Python3NumPy——ndarray对象
1.前沿
2.创建ndarray对象
3.元素类型

Python3NumPy——ndarray对象

1.前沿

• 推荐导入语法：import numpy as np
• NumPy中使用ndarray对象表示数组，ndarray是NumPy库的核心对象

2.创建ndarray对象

• 函数array()传递Python序列创建数组

import numpy as np #导入Numpy库，给出别名为np
x1 = np.array([1,2,3,4,5,6])
print('-'*20 + '第EX1个例子' + '-'*20)
print('EX1=>传递参数为单列表，创建的1维数组x1为： {}'.format(x1))
print('EX1=>x1的形状为元组类型： {}'.format(x1.shape))
print('-'*20 + '第EX2个例子' + '-'*20)
x2 = np.array([[1,2,3],[4,5,6],[7,8,9]])
print('EX2=>传递参数为嵌套列表，创建的2维数组x2为： \n{}'.format(x2))
print('EX2=>x2的形状为元组类型： {}'.format(x2.shape))
print('-'*20 + '第EX3个例子' + '-'*20)
x3 = np.array((7,8,9,10))
print('EX3=>传递参数为单元组，创建的1维数组x3为： {}'.format(x3))
print('EX3=>x3的形状为元组类型： {}'.format(x3.shape))
print('-'*20 + 'End' + '-'*20)

--------------------第EX1个例子--------------------
EX1=>传递参数为单列表，创建的1维数组x1为： [1 2 3 4 5 6]
EX1=>x1的形状为元组类型： (6,)
--------------------第EX2个例子--------------------
EX2=>传递参数为嵌套列表，创建的2维数组x2为：
[[1 2 3]
 [4 5 6]
 [7 8 9]]
EX2=>x2的形状为元组类型： (3, 3)
--------------------第EX3个例子--------------------
EX3=>传递参数为单元组，创建的1维数组x3为： [ 7 8 9 10]
EX3=>x3的形状为元组类型： (4,)
--------------------End--------------------

Note:补充知识=》修改数组形状，修改后的形状后，其元素在内存中的位置并未改变；只是改变了轴的长度。

X = np.array([[1,2,3,4],[5,6,7,8],[7,8,9,10]])#X传递参数为嵌套列表，创建的2维
print('原型状数组X为(3行,4列)： \n{}'.format(X))
print('X的形状为元组类型(0轴长度为3，1轴为4)： {}'.format(X.shape))
print('-'*20 + '第一次修改X的形状' + '-'*20)
X.shape = 4, 3
print('第一次修改形状后数组X为(4行,3列)： \n{}'.format(X))
print('-'*20 + '第二次修改X的形状' + '-'*20)
X.shape = 2, -1 # -1表示自动计算1轴的长度，结果为6
print('第二次修改形状后数组X为(2行,6列)： \n{}'.format(X))
print('='*50)
print('-'*20 + '指定形状数组：reshape()方法' + '-'*20)
a = np.array([1,2,3,4,5,6,7,8,9])
print('原型状数组a为(1行,9列)： \n{}'.format(a))
a1 = a.reshape((3,3))
print('变换为3X3数组a1为(3行,3列)： \n{}'.format(a1))
print('再次打印a数组为： \n{}'.format(a))
a[0] = 100
print('修改a的第一个元素的值为100后a为： \n{}'.format(a))
print('修改a的第一个元素的值为100后a1为： \n{}'.format(a1))
print('表明：a和a1共享存储空间')

