numpy基础 Task01

常量

numpy.nan

表示空值

numpy.inf

表示正无穷大

numpy.pi

表示圆周率

numpy.e

表示自然常数

时间日期和时间增量

datetime64

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）。

从字符串创建 datetime64 类型时，默认情况下，numpy 会根据字符串自动选择对应的单位。 import numpy as np a = np.datetime64('2020-03-01') print(a,a.dtype) b = np.datetime64('2020-03') print(b,b.dtype)

2020-03-01 datetime64[D] 2020-03 datetime64[M]

从字符串创建datetime64类型时，默认情况下，numpy会根据字符串自动选择对应的单位 import numpy as np a = np.datetime64('2020-03-01') print(a,a.dtype) b = np.datetime64('2020-03') print(b,b.dtype)

2020-03-01 datetime64[D] 2020-03 datetime64[M]

从字符串创建datetime64类型时，可以强制指定使用的单位 import numpy as np a = np.datetime64('2020-03','D') print(a,a.dtype) b = np.datetime64('2020-03','Y') print(b,b.dtype)

2020-03-01 datetime64[D] 2020 datetime64[Y]

print(np.datetime64('2020-03') == np.datetime64('2020-03-01')) print(np.datetime64('2020-03') == np.datetime64('2020-03-02'))

True False

由上例可以看出，2019-03 和 2019-03-01 所表示的其实是同一个时间。 事实上，如果两个 datetime64 对象具有不同的单位，它们可能仍然代表相同的时刻。并且从较大的单位（如月份）转换为较小的单位（如天数）是安全的。

从字符串创建datetime64 数组时，如果单位不统一，则一律转换为其中最小的单位 import numpy as np a = np.array(['2020-03','2020-03-09','2020-03-08 20:00:00'],dtype = np.datetime64) print(a,a.dtype)

[‘2020-03-01T00:00:00’ ‘2020-03-09T00:00:00’ ‘2020-03-08T20:00:00’] datetime64[s]

使用arange()创建datetime64数组，用于生成日期范围 import numpy as np a = np.arange('2020-08-01','2020-08-10',dtype = np.datetime64) print(a)

[‘2020-08-01’ ‘2020-08-02’ ‘2020-08-03’ ‘2020-08-04’ ‘2020-08-05’ ‘2020-08-06’ ‘2020-08-07’ ‘2020-08-08’ ‘2020-08-09’]

datetime64 和 timedelta64 运算

timedelta64 表示两个 datetime64 之间的差。timedelta64 也是带单位的，并且和相减运算中的两个 datetime64 中的较小的单位保持一致。 import numpy as np a = np.datetime64('2020-02-08') - np.datetime64('2020-02-07') print(a,a.dtype) b = np.datetime64('2020-03-08') - np.datetime64('2020-03-07 08:30') print(b,b.dtype) c = np.datetime64('2020-03') + np.timedelta64(20, 'D') print(c,c.dtype)

1 days timedelta64[D] 930 minutes timedelta64[m] 2020-03-21 datetime64[D]

timedelta64的运算 import numpy as np a = np.timedelta64(1,'Y') b = np.timedelta64(6,'M') print(a+b)

18 months

numpy.datetime64 与 datetime.datetime 相互转换 import numpy as np import datetime dt = datetime.datetime(year=2020, month=6, day=1, hour=20, minute=5, second=30) dt64 = np.datetime64(dt, 's') print(dt64, dt64.dtype) dt2 = dt64.astype(datetime.datetime) print(dt2, type(dt2))

2020-06-01T20:05:30 datetime64[s] 2020-06-01 20:05:30 <class ‘datetime.datetime’>

datetime64 的应用

为了允许在只有一周中某些日子有效的上下文中使用日期时间，NumPy包含一组“busday”（工作日）功能。

numpy.busday_offset(dates, offsets, roll='raise', weekmask='1111100', holidays=None, busdaycal=None, out=None)

数组的创建

依据现有数据来创建 ndarray

通过array()函数进行创建

import numpy as np # 创建一维数组 a = np.array([0,1,2,3,4]) print(a,type(a)) # 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))

[0 1 2 3 4] <class ‘numpy.ndarray’> [[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’>

