寫在前面

最近在系統(tǒng)的看一些python科學計算開源包的內(nèi)容，雖然以前是知道一些的，但都屬于零零碎碎的，希望這次能把常用的一些函數(shù)、注意項整理下。小白的一些廢話，高手請略過^ _ ^。文章中的函數(shù)僅僅是為了自己好理解，并沒有按照官方文檔上的函數(shù)聲明形式記錄。

numpy.narray

numpy.narray創(chuàng)建

numpy.narray的構造方式挺多的，這里就不一一說明，因為一般情況下，在進行科學計算時是通過給定的數(shù)據(jù)文件來讀取的，而讀取時使用的是pandas，具體可參考官方文檔，或者參見這位大牛的文章。

numpy.narray.shape & numpy.narray.reshape

numpy.narray的形狀可以用numpy.narray.shape屬性來獲取，它返回的是narray形狀的tuple，反映了各個軸的長度。

na_a = np.array([1,2,3,4]) #長度為4的一維數(shù)組
na_b = np.array([[1,2,3,4],[5,6,7,8]]) #2行4列的二維數(shù)組

out:
#print na_a
[1 2 3 4] 
#print na_b
[[1 2 3 4] 
 [5 6 7 8]] 
#print na_a.shape
(4,)
#print na_b.shape 
(2, 4) 

numpy.narray.shape相當于一個c++的public成員，不僅可以獲取，還可以通過它改變narray的形狀。當某一軸指定為-1時，該軸的長度將通過其他軸來計算。

na_b.shape = (4,2)
na_a.shape = (2,-1)

out:
#print na_b
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
#print na_a
 [[1 2]
 [3 4]]

需要注意的是：通過shape屬性改變narray的形狀時，并沒對narray元素內(nèi)存中的位置改變，只是改變了外觀，僅僅是換了件馬甲。

當然，如果你熟悉了使用函數(shù)，不想使用屬性來改變形狀時，可以通過narray.reshape()，注意的是該函數(shù)返回的結果和原narray共享內(nèi)存空間，換句話說，一個narray對象的改變將導致另一個narray也發(fā)生相應的改變。

na_c = na_b.reshape((4,2))
na_c[0][0] = 100

out:
#print na_c
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
#print na_c
[[100 2]
 [ 3 4]
 [ 5 6]
 [ 7 8]]
#print na_b
[[100 2]
 [ 3 4]
 [ 5 6]
 [ 7 8]]

numpy.narray.dtype

narray元素的類型可以使用dtype屬性來獲取，當然也可以在構造narray對象時指定元素的類型，需要注意的是，在numpy中float是64位，而complex是128位的。這里的float和complex是python內(nèi)置的數(shù)據(jù)類型，numpy也定義了自己的float等數(shù)據(jù)類型，而且更加的細化，比如float類型，numpy就有float16、float32、float64和float128.

af = np.array([1,2,3,4], dtype=float)
ac = np.array([5,6,7,8], dtype=complex)
af.dtype
ac.dtype

dtype('float64')
dtype('complex128')

python的完整數(shù)據(jù)類型中有大部分是所占字節(jié)來細化的，完整的數(shù)據(jù)在typeDict中定義，可通過numpy.typeDict.values()來獲取完整類型。numpy在多維數(shù)組上的計算很高效，但是在數(shù)值對象計算上卻比python慢很多，所以在進行數(shù)值計算時應避免使用numpy。

numpy.narray.astype() 類型轉換

numpy.narray.astype() 可以對narray對象中元素逐一進行類型轉換。

a = np.array([1,2,3,4], dtype=np.float)
a.dtype
dtype('float64')

b = a.astype(np.int32)
b.dtype
dtype('int32')

c.dtype
c = a.astype(np.complex)
c.dtype
dtype('complex128')

numpy.narray的自動生成

1.np.arange(start,end,step,dtype) 指定開始值、終值和步長生成一個等差數(shù)列，生成的narray中不包括end值。

2.np.linspace(start, end, element_nums, endpoint,dtype) 指定開始值、終值和元素個數(shù)生成一個等差數(shù)列，通過endpoint指定包不包括end，默認為True。