原型状数组X为(3行,4列)：
[[ 1 2 3 4]
 [ 5 6 7 8]
 [ 7 8 9 10]]
X的形状为元组类型(0轴长度为3，1轴为4)： (3, 4)
--------------------第一次修改X的形状--------------------
第一次修改形状后数组X为(4行,3列)：
[[ 1 2 3]
 [ 4 5 6]
 [ 7 8 7]
 [ 8 9 10]]
--------------------第二次修改X的形状--------------------
第二次修改形状后数组X为(2行,6列)：
[[ 1 2 3 4 5 6]
 [ 7 8 7 8 9 10]]
==================================================
--------------------指定形状数组：reshape()方法--------------------
原型状数组a为(1行,9列)：
[1 2 3 4 5 6 7 8 9]
变换为3X3数组a1为(3行,3列)：
[[1 2 3]
 [4 5 6]
 [7 8 9]]
再次打印a数组为：
[1 2 3 4 5 6 7 8 9]
修改a的第一个元素的值为100后a为：
[100 2 3 4 5 6 7 8 9]
修改a的第一个元素的值为100后a1为：
[[100 2 3]
 [ 4 5 6]
 [ 7 8 9]]
表明：a和a1共享存储空间

3.元素类型

• 采用dtype属性获取
• 创建ndarray对象时，可以指定元素类型
• 元素数据类型转换方法：astype()

xi = np.array([1,2,3,4],dtype=np.int32) #指定整形
print('xi的类型为： {}'.format(xi.dtype))
print('-'*20 + 'End' + '-'*20)
xf = np.array([1,2,3,4],dtype=np.float) #指定浮点型
print('xf的类型为： {}'.format(xf.dtype))
print('-'*20 + 'End' + '-'*20)
xc = np.array([1,2,3,4],dtype=np.complex) #指定为复数型
print('xc的类型为： {}'.format(xc.dtype))
print('-'*20 + 'End' + '-'*20)

xi的类型为： int32
--------------------End--------------------
xf的类型为： float64
--------------------End--------------------
xc的类型为： complex128
--------------------End--------------------

print("numpy中去重的数据类型：")
set(np.typeDict.values())

numpy中去重的数据类型：

{numpy.uint16,
 numpy.complex64,
 numpy.complex128,
 numpy.timedelta64,
 numpy.int32,
 numpy.uint8,
 numpy.float64,
 numpy.void,
 numpy.int64,
 numpy.uint32,
 numpy.object_,
 numpy.int8,
 numpy.int32,
 numpy.uint64,
 numpy.int16,
 numpy.uint32,
 numpy.str_,
 numpy.datetime64,
 numpy.float32,
 numpy.bool_,
 numpy.float64,
 numpy.complex128,
 numpy.float16,
 numpy.bytes_}

print('xi.dtype的为： {}'.format(xi.dtype))
print('xi.dtype.type的为： {}'.format(xi.dtype.type))

xi.dtype的为： int32
xi.dtype.type的为： <class 'numpy.int32'>

print('-'*20 + '数据类型导致的溢出问题' + '-'*20)
xi16 = np.int16(200)
print('xi16 X xi16的结果溢出，计算出现错误： {}'.format(xi16*xi16))

--------------------数据类型导致的溢出问题--------------------
xi16 X xi16的结果溢出，计算出现错误： -25536

C:\Anaconda3\lib\site-packages\ipykernel\__main__.py:3: RuntimeWarning: overflow encountered in short_scalars
  app.launch_new_instance()

NumPy的数值对象的运算速度比Python的内置类型的运算速度慢很多，如果程序中需要大量地单个数值运算，避免使用NumPy的数值对象。

print('-'*20 + '数据类型导致的时间问题' + '-'*20)
v1 = 3.14
v2 = np.float64(v1)
%timeit v1*v1
%timeit v2*v2

--------------------数据类型导致的时间问题--------------------
10000000 loops, best of 3: 46.6 ns per loop
The slowest run took 35.90 times longer than the fastest. This could mean that an intermediate result is being cached.
10000000 loops, best of 3: 129 ns per loop

t1 = np.array((1,2,3,4,5), dtype=np.float)
print('转换数据类型为int32')
t11 = t1.astype(np.int32)
print(t11)
print('-'*40)
t2 = np.array((1,2,3,4), dtype=np.complex)
print('转换数据类型为complex64')
t22 = t2.astype(np.complex64)
print(t22)

转换数据类型为int32
[1 2 3 4 5]
----------------------------------------
转换数据类型为complex64
[1.+0.j 2.+0.j 3.+0.j 4.+0.j]