numpy的使用说明(二)：这一章设计很多重要知识点（必看）

numpy的使用说明(二)：这一章设计很多重要知识点（必看）

1、numpy中ndarray的一些常用属性

ndim：返回数组的维数；shape：返回数组的形状；dtype：返回数组元素的数据类型；size：返回数组中元素的个数；itemsize：返回数组中每一个元素占用空间的大小，以字节为单位；nbytes：返回数组中所有元素占用空间的大小，以字节为单位；

1）举例说明

x = np.arange(10).reshape(2,5)display(x)display(x.ndim) display(x.shape)display(x.dtype)display(x.size)display(x.itemsize)display(x.nbytes)

结果如下：

2）单独说一下属性itemsize和nbytes的含义

2、列表与数组之间的相互转化

1）列表转数组：直接将一个列表当作array()函数的参数即可；

import numpy as nplist1 = list(range(10))display(list1)array1 = np.array(list1)display(array1)

结果如下：

2）数组转列表：tolist()

import numpy as nparray2 = np.arange(10).reshape(2,5)display(array2)list2 = array2.tolist()display(list2)array3 = np.arange(10)display(array3)list3 = array3.tolist()display(list3)

结果如下：

3、numpy中的常数(了解)

正无穷：Inf = inf = infty = Infinity = PINF负无穷：NINF正零：PZERO负零：NZERO非数值：nan = NaN = NAN自然数e：eπ：pi伽马：euler_gammaNone：newaxis

操作如下：

display(np.inf)display(np.NINF)display(np.PZERO)display(np.NZERO)display(np.nan)display(np.e)display(np.pi)display(np.euler_gamma)display(np.newaxis)

结果如下：

4、numpy中的数据类型与数据类型转化

1）numpy中常用的的数据类型

2）numpy中的数据类型转化

记住一句话：numpy中的数据类型转换，不要使用x.dtype修改元素的数据类型，最好用x.astype()这种方式。

① 使用dtype原地修改数组的数据类型；

x = np.array([1.2,3.4,5.6],dtype=np.float64)display(x)display(x.dtype)display(x.nbytes)# --------------------------------------------x.dtype="float32"display(x)display(x.nbytes)# --------------------------------------------x.dtype="float16"display(x)display(x.nbytes)

结果如下：

② 使用dtype原地修改数组的数据类型，为什么会出现上述现象？

③ 使用astype()函数修改数组的数据类型：相当于新创建了一个数组；

z = np.array([1.5,3.7,4.8])display(z)display(z.dtype)# --------------------------zz = z.astype(np.int64)display(zz)display(zz.dtype)

结果如下：

5、改变数组的形状

使用numpy中的reshape()函数修改数组对象；使用数组对象的reshape()函数修改数组对象(这个更好用)；

1）使用numpy中的reshape()函数修改数组对象；

xx = np.arange(10).reshape(2,5)xxx = np.reshape(xx,(5,2))display(xxx)

结果如下：

2）使用数组对象的reshape()函数修改数组对象；

yy = np.arange(10).reshape(2,5)display(yy)

结果如下：

3）改变数组形状时，如果维度大于1，可以将“最后一个维度”设置为-1；

p = np.arange(6).reshape(2,3)display(p)# ----------------------------q = np.arange(6).reshape(2,-1)display(q)

结果如下：

注意：可以这样做的原因在于，当你指明了前面的维度，最后一个维度会根据数组元素个数和前面的维度数，自动计算出最后一个维度的维度数，也就是说【维度一 * 维度二 * … * 维度N = 元素个数】。

6、数组扁平化：ravel()函数和flatten(）函数

① 两个函数的相同点

不管你给我的数组是多少维的，通过这两个函数之后，我都给你压缩为一维数组。

② 两个函数的不同点

③ 操作如下

array1 = np.array([[1,2,3],[4,5,6]])display(array1)array2 = array1.ravel()display(array2)array3 = array1.flatten()display(array3)# 此时我们修改array2和array3中的某个元素，看看对于array1的影响array2[0] = 666display(array2)display(array1)array3[1] = 888display(array3)display(array1)

结果如下：

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。