3.np.logspace(start, end, element_nums, base, endpoint,dtype) endpoint默認為True，base默認為10，該函數(shù)產(chǎn)生一個等比數(shù)列，元素為

4.np.zeros(dim，dtype)對維度為dim的narray對象初始化為0，數(shù)據(jù)類型為dtype

5.np.ones(dim, dtype) 對維度為dim的narray對象初始化為1，數(shù)據(jù)類型為dtype

6.np.empty(dim,dtype) 該函數(shù)相當于對narray對象分配內(nèi)存空間，但不進行初始化，所以切不可認為產(chǎn)生的元素為0。

7.np.full(dim, val, dtype) 產(chǎn)生維度為dim的narray對象并且全部初始為val，前面的zeros()和ones()可看作該函數(shù)的特殊形式。

8.上面函數(shù)的like版本，即np.zeros_like(object) 、np.ones_like(object) 、np.empty_like(object) 、np.full_like(object) ，這里的object是narray對象，這些函數(shù)產(chǎn)生的narray對象和上面一樣，但narray的維度（shape）以及數(shù)據(jù)類型（dtype）是和傳入的參數(shù)一樣的，例如np.zeros_like(object) ==np.zeros(object.shape, object.dtype)。

9.fromstring(s, dtype)這個函數(shù)是比較又意思的，將字符串轉換為一個narray對象， 我們先看看這個函數(shù)輸出情況。

s="abcdefgh"
np.fromstring(s)

array([ 8.54088322e+194]) ## 這是什么鬼？
### 輸出一下dtype呢？
dtype('float64')

顯然，這里是按照float64類型存放的，那如果換一個數(shù)據(jù)類型呢？

np.fromstring(s,dtype=np.int8)

array([ 97, 98, 99, 100, 101, 102, 103, 104], dtype=int8)

這個學過c語言的都應該知道是ASCII編碼，也就可以看出，在python中一個字符是占8位，即一個字節(jié)的，繼續(xù)看：

np.fromstring(s,dtype=np.int16)

array([25185, 25699, 26213, 26727], dtype=int16)

這里改變數(shù)據(jù)類型位2個字節(jié)，那么應該是兩個字符聯(lián)立一起表示一個int16，25185=98*256+97，高位存放在低字節(jié)中，這是小端模式。OK，那如果我現(xiàn)在要存放的是[‘a(chǎn)','b'…'h']這樣的narray對象呢？數(shù)據(jù)類型是什么？應該是‘|s1'

np.fromstring(s,'|S1')

array(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'],
  dtype='|S1')

frombuffer()也可以創(chuàng)建的narray對象，但此時創(chuàng)建的narray對象和原字符串是內(nèi)存共享的，學過c++的都知道，string類型是只讀類型，無法修改，所以在frombuffer()創(chuàng)建的narray無法做修改，如果要修改，請用fromstring()。

. fromfunction(fun, dim)通過自定義函數(shù)接口來創(chuàng)建narray對象，fun是一個函數(shù)名(看作指針)，dim是一個創(chuàng)建對象的維度。

def fun(i):
 return i%4+1
np.fromfunction(fun,(10,))

array([ 1., 2., 3., 4., 1., 2., 3., 4., 1., 2.])

可見利用fromfunction()創(chuàng)建narray時，參數(shù)i是從0開始自增的，自增的次數(shù)是維度的大小給定的，上面給定的維度位（10，），是一個一維數(shù)組，i從0自增到9（共10次）。看另外一個例子：

def fun2(i,j):
 return (i+1)*(j+1)
np.fromfunction(fun2,(9,9))

array([[ 1., 2., 3., 4., 5., 6., 7., 8., 9.],
  [ 2., 4., 6., 8., 10., 12., 14., 16., 18.],
  [ 3., 6., 9., 12., 15., 18., 21., 24., 27.],
  [ 4., 8., 12., 16., 20., 24., 28., 32., 36.],
  [ 5., 10., 15., 20., 25., 30., 35., 40., 45.],
  [ 6., 12., 18., 24., 30., 36., 42., 48., 54.],
  [ 7., 14., 21., 28., 35., 42., 49., 56., 63.],
  [ 8., 16., 24., 32., 40., 48., 56., 64., 72.],
  [ 9., 18., 27., 36., 45., 54., 63., 72., 81.]])

