1 Numpy 优势
-
numpy介绍
-
一个开源的Python科学计算库
-
计算起来要比python简洁高效
-
Numpy使用ndarray对象来处理多维数组
-
NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。
-
生成numpy对象:np.array()
-
-
-
ndarray的优势
-
内存块风格
-
list -- 分离式存储,存储内容多样化
-
ndarray -- 一体式存储,存储类型必须一样
-
-
ndarray支持并行化运算（向量化运算）
-
ndarray底层是用C语言写的,效率更高,释放了GIL
-
2 N维数组
| 属性名字 | 属性解释 |
|---|---|
| ndarray.shape | 数组维度的元组 |
| ndarray.ndim | 数组维数 |
| ndarray.size | 数组中的元素数量 |
| ndarray.itemsize | 一个数组元素的长度（字节） |
| ndarray.dtype | 数组元素的类型 |
2.1 ndarray的类型
| 名称 | 描述 | 简写 |
|---|---|---|
| np.bool | 用一个字节存储的布尔类型（True或False） | 'b' |
| np.int8 | tinyint一个字节大小，-128 至 127 | 'i' |
| np.int16 | smallint整数，-32768 至 32767 | 'i2' |
| np.int32 | int整数，-2^31 至 2^32 -1 | 'i4' |
| np.int64 | bigint整数，-2^63 至 2^63 - 1 | 'i8' |
| np.uint8 | tinyint unsigned无符号整数，0 至 255 | 'u' |
| np.uint16 | smallint unsigned无符号整数，0 至 65535 | 'u2' |
| np.uint32 | 无符号整数，0 至 2^32 - 1 | 'u4' |
| np.uint64 | 无符号整数，0 至 2^64 - 1 | 'u8' |
| np.float16 | 半精度浮点数：16位，正负号1位，指数5位，精度10位 | 'f2' |
| np.float32 | float单精度浮点数：32位，正负号1位，指数8位，精度23位 | 'f4' |
| np.float64 | double双精度浮点数：64位，正负号1位，指数11位，精度52位 | 'f8' |
| np.complex64 | 复数，分别用两个32位浮点数表示实部和虚部 | 'c8' |
| np.complex128 | 复数，分别用两个64位浮点数表示实部和虚部 | 'c16' |
| np.object_ | python对象 | 'O' |
| np.string_ | 字符串 | 'S' |
| np.unicode_ | unicode类型（字符串） | 'U' |
3 Numpy基本操作
3.1 生成数组的方法
3.2 数据在索引、切片
3.3 形状修改
3.4 类型修改
4 运算
4.1 逻辑运算&通用判断函数
4.2 np.where 三元运算符
类似if...else...
4.4 统计运算
5 数组间运算
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
