Лабораторная работа 3 Операции над массивами и создание структурированных массивов

Пускай у нас имеется несколько категорий данных (например, имя, возраст и вес) о нескольких людях, и мы хотели бы хранить эти значения для использования в программе на языке Python. Можно сохранить их в отдельных массивах:

name = ['Alice', 'Bob', 'Cathy', 'Doug']

age = [25, 45, 37, 19]

weight = [55.0, 85.5, 68.0, 61.5]

Однако это не очень правильное решение. Ничто не указывает на то, что массивы как-то связаны, лучше было бы использовать для хранения этих данных единую структуру. Библиотека NumPy может это осуществить посредством применения структурированных массивов, представляющих собой массивы с составным типом данных.

Ранее мы создавали простой массив с помощью следующего вы­ражения:

x = np.zeros(4, dtype=int)

Аналогично можно создать структурированный массив, применяя спецификацию сложного типа данных:

# Используем для структурированного массива составной тип данных

data = np.zeros(4, dtype={'names':('name', 'age', 'weight'),

'formats':('U10', 'i4', 'f8')})

print(data.dtype)
[('name', '

'U10' означает «строку в кодировке Unicode максимальной длины 10», 'i4' — «4-байтное (то есть 32-битное) целое число», а 'f8' — «8-байтное (то есть 64-бит­ное) число с плавающей точкой».

Создав пустой массив-контейнер, мы можем заполнить его нашим списком зна­чений:

data['name'] = name

data['age'] = age

data['weight'] = weight

print(data)
[('Alice', 25, 55.0) ('Bob', 45, 85.5) ('Cathy', 37, 68.0)

('Doug', 19, 61.5)]

Как мы и хотели, данные теперь располагаются все вместе в одном удобном блоке памяти.

В структурированных массивах удобно то, что можно ссылаться на значения и по имени, и по индексу:

# Извлечь все имена

data['name']

Out: array(['Alice', 'Bob', 'Cathy', 'Doug'], dtype='# Извлечь первую строку данных

data[0]

data[-1]['name']

Out: 'Doug'

Появляется возможность с помощью булева маскирования выполнять и более сложные операции, такие как фильтрация по возрасту:

# Извлечь имена людей с возрастом менее 30

data[data['age'] < 30]['name']

Out: array(['Alice', 'Doug'], dtype='Создание структурированных массивов

Типы данных для структурированных массивов можно задавать несколькими способами. Ранее мы рассмотрели метод с использованием словаря:

np.dtype({'names':('name', 'age', 'weight'),

'formats':('U10', 'i4', 'f8')})

Для ясности можно задавать числовые типы как с применением типов данных языка Python, так и типов dtype библиотеки NumPy:

np.dtype({'names':('name', 'age', 'weight'),

'formats':((np.str_, 10), int, np.float32)})

Out: dtype([('name', 'Составные типы данных можно задавать в виде списка кортежей:

np.dtype([('name', 'S10'), ('age', 'i4'), ('weight', 'f8')])
Out: dtype([('name', 'S10'), ('age', '

Если названия типов для вас не важны, можете задать только сами типы данных в разделенной запятыми строке:

np.dtype('S10,i4,f8')
Out: dtype([('f0', 'S10'), ('f1', '

Сокращенные строковые коды форматов могут показаться запутанными, но они основаны на простых принципах. Первый (необязательный) символ — < или >, означает «число с прямым порядком байтов» или «число с обратным порядком бай­тов» соответственно и задает порядок значащих битов. Следующий символ задает тип данных: символы, байтовый тип, целые числа, числа с плавающей точкой и т. д. (табл. 1). Последний символ или символы отражают размер объекта в байтах.

Таблица 1. Типы данных библиотеки NumPy

жүктеу/скачать 0,56 Mb.

Достарыңызбен бөлісу: