技術標籤：import numpy as np什麼意思

NumPy(Numerical Python) 是 Python 語言的一個擴充套件程式庫，支援大量的維度陣列與矩陣運算，此外也針對陣列運算提供大量的數學函式庫
本系列文章針對Numy進行一個比較系統的回顧
一般在python中我們會對Numpy進行縮寫
import numpy as np
因此後續中的np均指numpy

1.常量

名稱	型別
np.nan	空值
np.inf	無窮大
np.pi	圓周率
np.e	自然對數

import numpy as np
np.e

2.718281828459045

2.資料型別

Python 原生的資料型別相對較少， bool、int、float、str等。這在不需要關心資料在計算機中表示的所有方式的應用中是方便的。然而，對於科學計算，通常需要更多的控制。為了加以區分 numpy 在這些型別名稱末尾都加了“_”

型別	大小	說明
bool_ / bool8	8	布林
int8/byte	8	整數
int16/short	16	整數
int32/intc	32	整數
int_/int64/long/intp	64	整數
uint8/ubyte	8	無符號整數
uint16/ushort	16	無符號整數
uint32/uintc	32	無符號整數
uint64/uintp/uint0/uint	64	無符號整數
float16/half	16	浮點型
float32/single	32	浮點型
float_/float64/double	64	浮點型
str/unicode/str0/unicode	-	字串
datetime64	-	日期時間型別
timedelta64	-	表示兩個時間之間的間隔

如何檢視資料的型別呢？

import numpy as np
a = np.dtype('float64')
print(a.type)
 

<class 'numpy.float64'>

如何檢視資料的資訊呢？

import numpy as np

ii16 = np.iinfo(np.int16)
print(ii16.min)  # -32768
print(ii16.max)  # 32767

-32768
32767

表示int16最大值為32767 最小值為-32768

至於原因的話 和二進位制有關係 int16表示有16個格子

那麼只有15個格子是用來進行二進位制填充 2**15=32768 所以最大值即為32767

為什麼最大值比二進位制值少一位？

涉及到計算機補碼的問題 可以參考一下這個部落格

https://blog.csdn.net/linux12121/article/details/51236654?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param​blog.csdn.net

3.時間日期和時間增量

numpy 中，我們很方便的將字串轉換成時間日期型別 datetime64（datetime 已被 python 包含的日期時間庫所佔用）。

datatime64是帶單位的日期時間型別，其單位如下：

日期單位	含義	時間單位	含義
Y	年	h	小時
M	月	m	分鐘
W	周	s	秒
D	天	ms	毫秒
		us	微秒
		ns	納秒
		ps	皮秒
		fs	飛秒
		as	阿託秒

a = np.datetime64('2020-03-01')
print(a, a.dtype)  # 2020-03-01 datetime64[D]

2020-03-01 datetime64[D]

4.陣列

numpy 提供的最重要的資料結構是ndarray，它是 python 中list的擴充套件。

比如一維陣列

a = np.array([0, 1, 2, 3, 4])
print(a, type(a))

# [0 1 2 3 4] <class 'numpy.ndarray'>

比如二維陣列

c = np.array([[11, 12, 13, 14, 15],
              [16, 17, 18, 19, 20],
              [21, 22, 23, 24, 25],
              [26, 27, 28, 29, 30],
              [31, 32, 33, 34, 35]])
print(c, type(c))

# [[11 12 13 14 15]
# [16 17 18 19 20]
# [21 22 23 24 25]
# [26 27 28 29 30]
# [31 32 33 34 35]] <class 'numpy.ndarray'>

array()和asarray()都可以將結構資料轉化為 ndarray，但是array()和asarray()主要區別就是當資料來源是ndarray時，array()仍然會 copy 出一個副本，佔用新的記憶體，但不改變 dtype 時asarray()不會。

x = [[1, 1, 1], [1, 1, 1], [1, 1, 1]]
y = np.array(x)
z = np.asarray(x)
x[1][2] = 2
print(x,type(x))
print(y,type(y))
print(z,type(z))

# [[1, 1, 1], [1, 1, 2], [1, 1, 1]] <class 'list'>

# [[1 1 1]# [1 1 1]# [1 1 1]] <class 'numpy.ndarray'>

# [[1 1 1]# [1 1 1]# [1 1 1]] <class 'numpy.ndarray'>

陣列中有2個比較特殊的陣列，分別為0 陣列和1陣列

• zeros()函式：返回給定形狀和型別的零陣列。
• zeros_like()函式：返回與給定陣列形狀和型別相同的零陣列。
• ones()函式：返回給定形狀和型別的1陣列。
• ones_like()函式：返回與給定陣列形狀和型別相同的1陣列。

x = np.zeros(5)
print(x)  #

[0. 0. 0. 0. 0.]

x = np.zeros([2,3])
print(x)

[[0. 0. 0.]

[0. 0. 0.]]

x = np.ones(5)
print(x)

[1. 1. 1. 1. 1.]

x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.ones_like(x)
#ones_like()函式：返回與給定陣列形狀和型別相同的1陣列。

[[1 1 1]
[1 1 1]]

隨機陣列

• empty()函式：返回一個空陣列，陣列元素為隨機數。
• empty_like函式：返回與給定陣列具有相同形狀和型別的新陣列。

x = np.empty(5)
print(x)

[1.95821574e-306 1.60219035e-306 1.37961506e-306
9.34609790e-307 1.24610383e-306]

單位陣列

• eye()函式：返回一個對角線上為1，其它地方為零的單位陣列。
• identity()函式：返回一個方的單位陣列。

x = np.eye(4)
print(x)

[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]

對角陣列

diag()函式：提取對角線或構造對角陣列。

v = [1, 3, 5, 7]
x = np.diag(v)
print(x)

[[1 0 0 0]
[0 3 0 0]
[0 0 5 0]
[0 0 0 7]]

常數值

• full()函式：返回一個常數陣列。
• full_like()函式：返回與給定陣列具有相同形狀和型別的常數陣列。

x = np.full((2, 7), 7)
print(x)

[[7 7 7 7 7 7 7]
[7 7 7 7 7 7 7]]

利用數值範圍來建立ndarray

• arange()函式：返回給定間隔內的均勻間隔的值。
• linspace()函式：返回指定間隔內的等間隔數字。
• logspace()函式：返回數以對數刻度均勻分佈。
• numpy.random.rand() 返回一個由[0,1)內的隨機陣列成的陣列。

x = np.arange(5)
print(x)

[0 1 2 3 4]

x = np.linspace(start=0, stop=2, num=9)
print(x) 

[0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ]

x = np.logspace(0, 1, 5)
print(np.around(x, 2))

[ 1. 1.78 3.16 5.62 10. ]

x = np.random.random(5)
print(x)

[0.41768753 0.16315577 0.80167915 0.99690199 0.11812291]

結構陣列建立

• 利用字典來定義結構

personType = np.dtype({
    'names': ['name', 'age', 'weight'],
    'formats': ['U30', 'i8', 'f8']})

a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))

[('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)] <class 'numpy.ndarray'>

• 利用包含多個元組的列表來定義結構

personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')])
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))

[('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)] <class 'numpy.ndarray'>

5.陣列屬性

在使用 numpy 時，你會想知道陣列的某些資訊。很幸運，在這個包裡邊包含了很多便捷的方法，可以給你想要的資訊。

• numpy.ndarray.ndim用於返回陣列的維數（軸的個數）也稱為秩，一維陣列的秩為 1，二維陣列的秩為 2，以此類推。
• numpy.ndarray.shape表示陣列的維度，返回一個元組，這個元組的長度就是維度的數目，即 ndim 屬性(秩)。
• numpy.ndarray.size陣列中所有元素的總量，相當於陣列的shape中所有元素的乘積，例如矩陣的元素總量為行與列的乘積。
• numpy.ndarray.dtype ndarray 物件的元素型別。
• numpy.ndarray.itemsize以位元組的形式返回陣列中每一個元素的大小。

a = np.array([1, 2, 3, 4, 5])
print(a.shape)  # (5,)
print(a.dtype)  # int32
print(a.size)  # 5
print(a.ndim)  # 1
print(a.itemsize)  # 4

(5,)
int32
5
1
4