写在前面

代码中的np表示的是numpy，因为导入的时候是：import numpy as np

一、数据分析与Numpy

1、数据分析
MATLAB：专业化数据分析工具
Numpy：更简单上手，且结合了MATLAB大部分功能

2、Numpy介绍

• 应用于数值分析领域的Python语言工具
• 是一个开源的科学计算库
• 弥补了作为通用编程语言的Python在数值计算方面能力弱、速度慢的不足
• 拥有丰富的数学函数、强大的多位数组和优异的运算性能
• 与Scipy、scikit、matplotlib等其他科学计算库可以很好协调
• 可以取代matlab等工具，允许用户进行快速开发的同时完成交互式的原型设计

3、Numpy的效率

可以清楚看到，使用Numpy计算的效率是普通python语句计算的近60倍，这里使用的是微秒（10的-6次方）

4、练习代码

import datetime as dt
import numpy as npn = 100000
start = dt.datetime.now()
A, B = [], []  # 两个空列表
for i in range(n):A.append(i ** 2)  # 计算i的平方B.append(i ** 3)  # 计算i的3次方
C = []
# 用zip拉链拉起来就可以同时遍历两个列表
for a, b in zip(A, B):C.append(a + b)
print("直接：", (dt.datetime.now() - start).microseconds)  # 输出直接用py语句来实现计算的运行时间# 使用Numpy来实现
start = dt.datetime.now()
C = np.arange(n) ** 2 + np.arange(n) ** 3
print("Numpy：", (dt.datetime.now() - start).microseconds)

二、多维数组

1、多维数组
数组：空间上内存连续，元素同类型
Numpy中的数组：是numpy.ndarray这个类实例化来的对象，用于表示数据结构中的
任意维度的数组（ndarray表示数组名）

2、创建多维数组对象

• numpy.arange（起始，终止，步长）
• numpy.array：被解释为数组的容器
• ndarray.dtype属性：表示元素的数据类型，astype()方法可以修改元素类型（ndarray表示数组名）
• ndarray.shape属性：表示数组的维度，reshapre()方法可以改变维数，如b = np.arange(1, 25).reshape(2, 3, 4)
• 元素索引：数组[页索引][行索引][列索引]；数组[页索引，行索引，列索引]

3、练习代码

import numpy as npa = np.arange(1,10,2)
print(a)# 一维数组里面放入一个列表
b = np.array([2,4,6,8,10])
print(b)
# 二维数组里面放入两个一维列表
c = np.array([[1,3,5,7,9],[2,4,6,8,10]])
print(c)d = np.array(['1','2','3'])# 查看数组类型，查看元素类型
print(c.dtype)
print(type(c))
print(type(c[0][3]))
print(type(d[1]))# 给数组指定类型
e = np.array(['1','2','3'], dtype=np.int32)
print(type(e[0]))
f = e.astype(np.str)
print(type(f[0]))# 查看数组的维度
print(c.shape)
# 创建一个2*3*4的数组，一个[]就是一个维度
# 最内部arange()又代表一个维度，因此是三维
g = np.array([[np.arange(1,5), np.arange(2,6), np.arange(3,7)],[np.arange(2,6), np.arange(7,11), np.arange(12,16)]
])
print(g.shape)
print(g.shape[0])  # 输出数组的页数，2*3*4，所以是2页
print(g)# 遍历每个索引下的元素
h = np.array([[[1,2],[3,4]],[[5,6],[7,8]]
])
# shape[0]代表页数，1代表行数，2代表列数……以此类推
for i in range(h.shape[0]):for j in range(h.shape[1]):for k in range(h.shape[2]):print(h[i,j,k])

三、Numpy的数据类型

1、numpy的内置类型
bool_：1字节布尔型

int8：1字节，有符号整型（正负），-128~127
int16：2字节，有符号整型（正负）
uint8：1字节无符号整型，0~255
uint64：8字节无符号整型

float16：2字节浮点型
float64：8字节浮点型

complex64：8字节复数型
complex128：16字节复数型

str_：字符串型

2、自定义类型
通过dtype将多个相同或者不同的numpy内置类型组合成某种复合类型
除了使用内置类型的全称（后面的数字代表位数），还可以通过类型编码字符串（后面的数字代表字节数，1字节=8位）来简化类型的说明

• numpy.int8——>i1
• numpy.nint32——>u4
• numpy.float64——>f8
• numpy.complex128——>c16
• numpy.str_——>U字符数
• numpy.bool_——>b

3、字节序
对于多字节的整数可以加上 字节序 前缀：

<：小端字节序，低数位低地址，前高后低>：大端字节序，低数位高地址，前低后高
=：处理器（CPU）系统默认

<：0x1234

L	H
0x34	0x12

>：0x1234

L	H
0x12	0x34

4、练习代码

import numpy as npa = np.array([('abc',[1,2,3,4,5])],dtype='U3, 5i4')
# U3, 5i4表示一个新的类型，3个字符长度的字符串，5个4字节大小的int类型
# 访问各个字符，用默认字段名f：['f0']，['f1']，['f2']……
# print(a[0]['f0'])  # 访问到abc
# print(a[0]['f1'])  # 访问到数字
# print(a[0]['f0'][1])  # 访问b
# print(a[0]['f1'][2])  # 访问3# 自定义 字段名：字段名，类型（全称），字符数/字节大小
b = np.array([('abc',[1,2,3,4,5])],dtype=[('ss', np.str, 3), ('ii', np.int, 5)])
# 使用自定义字段名来访问
# print(b[0]['ss'])  # 访问到abc
# print(b[0]['ii'])  # 访问到数字
# print(b[0]['ss'][1])  # 访问b
# print(b[0]['ii'][2])  # 访问3# 第三种方式：既可以自定义字段名，又可以使用类型简称
c = np.array([('abc',[1,2,3,4,5])],dtype={"names":['ss', 'ii'],"formats":['U3', '5i4'],
})
# 使用自定义字段名来访问
# print(c[0]['ss'])  # 访问到abc
# print(c[0]['ii'])  # 访问到数字
# print(c[0]['ss'][1])  # 访问b
# print(c[0]['ii'][2])  # 访问3# 第四种方式：类型后面跟内存偏移量，也是既可以自定义字段名，又可以使用类型简称
d = np.array([('abc',[1,2,3,4,5])],dtype={"ss":('U3', 0),"ii":('5i4', 12)
})
# 使用自定义字段名来访问
# print(d[0]['ss'])  # 访问到abc
# print(d[0]['ii'])  # 访问到数字
# print(d[0]['ss'][1])  # 访问b
# print(d[0]['ii'][2])  # 访问3# 字节偏移量
# 同时拥有两个类型：一个u2，一个u1，u1的one偏移量为0，two偏移量为1
# >表示是大端字节序，前低后高，偏移量为0则是的低的，即12；偏移量为1则是高的，即34
e = np.array([0x1234], dtype=('>u2',{'one':('u1',0), 'two':('u1',1)}
))
print('{:x}'.format(e[0]))  # {:x}表示以16进制访问，e[0]表示第一个类型u2
print('{:x}、{:x}'.format(e['one'][0],e['two'][0]))
# 改为小端字节序，前高后低，偏移量为0则是的低的，即34；偏移量为1则是高的，即12
e = np.array([0x1234], dtype=('<u2',{'one':('u1',0), 'two':('u1',1)}
))
print('{:x}、{:x}'.format(e['one'][0],e['two'][0]))