行可以看作j的自增，列可以看作i的自增，所以可以看作是兩個for循環(huán)。

numpy.narray的元素存取

可以按照python中l(wèi)ist存取元素的方式。

a = np.arange(10) #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
a[5]  #5
a[3:5] #[3,4]
a[:5] #[0,1,2,3,4]
a[:-1] #[0, 1, 2, 3, 4, 5, 6, 7, 8]

### 也可以指定步長，通過第三個數(shù)指定
a[1:-1:2] #從開始到結束，沒隔兩個數(shù)取一次 array([1, 3, 5, 7])
a[5:1:-2] #反向取 array([5, 3])

注意，通過這種方式取的新narray和原始narray內(nèi)存共享，所以任何一個改變，另一個也將改變。 除此之外，numpy還提供了一下幾個存取方式： 使用list存取，list的每個元素作為下標，這種方式得到的新narray和原始narray不共享內(nèi)存。

a = np.arange(10)
a[[1,1,7,7]] #array([1, 1, 7, 7])

使用narray提取新數(shù)組，narray的元素作為下標，得到的新narray維度和參數(shù)narray維度相同。這個有點繞，看個例子吧：

a[np.array([2,1,3,6])] #array([2, 1, 3, 6])
a[np.array([[2,1,3,6],[7,4,6,1]])] 
## 
## array([[2, 1, 3, 6],
  [7, 4, 6, 1]])

使用bool數(shù)組提取，提取bool數(shù)組中為True的下標元素：

a[np.array([True, False,True,False,False,False,True,False,False,False])]

## array([0, 2, 6])

a[np.array([True,False,True,False,False,False,True,False,False,False])]=-1,-2,-3
print a #array([-1, 1, -2, 3, 4, 5, -3, 7, 8, 9])

多維數(shù)組

請先看一張圖：

左邊是用切片方式提取右邊6*6的narray對象元素。這種提取元素方式和原narray對象內(nèi)存共享。

這里個人的理解，利用切片方式提取的新narray和原narray是內(nèi)存共享的，而使用列表、bool數(shù)組等方式則不共享，原因很簡單，利用切片方式，例如a[3:5]，是從第三個元素到第5個元素（不包括），那么是用元素所占字節(jié)來移動的，就像c中的指針，這樣比較便利。而其他方式是用下標，這些下標往往不連續(xù)，如果用指針方式的話則要來回移動，比較麻煩。所以不提供內(nèi)存共享這種方式。

在這之前我們使用切片都是通過在[]中指定起點、終點以及步長，如果要單獨創(chuàng)建切片對象呢？使用slice對象，創(chuàng)建的方式很簡單，把[]中的:替換為None。

a = np.arange(0,60,10).reshape(-1,1)+np.arange(6)
### 廣播，后面會說到
array([[ 0, 1, 2, 3, 4, 5],
  [10, 11, 12, 13, 14, 15],
  [20, 21, 22, 23, 24, 25],
  [30, 31, 32, 33, 34, 35],
  [40, 41, 42, 43, 44, 45],
  [50, 51, 52, 53, 54, 55]])
a[::2,2:]
## 
array([[ 2, 3, 4, 5],
  [22, 23, 24, 25],
  [42, 43, 44, 45]])
idx = slice(None,None,2),slice(2,None)
a[idx]
##
array([[ 2, 3, 4, 5],
  [22, 23, 24, 25],
  [42, 43, 44, 45]])

同時，numpy提供了IndexExpression類的對象s_來方便slice的創(chuàng)建。

np.s_[::2,2:]
## 
(slice(None, None, 2), slice(2, None, None))