通过asarray()函数进行创建

arrarray()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。

import numpy as np x = np.array([[1,1,1],[1,1,1],[1,1,1]]) y = np.array(x) z = np.asarray(x) w = np.asarray(x,dtype=np.int) x[1][2] = 2 print(x,type(x),x.dtype) print(y,type(y),y.dtype) print(z,type(z),z.dtype)

[[1 1 1] [1 1 2] [1 1 1]] <class ‘numpy.ndarray’> int32 [[1 1 1] [1 1 1] [1 1 1]] <class ‘numpy.ndarray’> int32 [[1 1 1] [1 1 2] [1 1 1]] <class ‘numpy.ndarray’> int32

依据ones和zeros填充方式

在机器学习任务中经常做的一件事就是初始化参数，需要用常数值或者随机值来创建一个固定大小的矩阵。

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([2,3]) print(x) print('++++++++++') x = np.array([[1,2,3],[4,5,6]]) y = np.zeros_like(x) print(y)

[[0. 0. 0.] [0 0 0]] ++++++++++ [[0 0 0] [0 0 0]]

一数组

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([2, 3]) print(x) print('++++++++++') x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.ones_like(x) print(y)

[[1. 1. 1.] [1. 1. 1.]] ++++++++++ [[1 1 1] [1 1 1]]

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。 import numpy as np x = np.empty([3, 2]) print(x) print('++++++++++') x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.empty_like(x) print(y)

[[1. 0.] [0. 1.] [0. 0.]] ++++++++++ [[-369442848 621 0] [ 0 131074 105]]

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。 import numpy as np x = np.eye(3,2) print(x) print('++++++++++') y = np.identity(4) print(y)

[[1. 0.] [0. 1.] [0. 0.]] ++++++++++ [[1. 0. 0. 0.] [0. 1. 0. 0.] [0. 0. 1. 0.] [0. 0. 0. 1.]]

对角线数组

diag()函数：提取对角线或构造对角数组。 import numpy as np x = np.arange(9).reshape((3, 3)) print(x) print(np.diag(x)) print('++++++++++') v = [1, 3, 5, 7] x = np.diag(v) print(x)

[[0 1 2] [3 4 5] [6 7 8]] [0 4 8] ++++++++++ [[1 0 0 0] [0 3 0 0] [0 0 5 0] [0 0 0 7]]

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。 import numpy as np x = np.full((2,), 7) print(x) print('++++++++++') x = np.array([[1, 2, 3], [4, 5, 6]]) y = np.full_like(x, 7) print(y)

[7 7] ++++++++++ [[7 7 7] [7 7 7]]

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。 import numpy as np x = np.arange(5) print(x) print('++++++++++') x = np.arange(3,7,2) print(x) print('++++++++++') x = np.linspace(start=0,stop=2,num=9) print(x) print('++++++++++') x = np.logspace(0,1,5) print(np.around(x,2)) print('++++++++++') x = [10 ** i for i in x] print(np.around(x, 2)) print('++++++++++') x = np.random.random([2, 3]) print(x)

[0 1 2 3 4] ++++++++++ [3 5] ++++++++++ [0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ] ++++++++++ [ 1. 1.78 3.16 5.62 10. ] ++++++++++ [1.0000000e+01 6.0020000e+01 1.4530400e+03 4.2015859e+05 1.0000000e+10] ++++++++++ [[0.93865159 0.94697189 0.11264221] [0.38264766 0.50437106 0.74726343]]

结构数组的创建

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

利用字典来定义结构

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(personType, type(personType)) print('++++++++++') print(a, type(a))

[(‘name’, ‘<U30’), (‘age’, ‘<i8’), (‘weight’, ‘<f8’)] <class ‘numpy.dtype’> ++++++++++ [(‘Liming’, 24, 63.9) (‘Mike’, 15, 67. ) (‘Jan’, 34, 45.8)] <class ‘numpy.ndarray’>

利用包含多个元组的列表来定义结构

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’>

数组的属性

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。 import numpy as np a = np.array([[1, 2, 3], [4, 5, 6.0]]) print(a.shape) print(a.dtype) print(a.size) print(a.ndim) print(a.itemsize)

(2, 3) float64 6 2 8