numpy的数据类型

numpy的数据类型比较多

但本质上就是python中的数据类型，例如 bool，int，float，str

只是numpy中分的更细，像java语言一样，根据字符长度给数据类型进行了区分

例如 int16,int32,int64

需要注意的是 numpy 中的两个时间类型

datetime64 和 timedelta64

因为 datetime 被python使用了，为了区分，在后面加上了64

datetime64 和 python中的datetime.datetime 几乎相同

import numpy as np a = np.datetime64('2020-03-01') print(a, a.dtype) # 2020-03-01 datetime64[D] a = np.datetime64('2020-03') print(a, a.dtype) # 2020-03 datetime64[M] a = np.datetime64('2020-03-08 20:00:05') print(a, a.dtype) # 2020-03-08T20:00:05 datetime64[s] a = np.datetime64('2020-03-08 20:00') print(a, a.dtype) # 2020-03-08T20:00 datetime64[m] a = np.datetime64('2020-03-08 20') print(a, a.dtype) # 2020-03-08T20 datetime64[h]

从字符串创建 datetime64 数组时，如果单位不统一，则一律转化成其中最小的单位

import numpy as np a = np.array(['2020-03', '2020-03-08', '2020-03-08 20:00'], dtype='datetime64') print(a, a.dtype) # ['2020-03-01T00:00' '2020-03-08T00:00' '2020-03-08T20:00'] datetime64[m]

numpy数组的创建

numpy.array

import numpy as np # 创建一维数组 a = np.array([0, 1, 2, 3, 4]) b = np.array((0, 1, 2, 3, 4)) print(a, type(a)) # [0 1 2 3 4] <class 'numpy.ndarray'> print(b, type(b)) # [0 1 2 3 4] <class 'numpy.ndarray'> # 创建二维数组 c = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) print(c, type(c)) # [[11 12 13 14 15] # [16 17 18 19 20] # [21 22 23 24 25] # [26 27 28 29 30] # [31 32 33 34 35]] <class 'numpy.ndarray'> # 创建三维数组 d = np.array([[(1.5, 2, 3), (4, 5, 6)], [(3, 2, 1), (4, 5, 6)]]) print(d, type(d) # [[[1.5 2. 3. ] # [4. 5. 6. ]] # [[3. 2. 1. ] # [4. 5. 6. ]]] <class 'numpy.ndarray'>

零数组

zeros() 函数：返回给定形状和类型的零数组。zeros_like() 函数：返回与给定数组形状和类型相同的零数组。 import numpy as np x = np.zeros(5) print(x) # [0. 0. 0. 0. 0.] x = np.zeros([2, 3]) print(x) # [[0. 0. 0.] # [0. 0. 0.]] x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.zeros_like(x) print(y) # [[0 0 0] # [0 0 0]]

1 数组

ones() 函数：返回给定形状和类型的1数组。

ones_like() 函数：返回与给定数组形状和类型相同的1数组

import numpy as np x = np.ones(5) print(x) # [1. 1. 1. 1. 1.] x = np.ones([2, 3]) print(x) # [[1. 1. 1.] # [1. 1. 1.]] x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.ones_like(x) print(y) # [[1 1 1] # [1 1 1]]