Numpy基礎:使用astype函數轉換dtype

2021-01-11 素食先生lpt
一起學習，一起成長

1.使用astype函數轉換dtype

使用「對象.astype()」。

float_arr=arr.astype(np.float64)

#如果將浮點數轉換成整數，則小數部分將會被截斷。

注意小數點不是四捨五入，而是直接幹掉。

#如果某字符串數組表示的全是數字，也可以用astype將其轉換為數值形式。

數組的dtype還有另外一個用法。

int_array.astype(calibers.dtype)

calibers是數組對象。

2.數組和標量之間的運算

數組很重要，因為它使你不用編寫循環即可對數據執行批量運算。這通常就叫做矢量化（vectorization）。

#大小相等的數組之間的任何算術運算都會將運算應用到元素級。比如，對象級的乘法（arr*arr）、減法（arr-arr）。

#不同大小的數組之間的運算叫做廣播（broadcasting）。

親，如果筆記對您有幫助，收藏的同時，記得給點個讚、加個關注哦！感謝！」

「誠邀關注「issnail」，會有驚喜哦!」

「文中代碼均親測過，若有錯誤之處，歡迎批評指正，一起學習，一起成長！」

參考書目：利用python進行數據分析

相關焦點

  • Numpy的ndarray:一種多維數組對象
    模塊導入方式如下：import numpy as npndarray是一個通用的同構數據多維容器，也就是說，其中的所有元素必須是相同類型的。每個數組都有一個shape（一個表示各維度大小的元組）和一個dtype（一個用於說明數組數據類型的對象）。
  • python數據分析基礎之numpy
    支持高級大量的維度數組與矩陣運算，是學習數據挖掘的基礎，今天我們就來總結下numpy的一些基礎用法。首先，在講numpy之前，我先帶領大家預習下大學學習過的矩陣的基礎知識。1、矩陣的基本概念矩陣：由m×n個數排列成 的m行n列的數表，稱為m行n列矩陣。實矩陣：元素是實數的矩陣。復矩陣：元素是負數的矩陣。
  • Python數據分析之Numpy學習 2——NumPy 基礎 ndarray對象
    Python數據分析之Numpy學習 2 —— NumPy 基礎學習NumPy(Numerical Python)是高性能科學計算和數據分析的基礎包。NumPy的主要對象是同構數據多維容器(homogeneous multidimensional array)——ndarray，也就是說每一個ndarray都是一個相同類型元素組成的表格(二維)。
  • Python中NumPy簡介及使用舉例
    它描述相同類型的元素集合，可以使用基於零的索引訪問集合中元素。基本的ndarray是使用NumPy中的數組函數創建的: numpy.array。NumPy支持比Python更多種類的數值類型。NumPy數值是dtype(數據類型)對象的實例，每個對象具有唯一的特徵。
  • numpy庫學習總結(基礎知識)
    今天，我們來介紹一款處理數組的「神器」，對numpy學習中的一些基礎知識進行總結。NumPy庫的學習總結（待續）【numpy庫介紹】numpy的全稱是Numerical Python（本文全部使用小寫，貌似應該寫成NumPy這樣，但是這不重要），是Python的一個擴展程序庫，它不僅針對數組運算提供了大量的函數庫
  • Python使用ctypes模塊調用DLL函數之C語言數組與numpy數組傳遞
    詳細細節請參考：python使用ctypes模塊調用DLL函數之傳遞數值、指針與字符串參數、Python使用ctypes模塊調用DLL函數之傳遞結構體參數這次講一下在Python中使用ctypes模塊調用DLL中的庫函數傳遞數組參數的情況。
  • Python Numpy-數組的常用函數
    日常使用numpy進行數據分析的時候，通常會使用模塊提供的函數，很大程度上方便了對於數據的操作。
  • 為什麼你用不好Numpy的random函數?
    在python數據分析的學習和應用過程中，經常需要用到numpy的隨機函數，由於隨機函數random的功能比較多，經常會混淆或記不住
  • 如何使用Numpy進行運算?
    numpy是python及其重要的計算包，那麼numpy是如何進行運算的，接下裡小編將具體進行介紹：1.Numpy數組運算Numpy數組運算（如根據布爾型數組進行過濾、標量乘法、應用數學函數等）都會保留索引和值之間的連結：如：@ In [7]: obj2[obj2>0]@ In [8]: obj2*2@ In [10]: np.exp(obj2)2.可使用部分字典參數的函數Series可被看成是索引值到數據值的一個映射
