Numpy中的数据

Numpy简介

Python很方便，但也很慢。它允许你访问执行用C等语言编写的代码的库

NumPy是一个库：它为Python中的数学运算提供了一个更快速的替代方案，可以与数字组高效搭配使用 - 如矩阵

导入NumPy

在导入NumPy库时，大多数情况下（包括这里）你会看到的一个约定，是将其命名为np，像这样：

import numpy as np

标量

NumPy 中的标量 比 Python 中的标量类型更多。不像 Python 只有基本类型 int、float 等，NumPy 可以让你指定有符号和无符号的类型以及不同的大小。因此，除了 Python 的 int，你可以使用 uint8、int8、uint16、int16 等类型。

这些类型很重要，因为你所创建的每个对象（向量、矩阵、张量）最终都会存储标量。而且，当你创建 NumPy 数组时，可以指定类型 - 但是数组中的每个项必须具有相同的类型。在这方面，NumPy 数组更像是C数组，而非 Python 列表。

如果要创建一个包含标量的 NumPy 数组，方法是将值传递给 NumPy 的 array 函数，如下所示：

s = np.array(5)

打印一对空括号()，这表示它的维度为零

Vectors

创建一个向量，你可以将 Python 列表传递给 array 函数

v = np.array([1,2,3])

# 打印数据的形状
print(v.shape)

检查向量的 shape 属性，它将返回表示向量的一维长度的单个数字(3,)

从第二个元素向前访问向量

v = np.array([1,2,3])

print(v[1:])

Matrices

使用NumPy的array函数创建矩阵，跟创建向量一样

创建一个包含数字1到9的3x3矩阵

m = np.array([[1,2,3], [4,5,6], [7,8,9]])

检查它的shape属性将返回元组(3, 3)，表示它有2个维度，每个的长度为3

张量

张量与向量和矩阵一样，但它们可以有更多的维度。例如，要创建一个 3x3x2x1 的张量

t = np.array([[[[1],[2]],[[3],[4]],[[5],[6]]],[[[7],[8]],\
    [[9],[10]],[[11],[12]]],[[[13],[14]],[[15],[16]],[[17],[17]]]])

t.shape 会返回(3, 3, 2, 1)

更改形状

有一个一维的向量，但是需要一个二维的矩阵

v = np.array([1,2,3,4])

调用 v.shape 会返回 (4,)。但要是你想得到一个 1x4 矩阵呢？你可以使用 reshape 函数，就像这样：

x = v.reshape(1,4)