結構體數(shù)組

numpy提供了和c類似的結構體數(shù)組，并且相互之間能夠讀取，以一個例子來說明：

## 創(chuàng)建persontype類型
persontype=np.dtype({
 'names':['name','age','weight'],
 'formats':['S30','i','f']}, align=True)
## 創(chuàng)建結構體數(shù)組
a=np.array([("zhang",20,55.5), ("wang",24,65.2)], dtype=persontype)

persontype有兩個key，names和formats，names是以字典的方式標明結構體所含的字段，formats是對相應字段的數(shù)據(jù)類型。S30表示長度不超過30個字節(jié)的字符串，i相當于np.int32，f相當于np.float32，下面創(chuàng)建結構體數(shù)組的時候指定數(shù)據(jù)類型是我們創(chuàng)建的persontype。

## print a
array([('zhang', 20, 55.5  ), ('wang', 24, 65.19999695)],
  dtype={'names':['name','age','weight'], 'formats':['S30','<i4','<f4'], 'offsets':[0,32,36], 'itemsize':40, 'aligned':True})

## print a[0]
('zhang', 20, 55.5)
## a[0].dtype
dtype({'names':['name','age','weight'], 'formats':['S30','<i4','<f4'], 'offsets':[0,32,36], 'itemsize':40}, align=True)
## a[0]["name"]
'zhang'
b=a['age'] ## 20 24
b[0]=50
## print a[0]
('zhang', 50, 55.5)

通過tostring()和tofile()可以將結構體數(shù)組寫入文件，并可以通過c讀取，由于c中的結構體存在對齊，所以在python創(chuàng)建結構體數(shù)組時也需要使用相應的對齊方式，這一點通過align來指定，True為對齊，F(xiàn)alse不對齊。

narray內(nèi)存結構

以二維narray對象為例，我們來看看narray對象在內(nèi)存中的結構。

a = np.array([[0,1,2],[3,4,5],[6,7,8]], dtype=np.float32)

該二維數(shù)組的結構如下圖：

左邊時一個結構體，描述了該narray對象的基本信息，包括數(shù)據(jù)類型(np.float32)、維度(軸的數(shù)量）、每個軸的數(shù)據(jù)個數(shù)、每個軸相鄰元素的字節(jié)差、最后是存放數(shù)據(jù)的內(nèi)存地址。通過切片方式得到的新narray就是在data字段表示的內(nèi)存上獲得原始narray的視圖，我們來看看：

b=a[::2,::2]
## b
array([[ 0., 2.],
  [ 6., 8.]], dtype=float32)
## b.strides
(24, 8)

獲得的新narray.strides發(fā)生了變化，而這個變化也剛好是每個軸相鄰元素跨越的字節(jié)數(shù)。narray的數(shù)據(jù)在內(nèi)存上的排列有兩種形式，分別是C和FORTRAN格式，上面我們展示的就是C的格式，第0軸是最上位的，也就是說，第0軸作為行，所以第0軸的相鄰元素跨越的字節(jié)數(shù)是最多的（比如這里為3*4=12），而FORTRAN結構與C格式相反，它是第1軸跨越的字節(jié)數(shù)最多。numpy默認是C格式，如果想改成FORTRAN的格式，只需要在創(chuàng)建narray的時候設置order=‘F'。narray的flags屬性描述了存儲區(qū)的一些屬性：

## a.flags
C_CONTIGUOUS : True  #C語言格式
F_CONTIGUOUS : False #Fortran語言格式
OWNDATA : True   #數(shù)組是否擁有該存儲區(qū)，如果是一個narray的視圖則不擁有
WRITEABLE : True  #是否可寫 （改變其中數(shù)據(jù)）
ALIGNED : True   # 對齊
UPDATEIFCOPY : False

OK，這里引出一個東東，如果要將a進行轉置，我們是需要將需要將a順時針旋轉90°，那么還有上面簡單的方法？我們先看看a.T.flags：

## a.T.flags
 C_CONTIGUOUS : False
 F_CONTIGUOUS : True
 OWNDATA : False
 WRITEABLE : True
 ALIGNED : True
 UPDATEIFCOPY : False

從這上面可以看到，對于a的轉置，numpy是將其內(nèi)存格式改變了，從C語言格式變成了Fortran的格式，并且轉置是a的一個視圖。這樣的方式比旋轉方式更加快速。

以上這篇python科學計算之narray對象用法就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。