常量

numpy.nan

numpy.nan/NaN/NAN：表示空值两个nan是不相等的numpy.isnan(x, *args, **kwargs) Test element-wise for NaN and return result as a boolean array.

numpy.inf

numpy.Inf/inf/infty/PINF/Infinity：表示空值

numpy.pi

numpy.e

数据类型

常见数据类型

Python 原生的数据类型相对较少， bool、int、float、str等。这在不需要关心数据在计算机中表示的所有方式的应用中是方便的。然而，对于科学计算，通常需要更多的控制。为了加以区分 numpy 在这些类型名称末尾都加了“_”。

下表列举了常用 numpy 基本类型。

类型备注说明bool_ = bool88位布尔类型int8 = byte8位整型int16 = short16位整型int32 = intc32位整型int_ = int64 = long = int0 = intp64位整型uint8 = ubyte8位无符号整型uint16 = ushort16位无符号整型uint32 = uintc32位无符号整型uint64 = uintp = uint0 = uint64位无符号整型float16 = half16位浮点型float32 = single32位浮点型float_ = float64 = double64位浮点型str_ = unicode_ = str0 = unicodeUnicode 字符串datetime64日期时间类型timedelta64表示两个时间之间的间隔

创建数据类型

numpy 的数值类型实际上是 dtype 对象的实例。

class dtype(object): def __init__(self, obj, align=False, copy=False): pass

每个内建类型都有一个唯一定义它的字符代码，如下：

字符对应类型备注bboolean‘b1’isigned integer‘i1’, ‘i2’, ‘i4’, ‘i8’uunsigned integer‘u1’, ‘u2’ ,‘u4’ ,‘u8’ffloating-point‘f2’, ‘f4’, ‘f8’ccomplex floating-pointmtimedelta64表示两个时间之间的间隔Mdatetime64日期时间类型OobjectS(byte-)stringS3表示长度为3的字符串UUnicodeUnicode 字符串Vvoid

数据类型信息

Python 的浮点数通常是64位浮点数，几乎等同于 np.float64。 NumPy和Python整数类型的行为在整数溢出方面存在显着差异，与 NumPy 不同，Python 的int 是灵活的。这意味着Python整数可以扩展以容纳任何整数并且不会溢出。

时间日期和时间增量

datetime64 基础

在 numpy 中，我们很方便的将字符串转换成时间日期类型 datetime64（datetime 已被 python 包含的日期时间库所占用）。

datatime64是带单位的日期时间类型，其单位如下：

日期单位代码含义时间单位代码含义Y年h小时M月m分钟W周s秒D天ms毫秒--us微秒--ns纳秒--ps皮秒--fs飞秒--as阿托秒

数组的创建

依据现有数据来创建ndarray

（a） 通过array()函数进行创建

def array(p_object, dtype=None, copy=True, order='K', subok=False, ndmin=0):

（b）通过asarray()函数进行创建

def asarray(a, dtype=None, order=None): return array(a, dtype, copy=False, order=order)

（c）通过fromfunction()函数进行创建

def fromfunction(function, shape, **kwargs):

注意：array()和asarray()都可以将结构数据转化为 ndarray，但是array()和asarray()主要区别就是当数据源是ndarray 时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时 asarray()不会。

依据 ones 和 zeros 填充方式

（a）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。

def zeros(shape, dtype=None, order='C'):

def zeros_like(a, dtype=None, order='K', subok=True, shape=None)：

（b）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。

def ones(shape, dtype=None, order='C'):

def ones_like(a, dtype=None, order='K', subok=True, shape=None):

（c）空数组

empty()函数：返回一个空数组，数组元素为随机数。empty_like函数：返回与给定数组具有相同形状和类型的新数组。def empty(shape, dtype=None, order='C'):def empty_like(prototype, dtype=None, order='K', subok=True, shape=None):

（d）单位数组

eye()函数：返回一个对角线上为1，其它地方为零的单位数组。identity()函数：返回一个方的单位数组。def eye(N, M=None, k=0, dtype=float, order='C'):def identity(n, dtype=None):

（e）对角数组

diag()函数：提取对角线或构造对角数组。def diag(v, k=0):

（f）常数数组

full()函数：返回一个常数数组。full_like()函数：返回与给定数组具有相同形状和类型的常数数组。def full(shape, fill_value, dtype=None, order='C'):def full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None):

利用数值范围来创建ndarray

arange()函数：返回给定间隔内的均匀间隔的值。linspace()函数：返回指定间隔内的等间隔数字。logspace()函数：返回数以对数刻度均匀分布。numpy.random.rand() 返回一个由[0,1)内的随机数组成的数组。def arange([start,] stop[, step,], dtype=None):def linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0):def logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None, axis=0):def rand(d0, d1, ..., dn):

结构数组的创建

结构数组，首先需要定义结构，然后利用np.array()来创建数组，其参数dtype为定义的结构。

（a）利用字典来定义结构 【例】

import numpy as np personType = np.dtype({ 'names': ['name', 'age', 'weight'], 'formats': ['U30', 'i8', 'f8']}) a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)], dtype=personType) print(a, type(a)) # [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)] # <class 'numpy.ndarray'>

（b）利用包含多个元组的列表来定义结构 【例】

import numpy as np personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')]) a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)], dtype=personType) print(a, type(a)) # [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)] # <class 'numpy.ndarray'> # 结构数组的取值方式和一般数组差不多，可以通过下标取得元素： print(a[0]) # ('Liming', 24, 63.9) print(a[-2:]) # [('Mike', 15, 67. ) ('Jan', 34, 45.8)] # 我们可以使用字段名作为下标获取对应的值 print(a['name']) # ['Liming' 'Mike' 'Jan'] print(a['age']) # [24 15 34] print(a['weight']) # [63.9 67. 45.8]

数组的属性

在使用 numpy 时，你会想知道数组的某些信息。很幸运，在这个包里边包含了很多便捷的方法，可以给你想要的信息。

numpy.ndarray.ndim用于返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。numpy.ndarray.size数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。numpy.ndarray.dtype ndarray 对象的元素类型。numpy.ndarray.itemsize以字节的形式返回数组中每一个元素的大小。 class ndarray(object): shape = property(lambda self: object(), lambda self, v: None, lambda self: None) dtype = property(lambda self: object(), lambda self, v: None, lambda self: None) size = property(lambda self: object(), lambda self, v: None, lambda self: None) ndim = property(lambda self: object(), lambda self, v: None, lambda self: None) itemsize = property(lambda self: object(), lambda self, v: None, lambda self: None)