您的位置:首页 > 国际新闻

numpy学习笔记(一)-ndarry

时间:2020-03-07

*。数据维度:

具有相同状态的数据放在一起,用张量

*理解它们感觉很好。列表和数组:

List之间的区别等同于集合,成员的类型可以不同。编程理解

*。高维数据:只使用数据最基本的二进制关系来表示数据之间的复杂关系。(由键值对表示,如xml)

*。数据维度的python表示:

?一维数据:列表(有序)和集合类型(无序)

?二维和高维数据:列表?高维数据:字典类型和数据表达式格式(JSON,XML,YAML)

*。numpy函数:

1。提供强大的多维数组对象ndarray

2。广播功能

3。集成c/c /fortran代码

4的工具。线性代数、傅立叶变换、随机数生成等工具。为什么你需要钕阵列?

编程:可以消除元素之间操作所需的周期,使一维向量更像单个数据

性能:设置的特殊数组对象。优化后,您可以提高这种应用程序的速度(numpy的底层由C实现)。同时,的一维中的所有数据类型通常是相同的,因此使用数组。

*。ndarray是一个多维数据对象,由两部分组成,

1。实际数据

2。描述这些数据的元组(数据维度、数据类型等。)

数据类型通常是相同的,数据下标从零开始。

有两个基本概念,

轴,保存数据的维度,存储在rank

Rank上的数据,轴的数量,数组类型包括维度的数量

*。ndarray对象的属性:

.ndim:等级、轴数或维数

。形状,对象的属性,用于cancer和,n行和m列

。size,对象中元素的数量,相当于形状的n*m值中每个元素的大小。dtype对象的元素类型

。itemsize对象,以字节

*为单位。ndarray的元素类型;

*。为什么ndarray支持如此多类型的:科学计算,涉及更多数据,并要求更高的存储和性能?元素的精确定义有助于numpy使用存储空间和优化性能,也有助于程序员评估程序的大小

*。事实上,ndarray也可以由非同构元素组成,这些元素将不同类型的元素视为对象类型。

在大规模的情况下,避免使用非均匀元素,这不能充分发挥numpy

*的优势。如何创建钕阵列?

?*。从python的现有数据类型?x=np.array(list/tuple,dt type=NP . float 32)

?如果没有给定数据类型参数,它将选择适当的数据类型

?*使用整数、整数、1、0形式的函数?

并从字节流创建数组

?阅读文件中的相关格式?

*。维度转换

*。元素类型转换

*。n数组到列表的转换

*。数组和切片索引:

*。数组和切片索引:

切片:获取元素子集的过程

切片:获取元素子集的过程

*。一维数组。类似于python中的列表,

[起始编号:结束编号(包括左、右、开):步长]

*。多维数组:

index :[第一维数:第二维数:第三维数:的最后一个维度中的数字]

第一维的切片[索引范围,第二维的索引范围,第三维的索引范围,最后一个维度的索引范围],这是一件非常复杂的事情

*。ndarray操作:

1。数组和标量的运算作用于数组

2.numpy一元函数

几乎所有一元函数都是新生成的数组

*。事实上,ndarray也可以由非同构元素组成,这些元素将不同类型的元素视为对象类型。

3 . n数组二进制函数

*。事实上,ndarray也可以由非同构元素组成,这些元素将不同类型的元素视为对象类型。

*。事实上,ndarray也可以由非同构元素组成,这些元素将不同类型的元素视为对象类型。

  • 友情链接:
  • 肃北蒙古族自治信息网 版权所有© www.rbtym.com 技术支持:肃北蒙古族自治信息网| 网站地图