numpy

最新推荐文章于 2026-03-16 17:47:39 发布

原创最新推荐文章于 2026-03-16 17:47:39 发布 · 899 阅读

1 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#python

NumPy 数据类型

numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。下表列举了常用 NumPy 基本类型。

bool_ 布尔型数据类型（True 或者 False）
int_ 默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
intc 与 C 的 int 类型一样，一般是 int32 或 int 64
intp 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）
int8 字节（-128 to 127）
int16 整数（-32768 to 32767）
int32 整数（-2147483648 to 2147483647）
int64 整数（-9223372036854775808 to 9223372036854775807）
uint8 无符号整数（0 to 255）
uint16 无符号整数（0 to 65535）
uint32 无符号整数（0 to 4294967295）
uint64 无符号整数（0 to 18446744073709551615）
float_ float64 类型的简写
float16 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
float32 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
float64 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
complex_ complex128 类型的简写，即 128 位复数
complex64 复数，表示双 32 位浮点数（实数部分和虚数部分）
complex128 复数，表示双 64 位浮点数（实数部分和虚数部分）
numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32， np.float32，等等。

NumPy arrays：

1.ndarray  n N维数组对象
2.【元素数据类型必须相同】

创建一维数组：
1.数据类型转化
2.内置函数

创建二维数组：
1.数据类型转化
2.内置函数

数组属性：
1.修改 sharp
2.转换数据类型：
1.nparr =》 python
2.nparr元素 int =》 float

数组切片：

切片：取值

一维数组：

二维数组：

根据条件进行取值

ifnull(condition,xx,xxx)

5.数组的轴 (axis)
1.numpy 轴可以理解为方向
2.数组 0 1 2 表示
eg ：
一维数组：只有一个 0 轴
二维数组：0轴 1轴
三维数组：0轴 1轴 2轴

3.轴 用于计算：
    按照 0、1、2轴进行计算

np.xxx() api

np.sum
np.mean

6.数组的计算

跟矩阵一样：
1.数组与数的计算
2.形状相同的数组计算
3.不同形状的数组计算？
4.行数或列数相同的一维数组与多维数组进行计算
NumPy 切片和索引
ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。

ndarray 数组可以基于 0 - n 的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。

实例

import numpy as np

a = np.arange(10)
s = slice(2,7,2) # 从索引 2 开始到索引 7 停止，间隔为2
print (a[s])
1
2
3
4
5
输出结果为：

[2 4 6]
1
以上实例中，我们首先通过 arange() 函数创建 ndarray 对象。然后，分别设置起始，终止和步长的参数为 2，7 和 2。

我们也可以通过冒号分隔切片参数 start:stop:step 来进行切片操作：

实例

import numpy as np

a = np.arange(10)
b = a[2:7:2] # 从索引 2 开始到索引 7 停止，间隔为 2
print(b)
1
2
3
4
5
输出结果为：

[2 4 6]
1
冒号 : 的解释：如果只放置一个参数，如 [2]，将返回与该索引相对应的单个元素。如果为 [2:]，表示从该索引开始以后的所有项都将被提取。如果使用了两个参数，如 [2:7]，那么则提取两个索引(不包括停止索引)之间的项。

实例

import numpy as np

a = np.arange(10) # [0 1 2 3 4 5 6 7 8 9]
b = a[5]
print(b)
1
2
3
4
5
输出结果为：

5
1
实例

import numpy as np

a = np.arange(10)
print(a[2:])
1
2
3
4
输出结果为：

[2 3 4 5 6 7 8 9]
1
实例

import numpy as np

a = np.arange(10) # [0 1 2 3 4 5 6 7 8 9]
print(a[2:5])
1
2
3
4
输出结果为：

[2 3 4]
1
多维数组同样适用上述索引提取方法：

实例

import numpy as np

a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print(a)

从某个索引处开始切割

print(‘从数组索引 a[1:] 处开始切割’)
print(a[1:])
1
2
3
4
5
6
7
输出结果为：

[[1 2 3]
[3 4 5]
[4 5 6]]
1
2
3
从数组索引 a[1:] 处开始切割

[[3 4 5]
[4 5 6]]
1
2
切片还可以包括省略号 …，来使选择元组的长度与数组的维度相同。如果在行位置使用省略号，它将返回包含行中元素的 ndarray。

实例

import numpy as np

a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print (a[…,1]) # 第2列元素
print (a[1,…]) # 第2行元素
print (a[…,1:]) # 第2列及剩下的所有元素
1
2
3
4
5
6
输出结果为：

[2 4 5]
[3 4 5]
[[2 3]
[4 5]
[5 6]]
1
2
3
4
5
NumPy 高级索引
整数数组索引
布尔索引
花式索引
NumPy 广播(Broadcast)
广播(Broadcast)是 numpy 对不同形状(shape)的数组进行数值计算的方式，对数组的算术运算通常在相应的元素上进行。

如果两个数组 a 和 b 形状相同，即满足 a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘。这要求维数相同，且各维度的长度相同。

import numpy as np

[ 10 40 90 160]
1
当运算中的 2 个数组的形状不同时，numpy 将自动触发广播机制。如：

import numpy as np

a = np.array([[ 0, 0, 0],
[10,10,10],
[20,20,20],
[30,30,30]])
b = np.array([1,2,3])
print(a + b)
1
2
3
4
5
6
7
8
输出结果为：

[[ 1 2 3]
[11 12 13]
[21 22 23]
[31 32 33]]