Python数据分析基础包Numpy.doc

文档介绍：Python数据分析基础包：Numpy
Python数据分析基础包：Numpy
1 / 15
Python数据分析基础包：Numpy
Numpy 的核心内容是它的多维数组对象—— ndarray （ N-Dimensions Array ），整个包几
乎都是围绕这个对象展开。 Numpy 本身并没有提供多么高级的数据结构和分析功能，但它
是很多高级工具（如 pandas ）构建的基础，在结构和操作上具有统一性，因此理解
y 的数组及面向数组的计算有助于更加高效地使用诸如 pandas 之类的工具。

Nump
Python数据分析基础包：Numpy
Python数据分析基础包：Numpy
15 / 15
Python数据分析基础包：Numpy
数据结构
Python数据分析基础包：Numpy
Python数据分析基础包：Numpy
15 / 15
Python数据分析基础包：Numpy
Numpy 的 ndarray 提供了一种将的元素必须都是相同的数据类型（如

同质数据块
int ， float

解释为多维数组对象的方式。
等）；解释，表示 ndarray

同质， 表示数组
的数据块其实
Python数据分析基础包：Numpy
Python数据分析基础包：Numpy
15 / 15
Python数据分析基础包：Numpy
是线性存储的，并通过额外的元信息解释为多维数组结构：
Python数据分析基础包：Numpy
Python数据分析基础包：Numpy
15 / 15
Python数据分析基础包：Numpy
下面是一个 3×4
的矩阵：（使用类似
3× 4× 2...
从左
这种格式表示多维数组的结构时，
向右 的数字对应表示
由表及里 的维度，或称为
轴，按索引给轴编号后可称为“轴
0 ”、“轴
”等）
foo
array([[
0,
1,
2,
3],
[
4,
5,
6,
7],
[
8,
9,
10,
11]])
>>>
dtype ( 'int32'
)
(3, 4)
Python数据分析基础包：Numpy
Python数据分析基础包：Numpy
15 / 15
Python数据分析基础包：Numpy
( 16, 4)
这个矩阵的 形状 （ shape ）是（ 3,4 ）或 3 ×4，即它有 3 个长度为 4 的一维数组；它的 dt
ype 是 int32 表示它的单位元素是占 4 字节的整型； 跨度 （ strides ）元组指的是在某一
维度下为了获取到下一个元素需要“跨过”的字节数。可见跨度是可以由 形状 +dtype 来确
定的。显然这种同质的静态数据结构在进行数值运算时效率要比 Python 内建的可以混杂动
态类型的列表要快得多。
dtype 支持的数字类型有：
###################### ***********************************
bool_ 占一个字节的布尔类型（ True/False ）
int_ 默认的整数类型
intc 与 C int 相同，通常为 int32 或 int64
intp 用于索引的整数（同 C ssize_t ，int32 或 int64 ）
int8 、 16 、 32 、 64 不同位数的整数
uint8 、 16 、32 、64 不同位数的无符号整数
float_ float64
float16 、 32 、64 不同位数的浮点数
complex_ complex128
complex64 、 128 不同位数的复数
Python数据分析基础包：Numpy
Python数据分析基础包：Numpy
7 / 15
Python数据分析基础包：Numpy