NumPy-快速处理数据.pdf

2 NumPy-快速处理数据¶ 标准安装的 Python 中用列表(list)保存一组值，可以用来当作数组使用，不过由 于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。这样为了保 存一个简单的[1,2,3]，需要有3 个指针和三个整数对象。对于数值运算来说这种 结构显然比较浪费内存和CPU 计算时间。 此外Python 还提供了一个array 模块，array 对象和列表不同，它直接保存数值， 和C 语言的一维数组比较类似。但是由于它不支持多维，也没有各种运算函数， 因此也不适合做数值运算。 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。 2.1 ndarray 对象¶ 函数库的导入 本书的示例程序假设用以下推荐的方式导入NumPy 函数库: import numpy as np 2.1.1 创建¶ 首先需要创建数组才能对其进行其它操作。 我们可以通过给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): 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 dtype(int32) 数组的大小可以通过其shape 属性获得： a.shape (4,) c.shape (3, 4) 数组a 的shape 只有一个元素，因此它是一维数组。而数组c 的shape 有两个 元素，因此它是二维数组，其中第0 轴的长度为3，第1 轴的长度为4 。还可以 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。下面的例子将数组c 的shape 改为(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.shape = 4,3 c array([[ 1, 2, 3], [ 4, 4, 5], [ 6, 7, 7], [ 8, 9, 10]]) 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.shape = 2,-1 c array([[ 1, 2, 3, 4, 4, 5], [ 6, 7, 7, 8, 9, 10]]) 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 = a.reshape ((2,2)) d array([[1, 2], [3, 4]]) a array([1, 2, 3, 4]) 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的内容： 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]]) 数组的元素类型可以通过dtype 属性获得。上面例子中的参数序列的元素都是整 数，因此所创建的数组的元素类型也是整数，并且是32bit 的长整型。可以通过 dtype 参数在创建时指定元素类型: 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.ar