Numpy入门[4]——数组类型

Numpy入门[4]——数组类型

参考：

https://ailearning.apachecn.org/

使用Jupyter进行练习

import numpy as np
1

之前已经看过整数数组和布尔数组，除此之外还有浮点数数组和复数数组。

复数数组

a = np.array([1 + 1j , 2 , 3 , 4])
a
1
2

array([1.+1.j, 2.+0.j, 3.+0.j, 4.+0.j])
1

a.dtype
1

dtype('complex128')
1

对于复数我们可以查看它的实部和虚部：

a.real
1

array([1., 2., 3., 4.])
1

a.imag
1

array([1., 0., 0., 0.])
1

还可以设置它们的值：

a.imag=[1, 2, 3, 4]
a
1
2

array([1.+1.j, 2.+2.j, 3.+3.j, 4.+4.j])
1

查看复共轭：

a.conj()
1

array([1.-1.j, 2.-2.j, 3.-3.j, 4.-4.j])
1

这些属性方法可以用在浮点数或者整数数组上：

b = np.array([0.0, 1, 2, 3])
b.dtype
1
2

dtype('float64')
1

b.real
1

array([0., 1., 2., 3.])
1

b.imag
1

array([0., 0., 0., 0.])
1

# 这里，虚部是只读的，并不能修改它的值：
b.conj()
1
2

array([0., 1., 2., 3.])
1

指定数组类型

构建数组的时候，数组会根据传入的内容自动判断类型：

a = np.array([0, 1.0, 2, 3])
# 对于浮点数，默认为双精度：
a.dtype
1
2
3

dtype('float64')
1

也可以在构建的时候指定类型：

b = np.array([0,1.0,2,3],
         dtype=np.float32)
b.dtype
1
2
3

dtype('float32')
1

除此之外，还可以指定有无符号，例如无符号整数：

c = np.array([0,1,2,3],
         dtype=np.uint8)
c.dtype
1
2
3

dtype('uint8')
1

uint8 只使用一个字节，表示 0 到 255 的整数。

Numpy类型

具体如下：

任意类型的数组：

e = np.array([1,1.2,'hello', [10,20,30]], 
          dtype=object)
e
1
2
3

array([1, 1.2, 'hello', list([10, 20, 30])], dtype=object)
1

# 乘法
a * 2
1
2

array([0., 2., 4., 6.])
1

类型转换

原始数组

origin= np.array([1.5, -3], 
         dtype=np.float32)
origin
1
2
3

array([ 1.5, -3. ], dtype=float32)
1

asarray函数

np.asarray(origin, dtype=np.float64)

1
2

array([ 1.5, -3. ])
1

np.asarray(origin,dtype=np.uint8)
1

array([  1, 253], dtype=uint8)
1

asarray不会修改原来数组的值

origin
1

array([ 1.5, -3. ], dtype=float32)
1

当类型相同的时候，asarray 并不会产生新的对象，而是使用同一个引用。

这么做的好处在与，asarray 不仅可以作用于数组，还可以将其他类型转化为数组。

有些时候为了保证输入值是数组，需要将其使用 asarray 转化，当它已经是数组的时候，并不会产生新的对象，这样保证了效率。

astype方法

astype方法返回一个新数组：

origin.astype(np.float64)
1

array([ 1.5, -3. ])
1

origin.astype(np.uint8)
1

array([  1, 253], dtype=uint8)
1

astype也不会改变原来数组的值：

origin
1

array([ 1.5, -3. ], dtype=float32)
1

另外，astype 总是返回原来数组的一份复制，即使转换的类型是相同的：

change = origin.astype(np.float32)
origin is change
1
2

False
1

view方法

a = np.array([1,2,3,4],dtype=np.int32)
a
1
2

array([1, 2, 3, 4])
1

view会将 a 在内存中的表示看成是 uint8 进行解析：

b = a.view(np.uint8)
b
1
2

array([1, 0, 0, 0, 2, 0, 0, 0, 3, 0, 0, 0, 4, 0, 0, 0], dtype=uint8)
1

a[0] = 258
a
1
2

array([258,   2,   3,   4])
1

修改 a 会修改 b 的值，因为共用一块内存：

b
1

array([2, 1, 0, 0, 2, 0, 0, 0, 3, 0, 0, 0, 4, 0, 0, 0], dtype=uint8)
1