NumPy学习挑战第四关-NumPy数组属性

NumPy 数组属性

NumPy 数组的维数称为秩（rank），秩就是轴的数量，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。
在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。
很多时候可以声明 axis。axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。

NumPy 的数组中比较重要 ndarray 对象属性有：

1、ndarray.ndim

ndarray.ndim 用于返回数组的维数，等于秩。

mport numpy as np 
 
a = np.arange(24)  
print (a.ndim)             # a 现只有一个维度
# 现在调整其大小
b = a.reshape(2,4,3)  # b 现在拥有三个维度
print (b.ndim)

1
3

2、ndarray.shape

ndarray.shape 表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。比如，一个二维数组，其维度表示"行数"和"列数"。

arr3=np.array([[1,2,3],[4,5,6]])
print(arr3)
print(arr3.shape)

[[1 2 3]
 [4 5 6]]
(2, 3)

ndarray.shape 也可以用于调整数组大小。

arr3=np.array([[1,2,3],[4,5,6]])
print(arr3)
print(arr3.shape)
arr3.shape=(3,2)
print(arr3)

[[1 2 3]
 [4 5 6]]
(2, 3)
[[1 2]
 [3 4]
 [5 6]]

也能使用reshape函数来调整数组大小

import numpy as np 
 
a = np.array([[1,2,3],[4,5,6]]) 
b = a.reshape(3,2)  
print (b)

[[1, 2] 
 [3, 4] 
 [5, 6]]

3、ndarray.itemsize

ndarray.itemsize 以字节的形式返回数组中每一个元素的大小。

例如，一个元素类型为 float64 的数组 itemsize 属性值为 8(float64 占用 64 个 bits，每个字节长度为 8，所以 64/8，占用 8 个字节），又如，一个元素类型为 complex32 的数组 item 属性为 4（32/8）。

import numpy as np 
 
# 数组的 dtype 为 int8（一个字节） 
x = np.array([1,2,3,4,5], dtype = np.int8)  
print (x.itemsize)
 
# 数组的 dtype 现在为 float64（八个字节） 
y = np.array([1,2,3,4,5], dtype = np.float64)  
print (y.itemsize)

1
8

4、ndarray.flags

ndarray.flags 返回 ndarray 对象的内存信息，包含以下属性：

arr3=np.array([[1,2,3],[4,5,6]])
print(arr3)
print(arr3.flags)

[[1 2 3]
 [4 5 6]]
  C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

5、np.genfromtxt()

可以通过genfromtxt（）函数读取外部文本文件的数据，文本文件类型主要为TXT和CSV文件。
语法格式：

np.genfromtxt(fname,dtype=<class 'float'>,comments='#',delimiter=None,skip_header=0,skip_footer=0,converters=None,missing_values=None,filling_values=None,usecols=None,names=None,)

fname：文件路径
dtype：指定读入数据的数据类型，默认为浮点型，字符型数据需要指定为str
comments：指定注释符，默认为‘#’，即如果源数据的行首有‘#’，将忽略这些行的读入
delimiter：指定数据集的列分割符
skip_header：是否掉过数据集的首行，默认不跳过
converters：将指定列的数据转换为其他数据
miss_values：指定缺失值的标记，如果源数据集含有指定标记，读入后这样的数据就为缺失值
filling_values：指定缺失值的填充值
usecols：指定需要读入哪些列
names：为读入数据的列设置列名称

读入的数据会返回一个numpy对象，接着就可以使用上面的属性来获取数据集的维数ndim等。

6、数组形状处理

import numpy as np
arr1=np.array([1,2,3,4,5,6])#列表创建一维数组
arr2=np.array(((1,2,3),(4,5,6),(7,8,9),(10,11,12)))#嵌套元组创建二维数组，两个元组要用小括号括起
print('二维数组：\n',arr2)
print(arr2.shape)
#改变数组的形状
#reshape返回改变形状后的预览，并不会改变原数组的形状
print(arr2.reshape(3,4))
#resize会直接改变数组的形状
print(arr2.resize(3,4))
print(arr2.shape)

二维数组：
 [[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
(4, 3)
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]
None
(3, 4)

import numpy as np
arr1=np.array([1,2,3,4,5,6])#列表创建一维数组
arr2=np.array(((1,2,3),(4,5,6),(7,8,9),(10,11,12)))#嵌套元组创建二维数组，两个元组要用小括号括起
print('二维数组：\n',arr2)
print(arr2.shape)

#数组堆叠
arr3=np.array([13,14,15])
arr4=np.array([[13],[14],[15],[16]])#列分开
#实现垂直方向的堆叠，即添加行
print(np.vstack([arr2,arr3]))
print('\n')
print(np.row_stack([arr2,arr3]))
print('\n')
#实现水平方向的堆叠，添加列
print(np.hstack([arr2,arr4]))

二维数组：
 [[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
(4, 3)
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]
 [13 14 15]]


[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]
 [13 14 15]]


[[ 1  2  3 13]
 [ 4  5  6 14]
 [ 7  8  9 15]
 [10 11 12 16]]