一、Numpy概述
Numpy 是一个 Python 包(Numeric Python)。它是一个由多维数组对象和用于处理数组的集合组成的库。 Numpy 拥有线性代数和随机数生成的内置函数。Numpy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用。这种组合广泛用于替代 MatLab，是一个流行的技术计算平台。 但是，Python 作为 MatLab 的替代方案，现在被视为一种更加现代和完整的编程语言。NumPy 是开源的，这是它的一个额外的优势。使用Numpy，开发人员可以执行以下操作：
-
数组的算数和逻辑运算。
-
傅立叶变换和用于图形操作的例程。
-
与线性代数有关的操作。
二、Numpy - ndarray 对象
Numpy 中定义的最重要的对象是称为 ndarray 的 N 维数组类型。 它描述相同类型的元素集合。 可以使用基于零的索引访问集合中的项目。ndarray中的每个元素在内存中使用相同大小的块。 ndarray中的每个元素是数据类型对象的对象（称为 dtype）。
从ndarray对象提取的任何元素（通过切片）由一个数组标量类型的 Python 对象表示。 下图显示了ndarray，数据类型对象（dtype）和数组标量类型之间的关系。
ndarray类的实例可以通过本教程后面描述的不同的数组创建例程来构造。 基本的ndarray是使用 NumPy 中的数组函数创建的，如下所示：
numpy.array
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)上面的构造器接受以下参数：
| 序号 | 参数及描述 |
|---|---|
| 1. | object 任何暴露数组接口方法的对象都会返回一个数组或任何（嵌套）序列。 |
| 2. | dtype 数组的所需数据类型，可选。 |
| 3. | copy 可选，默认为true，对象是否被复制。 |
| 4. | order C（按行）、F（按列）或A（任意，默认）。 |
| 5. | subok 默认情况下，返回的数组被强制为基类数组。 如果为true，则返回子类。 |
| 6. | ndimin 指定返回数组的最小维数。 |
DEMO 1
import numpy as np
a = np.array([1,2,3])
print a
# 输出如下：[1, 2, 3]DEMO 2
# 多于一个维度
import numpy as np
a = np.array([[1, 2], [3, 4]])
print a
# 输出如下：[[1, 2]
# [3, 4]]DEMO 3
# 最小维度
import numpy as np
a = np.array([1, 2, 3,4,5], ndmin = 2)
print a
# 输出如下：[[1, 2, 3, 4, 5]]DEMO 4
# dtype 参数
import numpy as np
a = np.array([1, 2, 3], dtype = complex)
print a
# 输出如下：[ 1.+0.j, 2.+0.j, 3.+0.j]**ndarray ** 对象由计算机内存中的一维连续区域组成，带有将每个元素映射到内存块中某个位置的索引方案。 内存块以按行（C 风格）或按列（FORTRAN 或 MatLab 风格）的方式保存元素。
三、Numpy 的数据类型
Numpy 支持比 Python 更多种类的数值类型。
| 序号 | 数据类型及描述 |
|---|---|
| 1. | bool_ 存储为一个字节的布尔值（真或假） |
| 2. | int_ 默认整数，相当于 C 的long，通常为int32或int64 |
| 3. | intc 相当于 C 的int，通常为int32或int64 |
| 4. | intp 用于索引的整数，相当于 C 的size_t，通常为int32或int64 |
| 5. | int8 字节（-128 ~ 127） |
| 6. | int16 16 位整数（-32768 ~ 32767） |
| 7. | int32 32 位整数（-2147483648 ~ 2147483647） |
| 8. | int64 64 位整数（-9223372036854775808 ~ 9223372036854775807） |
| 9. | uint8 8 位无符号整数（0 ~ 255） |
| 10. | uint16 16 位无符号整数（0 ~ 65535） |
| 11. | uint32 32 位无符号整数（0 ~ 4294967295） |
| 12. | uint64 64 位无符号整数（0 ~ 18446744073709551615） |
| 13. | float_ float64的简写 |
| 14. | float16 半精度浮点：符号位，5 位指数，10 位尾数 |
| 15. | float32 单精度浮点：符号位，8 位指数，23 位尾数 |
| 16. | float64 双精度浮点：符号位，11 位指数，52 位尾数 |
| 17. | complex_ complex128的简写 |
| 18. | complex64 复数，由两个 32 位浮点表示（实部和虚部） |
| 19. | complex128 复数，由两个 64 位浮点表示（实部和虚部） |
Numpy 数字类型是dtype（数据类型）对象的实例，每个对象具有唯一的特征。 这些类型可以是np.bool_，np.float32等。
