长度为3，第1 轴的长度为4。 (3, 4) c.shape = 4,3 #注意从(3,4)改为(4,3)并不是对数组进行转置，而只是改变每个轴的大小，数组元素在内存中的位置并没有改变： c array([[ 1, 2, 3], [ 4, 4, 5], [ 6, 7, 7], [ 8, 9, 10]]) 创建数组 9 d = a.reshape((2,2)) #使用数组的reshape方法，可以创建一个改变了尺寸的新数组，原数组的shape保持不变。 d array([[1, 2], [3, 4]]) a array([1, 2, 3, 4]) c.shape = 2,-1 #当某个轴的元素为-1时，将根据数组元素的个数自动计算此轴的长度，因此下面的程序将数组c的 shape改为了(2,6)。 c array([[ 1, 2, 3, 4, 4, 5], [ 6, 7, 7, 8, 9, 10]]) 创建数组 数组a和d其实共享数据存储内存区域，因此修改其中任意一个数组的元素都会同时修改另外一个数组。 10 a[1] = 100 # 将数组a的第一个元素改为100 d # 注意数组d中的2也被改变了 array([[ 1, 100], [ 3, 4]]) 创建数组 数组的元素类型可以通过dtype属性获得。可以通过dtype参数在创建时指定元素类型: 11 np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]], dtype=np.float) array([[ 1., 2., 3., 4.], [ 4., 5., 6., 7.], [ 7., 8., 9., 10.]]) np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]], dtype=plex) array([[ 1.+0.j, 2.+0.j, 3.+0.j, 4.+0.j], [ 4.+0.j, 5.+0.j, 6.+0.j, 7.+0.j], [ 7.+0.j, 8.+0.j, 9.+0.j, 10.+0.j]]) 创建数组