numpy的引入
如何保存数据
- python原生数据结构支持list和dict，虽然很灵活，但空间占用率和时间效率不高。
- 类型不做限制
- 空间内可以保存不同的数据结构
- 优点是灵活，缺点是效率低
a1 = [1, 2]
a1.append('star')
a1
---------------------------------------------------------------------
结果： [1, 2, 'star']
python的array类型
- python提供了一种只能保存一种类型的数据空间结构，称之为array。
- 使用array模块进行管理
- 限制了空间里保存的数据类型大小
- 限制了灵活性，节约了空间
- 但功能非常简单，没有提供矩阵，向量类的数学运算行为
import array
b1 = array.array('L', [10, 20])
b1
---------------------------------------------------------------------
结果：array('L', [10, 20])
b1.itemsize
---------------------------------------------------------------------
结果：4
b1.append('hello')
---------------------------------------------------------------------
结果：TypeError Traceback (most recent call last)
<ipython-input-7-244121094456> in <module>
----> 1 b1.append('hello')
TypeError: an integer is required (got type str)
numpy的ndarray类
- 只能保存一种数据类型
- 支持python的list的方法
使用np.array()由python list创建
np.array(object, dtype=None, copy=True, order=‘K’, subok=False, ndmin=0)
- object : arraylike的对象,一般就是list或tuple这样的，或者暴露出_array__方法的对象，该方法返回序列对象的。
- dtype : 数据的底层存储类型，一般可设置为大小端，字节位数的限制。
- copy : 是否将object对象进行拷贝，默认为拷贝行为。
- order : 一般为"C"或"F"的底层数据存储顺序。简单说就是行优先还是列优先查找。
import numpy as np
ar1 = np.array([1, 2, 3])
注意事项：
- numpy默认ndarray的所有元素的类型是一致的
- 如果传进来的列表中包含不同的类型，则统一为同一类型，优先级：str>float>int
ar2 = np.array([1, 2, 3.], dtype='<f8')
ar2
---------------------------------------------------------------------
结果：array([1., 2., 3.])
ar2.dtype
---------------------------------------------------------------------
结果：dtype('float64')
ndarray VS List
计算的耗时问题
- 使用list和ndarray进行计算，会明显发现ndarray的速度优势。
- 但ndarray对于大数处理，就必须使用object来保存，而这样，速度优势就没有了
import random
a2 = [random.random() for i in range(10000000)]
ar3 = np.array(a2)
%%time
sum(a2)
---------------------------------------------------------------------
结果：CPU times: user 55.5 ms, sys: 988 µs, total: 56.5 ms
Wall time: 56.9 ms
5000498.110454598
%%time
ar3.sum()
---------------------------------------------------------------------
结果：CPU times: user 13.5 ms, sys: 1.7 ms, total: 15.2 ms
Wall time: 12.9 ms
5000498.110454554
ndarray的属性
基本属性
1）、shape
- 代表数组的形状，所谓的形状可以认为每个轴上有多少个数据
- 比如二维空间具有行、列的概念，假设有4行，3列的话，那么shape就是一个(4, 3)
data_list = [
[1, 2, 3],
[4, 5, 6],
[7, 8, 9],
[10, 11, 12],
]
ar1 = np.array(data_list)
ar1
---------------------------------------------------------------------
结果：
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
ar1.shape
---------------------------------------------------------------------
结果：(4, 3)
2）、ndim
- 代表有几个维度，或者称之为有几个轴来代表数据
ar1.ndim
---------------------------------------------------------------------
结果：2
3）、size
- 代表数组空间里元素的总个数
ar1.size
---------------------------------------------------------------------
结果：12
4）、itemsize
- 每个元素的空间大小
ar1.itemsize
---------------------------------------------------------------------
结果：8
5）、dtype
- 每个元素的数据类型
ar1.dtype
---------------------------------------------------------------------
结果： dtype('int64')