使用NumPy、Numba的简单使用(一)

概述Numpy是python的一个三方库，主要是用于计算的，数组的算数和逻辑运算。与线性代数有关的 *** 作。 很多情况下，我们可以与SciPy和 Matplotlib（绘图库）一起使用。来替代MatLab，下面我来来看一下numpy库的常见的一些 *** 作。 #!/usr/bin/env python# -*- coding: utf-8 -*-import numpy as npif __

Numpy是python的一个三方库，主要是用于计算的，数组的算数和逻辑运算。与线性代数有关的 *** 作。

很多情况下，我们可以与SciPy和 Matplotlib（绘图库）一起使用。来替代MatLab，下面我来来看一下numpy库的常见的一些 *** 作。

#!/usr/bin/env python# -*- Coding: utf-8 -*-import numpy as npif __name__ == ‘__main__‘:    print(np.array([1,2,3]))

我们可以看到我们的输出为[1,3]，类型为<class ‘numpy.ndarray‘>，我们可以将一个列表转化为数组。这里我也列出了一些最基本的用法

#!/usr/bin/env python# -*- Coding: utf-8 -*-import numpy as npif __name__ == ‘__main__‘:    a = np.array([‘1‘,‘2‘,‘3‘])    print(a.size)  # 数组的长度    print(a.shape)  # 数组的结构    print(a.ndim)  # 数组的维度    print(a.dtype)  # 内部元素类型

创建10行10列的数值为浮点1的矩阵

array_one = np.ones([10,10])

快创建10行10列的数值为浮点0的矩阵

array_zero = np.zeros([10,10])

从现有的数据创建数组

array(深拷贝) asarray(浅拷贝)

#!/usr/bin/env python# -*- Coding: utf-8 -*-import numpy as npif __name__ == ‘__main__‘:    a = array_one = np.ones([10,10])    b = np.asarray(a)    print(ID(a))    print(ID(b))    c = np.array(b)    print(ID(c))

说完了这些，我们应该对于numpy有了初步的认识，我们到这里知道了numpy.....原来是生成一个多维数组的玩意

我们再来深入的看一下numpy的内部信息吧。

NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。

ndarray 对象是用于存放同类型元素的多维数组。

ndarray 中的每个元素在内存中都有相同存储大小的区域。

ndarray 内部由以下内容组成：

一个指向数据（内存或内存映射文件中的一块数据）的指针。

数据类型或 dtype，描述在数组中的固定大小值的格子。

一个表示数组形状（shape）的元组，表示各维度大小的元组。

一个跨度元组（strIDe），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。

这里我们提到的了跨度，跨度可以是负数，这样会使数组在内存中后向移动，切片中 obj[::-1] 或 obj[:,::-1] 就是如此。注意这里是字节数，不是字符数。

创建一个 ndarray 只需调用 NumPy 的 array 函数即可，这里我们要说一个重要的属性，也是容易误解的属性->ndim，秩，即轴的数量或维度的数量，我们只记住他是维度的数量就ok了。

索引：

import numpy as npif __name__ == ‘__main__‘:    a = np.arange(10)    print(a)    s = slice(2,8,2)  # 从索引 2 开始到索引 8 停止，间隔为2，是一个左闭右开区间    print(a[s])

切片：

#!/usr/bin/env python# -*- Coding: utf-8 -*-import numpy as npif __name__ == ‘__main__‘:    a = np.arange(10)    print(a)    print(a[2:8:2]) # 从索引 2 开始到索引 8 停止，间隔为 2,不包含8的一个左闭右开区间

冒号 : 的解释：如果只放置一个参数，如 [2]，将返回与该索引相对应的单个元素。如果为 [2:]，表示从该索引开始以后的所有项都将被提取。如果使用了两个参数，如 [2:7]，那么则提取两个索引(不包括停止索引)之间的项。

切片还可以包括省略号 …，来使选择元组的长度与数组的维度相同。 如果在行位置使用省略号，它将返回包含行中元素的 ndarray。

a[...,n]) # 第n+1列元素

a[n,...]) # 第n+1行元素

#!/usr/bin/env python# -*- Coding: utf-8 -*-import numpy as npif __name__ == ‘__main__‘:    a = np.array([[1,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]])    print(a)    print(a[...,2])    print(a[1,...])

高级索引：

　　NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整数和切片的索引外，数组可以由整数数组索引、布尔索引及花式索引。

#!/usr/bin/env python# -*- Coding: utf-8 -*-import numpy as npx = np.array([[1,2],[3,6]])y = x[[0,1,[0,1,0]]print(x)print (y)

在y的输出我们可以看到，我们对于X切片得到的y，其实[0，1，2]，[0,0]两个数组，我们得到的是第0,0;1,1;2,0三个数据。

　　布尔索引：

import numpy as npx = np.array([[0,4,5],[6,11]])print(‘我们的数组是：‘)print(x)print(‘\n‘)# 现在我们会打印出大于 5 的元素print(‘大于 5 的元素是：‘)print(x[x > 5])

我们得到的是所有大于5的元素。

总结

以上是内存溢出为你收集整理的使用NumPy、Numba的简单使用(一)全部内容，希望文章能够帮你解决使用NumPy、Numba的简单使用(一)所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。