您当前的位置:首页 > 文章 > Numpy系统学习(一)Numpy数组介绍

Numpy系统学习(一)Numpy数组介绍

作者:Qodicat 时间:2024-10-31 阅读数:37 人阅读
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。
我们使用Numpy库,本质上是在操作Numpy数组,因而了解Numpy数组的相关属性,以及和我们Python内置的列表等的不同很重要
Numpy数组和python的列表有相似点,但Numpy数组的计算效率会高很多,因为它的底层是通过C语言实现的。
通过Numpy,我们可以建立自己需要相应的维度的数组,并实现高效的运算
目录
1 Numpy数组的属性
1.1 Numpy数组的秩
1.2 数组的形状
1.3 数组的元素
1.3.1 元素的个数
1.3.2 元素的类型
1.3.3 元素的大小
1.3.4 元素的内存信息
总结如下
2 Numpy 与python内置列表比较
2.1 相似点
2.2 不同点
1 Numpy数组的属性
1.1 Numpy数组的秩
学习过线性代数的朋友对于矩阵的秩并不陌生,他其实是反映维度的量,对于低维矩阵,是可以可视化的,如一维矩阵就是行向量或者列向量,二维矩阵就是m行n列的一个矩阵,三维以上的矩阵不好可视化但与低维矩阵类似。
Numpy数组的秩也是同样的
对于一个Numpy数组,可以通过ndim属性返回它的秩
例1:返回指定矩阵的秩
import numpy as np
arr=np.array(
    [[0,1,2],
     [3,4,5]
     ]
    )
print(arr.ndim)
输出
2
1.2 数组的形状
数组的形状是什么呢?
数组的形状是一个元组,如(2,3,4) 再如(4,5)
可以通过形状中的元组数字个数看出维数,比如(2,3,4)是三维的,(4,5)是二维的
低维的数组很好理解,如(3,2)形状的数组代表一个3行2列的矩阵,(3)代表一个有三个元素的一维向量
对于高维我们可以这样理解
可以看做是分队伍,从左向右,第一个数字代表把整体分为几份,第二个数字代表在分好的几份的基础上继续分,以此类推……
如(2,3,4) 意味着把整体先分为2份,再把这新得到的2份各自分成3份,再把新得到的3份各自分成4份
我们通过numpy数组的shape属性输出形状。
通过形状,我们还可以看出元素的个数,如把元组中的各个数字依次相乘,即可得到数组元素的总个数,
例2:输出数组的形状
import numpy as np
arr=np.array(
    [[0,1,2],
     [3,4,5]
     ]
    )
print(arr.shape)
输出
(2, 3) #2行3列
我们可以通过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)
[[1 2]
[3 4]
[5 6]]
1.3 数组的元素
1.3.1 元素的个数
通过数组的size 属性
例3: 返回数组的元素总个数
import numpy as np
arr=np.array(
    [[0,1,2],
     [3,4,5]
     ]
    )
 print(arr.size)
输出
6
1.3.2 元素的类型
通过dtype 属性查看,如字符型,整形或者自定义形,数组的类型必须是统一的,具体可参考Numpy数组的数据类型这一篇博客Numpy系统学习(二)Numpy的数据类型_Qodi的博客-CSDN博客 的2.1节
例4: 返回元素类型
import numpy as np
arr=np.array(
    [[0,1,2],
     [3,4,5]
     ]
    )
 print(arr.size)
输出
int32
1.3.3 元素的大小
ndarray 对象中每个元素的大小,以字节为单位
通过itemsize属性
例5:输出每个元素的大小
import numpy as np
arr=np.array(
    [[0,1,2],
     [3,4,5]
     ]
    )
print(arr.itemsize)

输出

4
1.3.4 元素的内存信息
即元素是否为只读等信息,通过flag属性查看,以后应用比较少,了解即可
例6:输出元素的内存信息
import numpy as np
arr=np.array(
    [[0,1,2],
     [3,4,5]
     ]
    )
print(arr.flags)
输出
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
具体含义内容如下
属性 描述
C_CONTIGUOUS (C)     数据是在一个单一的C风格的连续段中
F_CONTIGUOUS (F)     数据是在一个单一的Fortran风格的连续段中
OWNDATA (O)             数组拥有它所使用的内存或从另一个对象中借用它
WRITEABLE (W)          数据区域可以被写入,将该值设置为 False,则数据为只读
ALIGNED (A)               数据和所有元素都适当地对齐到硬件上
UPDATEIFCOPY (U)      这个数组是其它数组的一个副本,当这个数组被释放时,原数组的内容将被更新
还有比如返回元素的实部和虚部等的内容,用的比较少,了解即可
总结如下
属性 说明
ndarray.ndim                    秩,即轴的数量或维度的数量
ndarray.shape                   数组的维度,对于矩阵,n 行 m 列
ndarray.size                      数组元素的总个数,相当于 .shape 中 n*m 的值
ndarray.dtype ndarray       对象的元素类型
ndarray.itemsize ndarray   对象中每个元素的大小,以字节为单位
ndarray.flags ndarray        对象的内存信息
ndarray.real ndarray         元素的实部
ndarray.imag ndarray       元素的虚部
2 Numpy 与python内置列表比较
2.1 相似点
1、二者都可以用于处理多维数组
2、二者都可以进行切片索引的访问修改元素的操作
2.2 不同点
1、数组元素类型不同
Python 列表是一种动态数组,它可以存储任意类型的数据,而且可以根据需要动态调整容量,但是在内存中是分散存储的。NumPy 数组则是一种静态数组,它只能存储相同类型的数据,但是在内存中是连续存储的,因此访问效率更高。
2、效率不同
在存储效率和输入输出性能Numpy远优于Python中的嵌套列表,数组越大,Numpy的优势就越明显。
内存占用:由于 NumPy 数组是连续存储的,因此它的内存占用相对于 Python 列表更小。同时,NumPy 数组支持各种压缩算法,可以在存储时进一步减少内存占用。
计算效率:由于 NumPy 数组在内存中是连续存储的,因此它的计算效率更高,尤其是对于大规模数据的计算。Python 列表由于是动态数组,内存地址是分散的,因此访问效率较低。
用代码的形式比较Numpy和list列表的效率
import random
import time
import numpy as np
a = []
for i in range(100000000):
    a.append(random.random()) 
# 通过%time魔法方法, 查看当前行的代码运行一次所花费的时间
%time sum1=sum(a) 
b=np.array(a) 
%time sum2=np.sum(b)
输出
CPU times: user 852 ms, sys: 262 ms, total: 1.11 s
Wall time: 1.13 s
CPU times: user 133 ms, sys: 653 μs, total: 133 ms
Wall time: 134 ms

从中我们看到ndarray的计算速度要快很多,节约了时间。             

原文链接:https://blog.csdn.net/Q52099999/article/details/128955967

本站大部分文章、数据、图片均来自互联网,一切版权均归源网站或源作者所有。

如果侵犯了您的权益请来信告知我们删除。邮箱:1451803763@qq.com