NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。它包括：1、一个强大的N维数组对象Array；2、比较成熟的（广播）函数库；3、用于整合C/C++和Fortran代码的工具包；4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。

今天我们来看下Numpy数组。

 

一. Numpy数组对象

 

Numpy中的多维数组称为ndarray，它有两个组成部分。

数据本身。

描述数据的元数据。

 

它有以下几个属性：

 

ndarray.ndim：数组的维数 

ndarray.shape：数组每一维的大小 

ndarray.size：数组中全部元素的数量 

ndarray.dtype：数组中元素的类型（numpy.int32, numpy.int16, and numpy.float64等） 

ndarray.itemsize：每个元素占几个字节

 

在数组的处理过程中，原始数据不受影响，变化的只是元数据。

 

Numpy数组通常是由相同种类的元素组成，即数组中数据类型必须一致。好处是：数组元素类型相同，可轻松确定存储数组所需的空间大小。同时，numpy可运用向量化运算来处理整个数组。Numpy数组的索引从0开始。

 

例子：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

>>> import numpy as np >>> a = np.arange(15).reshape(3, 5) >>> a array([[ 0,  1,  2,  3,  4],        [ 5,  6,  7,  8,  9],        [10, 11, 12, 13, 14]]) >>> a.shape (3, 5) >>> a.ndim 2 >>> a.dtype.name 'int64' >>> a.itemsize 8 >>> a.size 15 >>> type(a) <type 'numpy.ndarray'> >>> b = np.array([6, 7, 8]) >>> b array([6, 7, 8]) >>> type(b) <type 'numpy.ndarray'>

 

二.创建数组：

 

使用array函数讲tuple和list转为array：

1 2 3 4 5 6 7 8 9

>>> import numpy as np >>> a = np.array([2,3,4]) >>> a array([2, 3, 4]) >>> a.dtype dtype('int64') >>> b = np.array([1.2, 3.5, 5.1]) >>> b.dtype dtype('float64')

 

多维数组：

1 2 3 4

>>> b = np.array([(1.5,2,3), (4,5,6)]) >>> b array([[ 1.5,  2. ,  3. ],        [ 4. ,  5. ,  6. ]])