四、数据类型对象 (dtype)
数据类型对象描述了对应于数组的固定内存块的解释，取决于以下方面：
-
数据类型（整数、浮点或者 Python 对象）
-
数据大小
-
字节序（小端或大端）
-
在结构化类型的情况下，字段的名称，每个字段的数据类型，和每个字段占用的内存块部分。
-
如果数据类型是子序列，它的形状和数据类型。
字节顺序取决于数据类型的前缀<或>。 <意味着编码是小端（最小有效字节存储在最小地址中）。 >意味着编码是大端（最大有效字节存储在最小地址中）。
dtype可由以下语法构造：
numpy.dtype(object, align, copy)
# 参数为：
Object：被转换为数据类型的对象。
Align：如果为true，则向字段添加间隔，使其类似 C 的结构体。
Copy ? 生成dtype对象的新副本，如果为false，结果是内建数据类型对象的引用。DEMO 1
# 使用数组标量类型
import numpy as np
dt = np.dtype(np.int32)
print dt
# 输出如下：int32DEMO 2
#int8，int16，int32，int64 可替换为等价的字符串 'i1'，'i2'，'i4'，以及其他。
import numpy as np
dt = np.dtype('i4')
print dt
# 输出如下：int32DEMO 3
# 使用端记号
import numpy as np
dt = np.dtype('>i4')
print dt
# 输出如下：>i4下面的例子展示了结构化数据类型的使用。 这里声明了字段名称和相应的标量数据类型。
DEMO 4
# 首先创建结构化数据类型。
import numpy as np
dt = np.dtype([('age',np.int8)])
print dt
# 输出如下：[('age', 'i1')]DEMO 5
# 现在将其应用于 ndarray 对象
import numpy as np
dt = np.dtype([('age',np.int8)])
a = np.array([(10,),(20,),(30,)], dtype = dt)
print a
# 输出如下：[(10,) (20,) (30,)]DEMO6
# 文件名称可用于访问 age 列的内容
import numpy as np
dt = np.dtype([('age',np.int8)])
a = np.array([(10,),(20,),(30,)], dtype = dt)
print a['age']
# 输出如下：[10 20 30]DEMO 7
#以下示例定义名为 student 的结构化数据类型，其中包含字符串字段name，整数字段age和浮点字段marks。 #此dtype应用于ndarray对象。
import numpy as np
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])
print student
# 输出如下：[('name', 'S20'), ('age', 'i1'), ('marks', '<f4')])DEMO 8
import numpy as np
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])
a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student)
print a
# 输出如下：[('abc', 21, 50.0), ('xyz', 18, 75.0)]每个内建类型都有一个唯一定义它的字符代码：
-
'b'：布尔值 -
'i'：符号整数 -
'u'：无符号整数 -
'f'：浮点 -
'c'：复数浮点 -
'm'：时间间隔 -
'M'：日期时间 -
'O'：Python 对象 -
'S', 'a'：字节串 -
'U'：Unicode -
'V'：原始数据（void）
五、Numpy的数组属性
1.ndarray.shape这一数组属性返回一个包含数组维度的元组，它也可以用于调整数组大小。
DEMO1
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
print a.shape
# 输出如下：(2, 3)DEMO 2
# 这会调整数组大小
import numpy as np
a = np.array([[1,2,3],[4,5,6]]) a.shape = (3,2)
print a
# 输出如下:
[[1, 2]
[3, 4]
[5, 6]]DEMO 3
NumPy 也提供了reshape函数来调整数组大小。
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
b = a.reshape(3,2)
print b
#输出如下：
[[1, 2]
[3, 4]
[5, 6]]2.ndarray.ndim这一数组属性返回数组的维数。
DEMO 1
# 等间隔数字的数组
import numpy as np
a = np.arange(24) print a
# 输出如下:[0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]DEMO 2
# 一维数组
import numpy as np
a = np.arange(24) a.ndim
# 现在调整其大小
b = a.reshape(2,4,3)
print b