  • 清晰易懂的Numpy入門教程
    翻譯 | 石頭來源 | Machine Learning PlusNumpy是python語言中最基礎和最強大的科學計算和數據處理的工具包，如數據分析工具pandas也是基於numpy構建的，機器學習包scikit-learn也大量使用了numpy方法。本文介紹了Numpy的n維數組在數據處理和分析的所有核心應用。
  • 深度學習中的NumPy基礎
    您不需要首先顯式地轉換為 NumPy 數組。my_list = [1,2,3,4,5]np.array(my_list)還可以使用 Pandas 的函數.to_numpy()將 Pandas DataFrame 轉換為 NumPy 數組import pandas as pddf = pd.DataFrame
  • NumPy中的ndarray與Pandas的Series和DataFrame之間的區別與轉換
    在數據分析中，經常涉及numpy中的ndarray對象與pandas的Series和DataFrame對象之間的轉換，讓一些開發者產生了困惑。本文將簡單介紹這三種數據類型，並以金融市場數據為例，給出相關對象之間轉換的具體示例。
  • NumPy ndarray數組的創建
    +Tab鍵查看可使用的函數，如果對其中一些函數的使用不是很清楚，還可以在對應函數加上?，再運行，就可以很方便地看到如何使用函數的幫助信息。輸入np.然後按 Tab 鍵，將出現如下界面：圖1：查看 NumPy 可以使用的函數運行如下命令，便可查看函數 abs 的詳細幫助信息。np.abs?
  • Numpy庫的進一步的使用方式解析
    Numpy中的數據類型NumPy數組能夠包含多種數據類型，例如，我們也可以使用字符串類型作為數組的元素：dtype選項array( )函數可以接收多個參數。每個ndarray( )對象都有一個與之相關聯的dtype對象，該對象唯一定義了數組中每個元素的數據類型。array( )函數默認根據列表或元素序列中各元素的數據類型，為ndarray( )對象指定最合適的數據類型。但是，你可以用dtype選項作為函數array( )的參數，明確指定dtype的類型。
  • 揭秘Numpy「高效使用哲學」,數值計算再提速10倍!
    結合工作項目實踐，以Numpy高效使用哲學為主線，重點講解高頻使用函數。 1 Numpy更高效 使用Python的地方，就能看到Numpy，尤其是需要數值計算的地方，Numpy的高性能更是體現的淋漓盡致。
  • D01 Numpy簡介,為什麼Numpy那麼快
    title: D01|Numpy簡介author: Adolph Leecategories: 數據挖掘基礎tags:Python數據挖掘基礎Numpy初識NumpyNumpy是一個Python基礎科學計算包，它的核心是多維數組ndarray對象，Numpy
  • TensorFlow2.0(8):誤差計算——損失函數總結
    [0. 0. 1. 0. 0.]], shape=(5, 5), dtype=float32)<tf.Tensor: id=7, shape=(5, 5), dtype=float32, numpy=array([[0., 0., 1., 0., 0.], [0., 0., 0., 0., 1.]
  • Pandas的函數應用及映射方法
    運用的函數可以是numpy中的函數，也可以是匿名函數或自定義的函數。· 直接使用numpy的函數# 根據指定函數進行一一映射<<< se=pd.Series({'a':-1,'b':2,'c':-3,'d':4})<<< sea -1b 2c -3d 4dtype: int64# 直接使用numpy的函數，不常用 <<< se.map(np.abs)a 1b 2c 3d 4dtype:
  • Python數據分析之numpy學習(一)
    下面將從這5個方面來介紹numpu模塊的內容：1）數組的創建2）有關數組的屬性和函數3）數組元素的獲取--普通索引、切片、布爾索引和花式索引4）統計函數與線性代數運算5）隨機數的生成數組的創建numpy中使用array()函數創建數組,
  • D03 Numpy排序、篩選、統計
    title: D03|Numpy排序、篩選、統計author: Adolph Leecategories: 數據挖掘基礎tags:Python數據挖掘基礎統計篩選排序在進行數據挖掘工作之前，我們常常需要對數據的全貌今昔概覽，利用描述性統計獲取數據的特徵，例如數據的均值