@Numpy 数据类型及数组创建
一、时间日期和时间增量的应用 eg：2020-07-10 周五
#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) #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) #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) #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) print(a.dtype) a = np.arange('2020-08-01 20:00', '2020-08-10', dtype=np.datetime64) print(a) #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('2020-03-08')-np.datetime64('2020-03-07') b = np.datetime64('2020-03-08') - np.datetime64('202-03-07 08:00') c = np.datetime64('2020-03-08') - np.datetime64('2020-03-07 23:00', 'D') print(a,a.dtype) print(b,b.dtype) print(c,c.dtype) a=np.datetime64('2020-03') + np.timedelta64(20, 'D') b = np.datetime64('2020-06-15 00:00') + np.timedelta64(12, 'h') print(a,a.dtype) print(b,b.dtype) #生成 timedelta64时，要注意年（'Y'）和月（'M'）这两个单位无法和其它单位进行运算（一年有几天？一个月有几个小时？这些都是不 #确定的）。 import numpy as np a=np.timedelta64(1,'Y') b=np.timedelta64(a,'M') print(a) print(b) c=np.timedelta64(1,'h') d=np.timedelta64(c,'m') print(c) print(d) print(np.timedelta64(a,'D'))# TypeError: Cannot cast NumPy timedelta64 scalar from metadata [Y] to [D] according to the rule 'same_kind' print(np.timedelta(b,'D'))# TypeError: Cannot cast NumPy timedelta64 scalar from metadata [Y] to [D] according to the rule 'same_kind' #timedelta64 的运算。 import numpy as np a=np.timedelta64(1,'Y') b=np.timedelta64(6,'M') c=np.timedelta64(1,'W') d=np.timedelta64(1,'D') e=np.timedelta64(10,'D') print(a) print(b) print(a+b) print(a-b) print(2*a) print(a/b) print(c/d) print(c%e) #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)) #将指定的偏移量应用于工作日，单位天（'D'）。计算下一个工作日，如果当前日期为非工作日，默认报错。可以指定 forward 或 #backward 规则来避免报错。（一个是向前取第一个有效的工作日，一个是向后取第一个有效的工作日） import numpy as np a=np.busday_offset('2020-07-10',offsets=1) print(a) #a=np.busday_offset('2020-07-11',offsets=1) #print(a) a = np.busday_offset('2020-07-11', offsets=0, roll='forward') b = np.busday_offset('2020-07-11', offsets=0, roll='backward') print(a) print(b) a = np.busday_offset('2020-07-11', offsets=3, roll='forward') b = np.busday_offset('2020-07-11', offsets=-1, roll='backward') print(a) print(b) #返回指定日期是否是工作日。 import numpy as np a=np.is_busday('2020-07-10') b=np.is_busday('2020-07-11') print(a) print(b) #统计一个 datetime64[D] 数组中的工作日天数。 import numpy as np begindates=np.datetime64('2020-07-10') enddates=np.datetime64('2020-07-20') a=np.arange(begindates,enddates,dtype='datetime64') b=np.count_nonzero(np.is_busday(a)) print(a) print(b) import numpy as np a = np.busday_offset('2020-07-11', offsets=1, roll='forward') b = np.busday_offset('2020-07-11', offsets=-1, roll='backward') print(a) print(b) #自定义周掩码值，即指定一周中哪些星期是工作日。 import numpy as np np.is_busday('2020-07-10',weekmask=[1,1,1,1,1,0,0]) a = np.is_busday('2020-07-10', weekmask=[1, 1, 1, 1, 1, 0, 0]) b = np.is_busday('2020-07-10', weekmask=[1, 1, 1, 1, 0, 0, 1]) print(a) print(b) #返回两个日期之间的工作日数量。 import numpy as np begindates = np.datetime64('2020-07-10') enddates = np.datetime64('2020-07-20') a = np.busday_count(begindates, enddates) b = np.busday_count(enddates, begindates) print(a) print(b)二、依据现有数据来创建ndarray
#(a)通过array()函数进行创建。 #创建一维数组 import numpy as np a=np.array([0,1,2,3,4]) b=np.array((0,1,2,3,4)) print(a,type(a)) print(b,type(b)) #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)) #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)) #（b）通过asarray()函数进行创建 #array() 和 asarray() 都可以将结构数据转化为 ndarray import numpy as np x=[[1,1,1],[1,1,1],[1,1,1]] y=np.array(x) z=np.asarray(x) x[1][2]=2 print(x,type(x)) print(y,type(y)) print(z,type(z)) #array() 和 asarray() 的区别。( 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) print(w,type(w),w.dtype) #更改为较大的dtype时，其大小必须是array的最后一个axis的总大小（以字节为单位）的除数 import numpy as np x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])#int 32 print(x, x.dtype) x.dtype=np.int16 print(x) # （c）通过fromfunction()函数进行创建 #给函数绘图的时候可能会用到 fromfunction() ，该函数可从函数中创建数组。 #def fromfunction(function, shape, **kwargs): #通过在每个坐标上执行一个函数来构造数组 import numpy as np def f(x,y): return 10*x+y x=np.fromfunction(f,(5,4),dtype=int) print(x) x=np.fromfunction(lambda i,j:i == j,(3,3),dtype=int) print(x) x=np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int) print(x)链接: [link]
https://www.jianshu.com/p/336cd77d9914 2. https://www.cnblogs.com/gl1573/p/10549547.html#h2datetime64 3. https://www.numpy.org.cn/reference/arrays/datetime.html#%E6%97%A5%E6%9C%9F%E6%97%B6%E9%97%B4%E5%8D%95%E4%BD%8D参考：datawhale 十月组队学习numpy文档 未完待续…