# b 现在拥有三个维度
# 输出如下：
[[[ 0, 1, 2][ 3, 4, 5]
[ 6, 7, 8][ 9, 10, 11]]
[[12, 13, 14][15, 16, 17]
[18, 19, 20][21, 22, 23]]]
3.numpy.itemsize这一数组属性返回数组中每个元素的字节单位长度。
DEMO 1
# 数组的 dtype 为 int8（一个字节）
import numpy as np
x = np.array([1,2,3,4,5], dtype = np.int8)
print x.itemsize
# 输出如下：1DEMO 2
# 数组的 dtype 现在为 float32（四个字节）
import numpy as np
x = np.array([1,2,3,4,5], dtype = np.float32)
print x.itemsize
# 输出如下：44.numpy.flagsndarray对象拥有以下属性。这个函数返回了它们的当前值。
| 序号 | 属性及描述 |
|---|---|
| 1. | C_CONTIGUOUS (C) 数组位于单一的、C 风格的连续区段内 |
| 2. | F_CONTIGUOUS (F) 数组位于单一的、Fortran 风格的连续区段内 |
| 3. | OWNDATA (O) 数组的内存从其它对象处借用 |
| 4. | WRITEABLE (W) 数据区域可写入。 将它设置为flase会锁定数据，使其只读 |
| 5. | ALIGNED (A) 数据和任何元素会为硬件适当对齐 |
| 6. | UPDATEIFCOPY (U) 这个数组是另一数组的副本。当这个数组释放时，源数组会由这个数组中的元素更新 |
DEMO
下面的例子展示当前的标志。
import numpy as np
x = np.array([1,2,3,4,5])
print x.flags
输出如下：
C_CONTIGUOUS : True
F_CONTIGUOUS : True
OWNDATA : True
WRITEABLE : True
ALIGNED : True
UPDATEIFCOPY : False六、Numpy 的数组创建例程
新的ndarray对象可以通过任何下列数组创建例程或使用低级ndarray构造函数构造。
1.numpy.empty它创建指定形状和dtype的未初始化数组。 它使用以下构造函数：
numpy.empty(shape, dtype = float, order = 'C')构造器接受下列参数：
| 序号 | 参数及描述 |
|---|---|
| 1. | Shape 空数组的形状，整数或整数元组 |
| 2. | Dtype 所需的输出数组类型，可选 |
| 3. | Order 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组 |
DEMO
下面的代码展示空数组的例子：
import numpy as np
x = np.empty([3,2], dtype = int)
print x
输出如下：
[[22649312 1701344351]
[1818321759 1885959276]
[16779776 156368896]]
注意：数组元素为随机值，因为它们未初始化。2.numpy.zeros返回特定大小，以 0 填充的新数组。
numpy.zeros(shape, dtype = float, order = 'C')构造器接受下列参数：
| 序号 | 参数及描述 |
|---|---|
| 1. | Shape 空数组的形状，整数或整数元组 |
| 2. | Dtype 所需的输出数组类型，可选 |
| 3. | Order 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组 |
DEMO1
# 含有 5 个 0 的数组，默认类型为 float
import numpy as np
x = np.zeros(5)
print x
输出如下：[ 0. 0. 0. 0. 0.]DEMO 2
import numpy as np
x = np.zeros((5,), dtype = np.int)
print x
# 输出如下：[0 0 0 0 0]DEMO3
# 自定义类型
import numpy as np
x = np.zeros((2,2), dtype = [('x', 'i4'), ('y', 'i4')])
print x
输出如下：
[[(0,0)(0,0)]
[(0,0)(0,0)]]3.numpy.ones返回特定大小，以 1 填充的新数组。
numpy.ones(shape, dtype = None, order = 'C')构造器接受下列参数：
| 序号 | 参数及描述 |
|---|---|
| 1. | Shape 空数组的形状，整数或整数元组 |
| 2. | Dtype 所需的输出数组类型，可选 |
| 3. | Order 'C'为按行的 C 风格数组，'F'为按列的 Fortran 风格数组 |
DEMO 1
# 含有 5 个 1 的数组，默认类型为 float
import numpy as np
x = np.ones(5) print x
输出如下：[ 1. 1. 1. 1. 1.]
DEMO 2
import numpy as np
x = np.ones([2,2], dtype = int)
print x
输出如下：
[[1 1]
[1 1]]