Numpy基础入门（2） ndarray介绍

大家好，欢迎来到IT知识分享网。

目录

1.ndarray介绍

2.ndarray特点

1.只能存储相同数据类型的元素

2.每个维度的元素数量是固定的

3.基于C语言实现，经过大量优化的矩阵运算，实现高性能数据处理

3.属性

1.ndarray介绍

ndarry：N-dimensional array的缩写，属于一个Python的类

        官方文档解释（翻译）：

由多个具有相同类型和尺寸的元素组成的多维容器（通常具有固定尺寸）

2.ndarray特点

1.只能存储相同数据类型的元素

Numpy的ndarray没有Python列表那么高的灵活性，为了保持高性能，牺牲了部分灵活性

2.每个维度的元素数量是固定的

• 对于一维数组，只有一个维度，所以元素数量必定是相同
• 对于二维数组，每行的元素数量应该是相同的，每列的元素数量应该是相同的
• 以此类推，每个维度元素数量是固定的不变的                    

 示例：

import numpy as np # 一维数组 first = np.array([1,2,3,4,5]) # 二维数组 second = np.array([[1,2,3,4,5],[6,7,8,9,0]])

输出· ：

>>>array([1,2,3,4,5]) # 一维数组

3.基于C语言实现，经过大量优化的矩阵运算，实现高性能数据处理

Python语言以简洁闻名，而C语言则比Python有着更强的运算能力，因而Numpy牺牲部分灵活性来实现高性能

3.属性   

        一维数组：

>>> import numpy as np

>>> test.nbytes  # itemsize * size
32

        二维数组：

>>> test_2 = test.reshape([2,4])  # 根据test创建一个二维数组

*shape：表示数组形状。对于Numpy来说，从一维最低维度列开始，每高一个维度，将新增的维度加在shape元组的前面，即加在第一个。

• 一维数组表示为(a ,), 表示为列,为最低维度;
• 二维数组是(b, a), 在一维数组上新增了一维行，加在了列之前;
• 三维则是(c, b, a), 新的维度加在了行之前:
• 四维甚至于更高维度可以以此类推。

shape一般来说用于对照axis操作，axis=0是对最高维进行操作，后续会进行讲解~

坐标轴与维度操作

*stride：步长，行主序和列主序一般来说每个维度步长是不相同的；而对于不同步长来说，即使数组相同运行速度也不相同

运行比较代码

import time import numpy as np x = np.ones([, 1]) y = np.ones([, 1])[::50] c = time.time() x.sum() # 计算总和 print(time.time() - c) c = time.time() y.sum() # 计算总和 print(time.time() - c) # 消耗时间

可见stride较小的x运行较快，快了约30倍；但是在较小的实现中可不用考虑此差异

*行主序与列主序

        行主序：指数组以一行为单位存储于内存中

a[0][0]  a[0][1]  a[0][2] ; a[1][0]  a[1][1]  a[1][2] ; a[2][0]  a[2][1]  a[2][2]

        列主序：指数组以一列为单位存储于内存中

a[0][0]  a[1][0]  a[2][0] ; a[0][1]  a[1][1]  a[2][1] ; a[0][2]  a[1][2]  a[2][2]

*最详细数据请参考Numpy官方社区介绍

Numpy官方文档地址