Numpy学习03——数组的操作

更改形状

1. numpy.ndarray.shape 表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。

• 注：通过修改 shap 属性来改变数组的形状。

import numpy as np

x = np.array([[1, 2, 3, 4],
              [5, 6, 7, 8]])
print(x.shape)

x.shape = (4, 2)
print(x)
# [[1 2]
#  [3 4]
#  [5 6]
#  [7 8]]

2. numpy.ndarray.flat 将数组转换为一维的迭代器，可以用for访问数组每一个元素。

• flat()返回的是视图。
• 注意下面x和y的不同：

x = np.array([[1, 2, 3, 4],
              [5, 6, 7, 8],
              [9, 10, 11, 12],
              [13, 14, 15, 16]])
for i in x:
    print(i, end=' ')
print('\n')
y = x.flat
print(y)
for i in y:
    print(i, end=' ')

输出：

3. numpy.ndarray.flatten([order=‘C’]) 将数组的副本转换为一维数组，并返回（返回的是拷贝）。

• a. order：‘C’ – 按行，‘F’ – 按列，‘A’ – 原顺序，‘k’ – 元素在内存中的出现顺序.
• 注意和上面的print(y)打印结果有所不同。

x = np.array([[1, 2, 3, 4],
              [5, 6, 7, 8],
              [9, 10, 11, 12],
              [13, 14, 15, 16]])
y = x.flatten()
print(y)
# [ 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16]

4. numpy.ravel(a, order=‘C’) 将数组的副本转换为一维数组，并返回（返回的是视图）

• order='F’是拷贝模式，即返回的是拷贝。

5. numpy.reshape(a, newshape, order=‘C’)
   函数当参数 newshape = -1 时，表示将数组降为一维。

x = np.random.randint(9, size=[2, 3, 2])
print(x)
print('\n')
y = np.reshape(x, [2, 2, 3])
print(y)

输出：

数组转置

• numpy.transpose(a, axes=None) 或 numpy.ndarray.T

x = np.random.rand(3, 4) * 10
x = np.around(x, 2) # 保留两位小数
print(x)
y = x.T
print(y)

更改维度

当创建一个数组之后，还可以给它增加一个维度，这在矩阵计算中经常会用到。

1. numpy.newaxis = None None 的别名，对索引数组很有用。

• 很多工具包在进行计算时都会先判断输入数据的维度是否满足要求，如果输入数据达不到指定的维度时，可以使用 newaxis 参数来增加一个维度。

print(np.newaxis)
x = np.array([1, 2, 3, 4, 5])
y = x[:, np.newaxis]
print(y)
print('\n')
y = x[np.newaxis, :]
print(y)

• 可以发现x是一维，但是y是二维。

2. numpy.squeeze(a, axis=None) 从数组的形状中删除单维度条目，即把shape中为1的维度去掉。
   axis 用于指定需要删除的维度，但是指定的维度必须为单维度，否则将会报错；

数组的组合

如果要将两份数据组合到一起，就需要拼接操作。

1. numpy.concatenate((a1, a2, …), axis=0, out=None) 连接沿现有轴的数组序列（原来x，y都是一维的，拼接后的结果也是一维的）。

连接沿现有轴的数组序列（原来x，y都是一维的，拼接后的结果也是一维的）。

import numpy as np

x = np.array([1, 2, 3])
y = np.array([5, 6, 7])
z = np.concatenate([x, y], axis=0)
print(z)
# [1 2 3 5 6 7]

原来x，y都是n维的，拼接后的结果也是n维的。
注：a.reshape(x, y, z,…)，将矩阵a转变成（x, y, z,…）---->一维长度x，二维长度y，三维长度z，…的矩阵。

x = np.array([1, 2, 3]).reshape(1, 3) 
y = np.array([7, 8, 9]).reshape(1, 3) 
z = np.concatenate([x, y]) 
print(z) 
# [[ 1 2 3] 
#  [ 7 8 9]] 
z = np.concatenate([x, y], axis=0) 
print(z) 
# [[ 1 2 3] 
#  [ 7 8 9]] 
z = np.concatenate([x, y], axis=1) 
print(z) 
# [[ 1 2 3 7 8 9]]

2. numpy.stack(arrays, axis=0, out=None) 沿着新的轴加入一系列数组（stack为增加维度的拼接）。

x = np.array([1, 2, 3])
y = np.array([7, 8, 9])
z = np.stack([x, y])
print(z.shape) # (2, 3)
print(z)
# [[1 2 3]
#  [7 8 9]]
z = np.stack([x, y], axis=1)
print(z.shape)
# (3, 2)
print(z)
# [[1 7]
#  [2 8]
#  [3 9]]

3. numpy.vstack(tup) )堆栈数组按垂直顺序排列（行顺序）和 numpy.hstack(tup) )堆栈数组按垂直顺序排列（列顺序）。

数组拆分

1. numpy.split(ary, indices_or_sections, axis=0) 函数沿特定的轴将数组分割为子数组

• 解释：
  indices_or_sections：如果是一个整数，就用该数平均切分，如果是一个数组，为沿轴切分的位置（左开右闭）
  axis：沿着哪个维度进行切向，默认为0，横向切分；为1时，纵向切分。

x = np.array([[1, 2, 3, 4],
              [5, 6, 7, 8],
              [9, 10, 11, 12],
              [13, 14, 15, 16]])
y = np.split(x, [1, 3])
print(y)
y = np.split(x, [1, 3], axis=1)
print(y)

• numpy.vsplit(ary, indices_or_sections) 垂直切分是把数组按照高度切分
• numpy.hsplit(ary, indices_or_sections) 水平切分是把数组按照宽度切分

数组平铺

1. numpy.tile(A, reps) tile 是瓷砖的意思，顾名思义，这个函数就是把数组像瓷砖一样铺展开来。

将原矩阵横向、纵向地复制。

x = np.array([[1, 2],
              [3, 4]])
y = np.tile(x, [1, 3])
print(y)
y = np.tile(x, [3, 3])
print(y)

2. numpy.repeat(a, repeats, axis=None)
   a. axis=0 ，沿着y轴复制，实际上增加了行数。
   b. axis=1 ，沿着x轴复制，实际上增加了列数。
   c. repeats ，可以为一个数，也可以为一个矩阵。
   d. axis=None 时就会flatten当前矩阵，实际上就是变成了一个行向量。

x = np.array([[1, 2, 3],
              [4, 5, 6]])
y = np.repeat(x, 2)
print(y)
print('\n')
y = np.repeat(x, 2, axis=0)
print(y)
print('\n')
y = np.repeat(x, 2, axis=1)
print(y)
print('\n')
y = np.repeat(x, [3, 2], axis=0)
print(y)
print('\n')
y = np.repeat(x, [3, 2, 1], axis=1)
print(y)

添加和删除元素

函数	描述
resize	返回指定形状的新数组
append	将值添加到数组末尾
insert	沿指定轴将值插入到指定下标之前
delete	删掉某个轴的子数组，并返回删除后的新数组
unique	查找数组内的唯一元素