一、Numpy概念
Numpy（Numerical Python的简称）是Python科学计算的基础包。它提供了以下功能：
- 快速高效的多维数组对象ndarray。
- 用于对数组执行元素级计算以及直接对数组执行数学运算的函数。
- 用于读写硬盘上基于数组的数据集的工具。
- 线性代数运算、傅里叶变换，以及随机数生成。
- 用于将C、C++、Fortran代码集成到Python的工具。
二、Numpy的突出优势
与Python的基本数据类型相比，其具有以下突出优势：
- 提供功能更强大的高维数组（N-dimensional）对象
- 强大的广播功能（broadcasting），便于矢量化数组操作（直接对数组进行数据处理，而不需要编写循环）
- 集成了 C/C++ 以及 Fortran代码编写的工具
- 包含常用的线性代数、傅里叶变换，以及随机数生成
- 提供易用的C API，可以将数据传递到使用低级语言编写的外部库，也可以使外部库返回NumPy数组数据到Python
- 通用的数组算法，例如：sorting，unique和set等操作
NumPy提供了两种基本的对象：ndarray（N-dimensional array object）和ufunc（universal function object）。ndarray用来存储单一数据类型的多维数组，ufunc是对数组进行处理的函数。
三、ndarray对象
Numpy的核心是ndarray对象，它封装了同质数据类型的n维数组，与python序列有以下区别：
ndarray在创建时有固定大小：不同于python中的列表，更改ndarray的大小将创建一个新的数组并删除原始数据 ndarray中的元素有相同的数据类型 ndarray便于对大量数据进行高级数学操作：通常会比python内置序列更高效也更简单 越来越多的基于python的科学和数学软件使用ndarray数组：只知道python的内置序列类型是不够的，还需要知道如何使用ndaray数组
ndarray数据类型
Numpy支持比Python更多种类的数值类型，参见：数据类型
| numpy数据类型 | python类型 | 描述 |
|---|---|---|
| bool_ | bool | 布尔（True或False），存储为一个字节 |
| int_ | int | 默认整数类型（与C long相同；通常为int64或int32） |
| intc | 与C int（通常为int32或int64）相同 | |
| intp | 用于索引的整数（与C ssize_t相同；通常为int32或int64） | |
| int8 | 字节（-128到127） | |
| int16 | 整数（-32768到32767） | |
| int32 | 整数（-2147483648至2147483647） | |
| int64 | 整数（-9223372036854775808至9223372036854775807） | |
| uint8 | 无符号整数（0到255） | |
| uint16 | 无符号整数（0到65535） | |
| uint32 | 无符号整数（0至4294967295） | |
| uint64 | 无符号整数（0至18446744073709551615） | |
| float_ | float | float64的简写。 |
| float16 | 半精度浮点：符号位，5位指数，10位尾数 | |
| float32 | 单精度浮点：符号位，8位指数，23位尾数 | |
| float64 | 双精度浮点：符号位，11位指数，52位尾数 | |
| complex_ | complex | complex128的简写。 |
| complex64 | 复数，由两个32位浮点（实数和虚数分量） | |
| complex128 | 复数，由两个64位浮点（实数和虚数分量） |
|
1
2
3
4
5
6
7
8
9
10
11
12
|
# 作为类型名称设置数组中元素的类型，为了向后兼容，也可以使用
float
或字符串
'float'
x = np.array([
1
,
2
,
3
],dtype=np.
float
)
print x
# 查看数据类型
print x.dtype
# 作为单值类型转化函数
print np.int32(
1.3
)
# 转换数组的类型，会产生新的副本
print x.astype(np.
int
)
|
结果：
|
1
2
3
4
|
[
1
.
2
.
3
.]
float64
1
[
1
2
3
]
|