更改形状
- 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]]
- 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:
- 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]
- 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。
- 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。
- 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。
- 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。
- 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]]
- 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]]
- 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
- 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
- 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)
- 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 |