numpy思维导图
ndarray对象是什么
- 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。
创建数组的多种方式
- 创建数组（empty、zeros、ones、full、eye）
- 从已有的数组创建数组（asarray、frombuffer、fromiter）
- 从数值范围创建数组（arange、linespace、logspace、random）
特性
- 切片、索引、高级索引
ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。
切片是从原数组切出一个新的数组；索引是可以通过下标访问数组。
高级索引是：整数数组索引、布尔索引、花式索引。
整数数组索引：见名知意，通过在x[]放入整数数组来表达要索引元素的下标，来检索原数组。
例如：
# 整数数组索引 x = np.array([[1, 2], [3, 4], [5, 6]]) print(x, ' ') t = np.array([[0, 1, 2], [0, 1, 0]]) # 这里，我要获取原数组中（0,0）、（1,1）、（2,0）位置的元素 print(t, ' ') y = x[[0, 1, 2], [0, 1, 0]] print(y, ' ')
# 输出
[[1 2] [3 4] [5 6]] [[0 1 2] [0 1 0]] [1 4 5]
布尔索引：通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。
# # 布尔索引 x = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]]) print(x) print(x[x > 5], ' ') # # 使用了 ~（取补运算符）来过滤 NaN。 a = np.array([np.nan, 1, 2, np.nan, 3, 4, 5]) print(a) print(a[~np.isnan(a)], ' ') # # 如何从数组中过滤掉非复数元素 a = np.array([1, 2+6j, 5, 3.5+5j]) print(a) print('非复数 :', a[~np.iscomplex(a)]) print('复数 :', a[np.iscomplex(a)], ' ')
# 输出 [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]] [ 6 7 8 9 10 11] [nan 1. 2. nan 3. 4. 5.] [1. 2. 3. 4. 5.] [1. +0.j 2. +6.j 5. +0.j 3.5+5.j] 非复数 : [1.+0.j 5.+0.j] 复数 : [2. +6.j 3.5+5.j]
花式索引：
- 广播
丰富的函数