Numpy多维数组的介绍及其常用属性和操作方法

1、什么是Numpy？

Numpy是Python中科学计算的基础软件包。

它提供多维数组对象、多种派生对象（如掩码数组、矩阵）以及用于快速操作数组的函数，包括数学、逻辑、数组形状变换、排序、选择、统计运算等等。

Numpy包的核心是

ndarray

对象。

它封装了python原生的同数据类型的n维数组，为了保证其性能优良，其中许多操作都是在本地编译后代码中执行的。

Numpy数组相比python内置序列主要区别如下：

• Numpy数组在创建时固定大小，更改ndarray的大小将创建一个新数组并销毁原数组；
• Numpy数组元素具有相同数据类型，占用相同内存；
• Numpy数组有助于对大量数据高效地完成高级数学运算和其他类型操作；

对于涉及

ndarray

对象的算术、逻辑、位运算等，Numpy默认执行预编译的C代码对逐个元素操作，如：

c = a * b
           

上式中，若a和b是形状相同的多维数组 ，或是一个标量和一个多维数组，甚至是两个不同形状的数组（较小数组可通过某种方式扩展到较大数组），Numpy对其均是逐个元素操作。这说明了Numpy的两个特征：

矢量化

和

广播

。矢量化指代码中无任何显式的循环、索引等，这些事情在优化的、预编译的C代码中完成。广播指隐式地对元素逐个操作的术语。

2、ndarray介绍

ndarray

对象是Numpy科学工具包的核心，其本质是一个包含具有相同类型和内存大小的元素的多维容器。

多维数组的维度和各维度元素的数量由shape属性指定，数组的元素类型由dtype属性指定。

Numpy提供多种方法用于多维数组的创建、拼接、拆分等，具体可参考博文《Numpy数组的创建、变形、拼接及拆分》。

Numpy中的多维数组除具有python中其他容器的索引功能之外，还具有更强大的切片、整数数组、布尔数组等索引功能，具体实现可参考相关博文《Numpy数组的索引与切片：取数组的特定行列》。

不同

ndarrays

之间可以共享数据，即一个

ndarray

对象可能是另一个

ndarray

对象的视图，视图引用的数据由“base”ndarray处理。

ndarrays

还可以是python所拥有的内存视图或实现buffer或数组接口的对象。

ndarray的常用属性与方法

属性	功能
ndarray.ndim	数组的轴（维度）的个数
ndarray.shape	数组的形状，元组
ndarray.size	数组元素的总数，等于shape中各元素的乘积
ndarray.dtype	描述数组中元素类型的对象，可使用标准python数据类型创建
ndarray.itemsize	数组中每个元素的字节大小，如 float64 类型的数组，它等于64/8=8
ndarray.data	该缓冲区包含数组的实际元素，可使用索引替代，一般不直接使用
ndarray.strides	遍历数组时，每个维度上单步执行的步长
ndarray.base	若对象为视图则返回原始数组，若数据为其自身所有则返回None
ndarray.T	数组的转置
ndarray.flat	所有数据的一维迭代器

ndarray的转换方法

属性	功能
ndarray.item(*args)	返回数组指定位置的元素，位置可以是标量或元组
ndarray.tolist()	以列表（可能嵌套）的形式返回数组
ndarray.itemset(*args)	替换数组指定位置的元素，位置可以是标量或元组
ndarray.tostring(order=‘C’)	返回数组原始数据的字节序列
ndarray.tofile(fid, sep="", format="%s")	将数组作为文本或二进制(默认)写入文件
ndarray.dump(file)	将数组pickle到指定文件，对应load指令读取到内存
ndarray.dumps()	以字符串形式返回数组的pickle，对应loads指定从字符串读取为ndarry对象
ndarray.astype(dtype, order=‘K’, casting=‘unsafe’, subok=True, copy=True)	返回数组转换数据类型后副本
ndarray.byteswap(inplace=False)	交换数组元素的字节
ndarray.copy(order=‘C’)	返回数组的副本
ndarray.view(dtype=None, type=None)	返回数组的视图
ndarray.getfield(dtype, offset=0)	以某种类型返回数组的字段
ndarray.fill(value)	用标量值填充数组

3、数组运算

数组运算的注意事项：

• 当使用不同类型的数组操作时，结果数组的类型对应于更一般或更精确的数组，即向上转换，因此不能对低精度的数组元素赋高精度的值；
• 基本的算术、逻辑、位以及比较运算，需要创建新数组，并填充结果；
• 复合运算符，如+=，为就地修改原数组，因此操作符右值不能是高精度的数据；
• 普通乘法运算符

  *

  是元素级别运算，若需执行矩阵乘法运算，可使用

  @

  操作符或

  dot

  函数；

操作符/函数	功能
+ - * / ** >> << > < | &	算术、逻辑、位以及比较运算符使用元素级别，创建新数据并填充结果
+= -= *= /= >>= <<=	复合运算符，就地修改原数组数据
@ dot	矩阵乘法运算符

"""算术、逻辑、位以及比较运算符"""
>>> a = np.array( [20,30,40,50] )
>>> b = np.arange( 4 )
>>> b
array([0, 1, 2, 3])
>>> c = a - b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624,  7.4511316 , -2.62374854])
>>> a < 35
array([ True, True, False, False])
>>> np.array([1,0,2]) & 1
array([1, 0, 0], dtype=int32)

"""复合运算符"""
>>> a = np.ones((2,3), dtype=int)
>>> b = np.random.random((2,3))
>>> a *= 3
>>> a
array([[3, 3, 3],
       [3, 3, 3]])
>>> b += a
>>> b
array([[ 3.417022  ,  3.72032449,  3.00011437],
       [ 3.30233257,  3.14675589,  3.09233859]])
>>> a += b                  # b is not automatically converted to integer type
Traceback (most recent call last):
  ...
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'

"""普通乘法运算与矩阵乘法"""
>>> A = np.array([[1,1],[0,1]])
>>> B = np.array([[2,0],[3,4]])
>>> A * B
array([[2, 0],
       [0, 4]])
>>> A @ B
array([[5, 4],
       [3, 4]])
>>> np.dot(A,B)
array([[5, 4],
       [3, 4]])