Python数据分析——Numpy2 数组操作

1.修改数组形状

reshape函数

函数reshape 在不改变数据的条件下修改形状，其格式如下。

numpy.reshape(arr, newshape, order='C') # 全局函数

array.reshape(newshape,order='C') # 成员函数

其函数参数如表所示。

import numpy as np
a = np.arange(12)
print("a=\n",a)
b = np.reshape(a,(2,6),order='C') 
print("b=\n",b)
c = a.reshape((1,3,4),order='F') 
print("c=\n",c)
d = a.reshape((2,3,2),order='F')
print("d=\n",d)

a=
 [ 0  1  2  3  4  5  6  7  8  9 10 11]
b=
 [[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]]
c=
 [[[ 0  3  6  9]
  [ 1  4  7 10]
  [ 2  5  8 11]]]
d=
 [[[ 0  6]
  [ 2  8]
  [ 4 10]]

 [[ 1  7]
  [ 3  9]
  [ 5 11]]]

2、flatten函数

将高维度数组展平，返回一个一维的数组，其格式如下：

array. flatten(order='C')

a = np.arange(12).reshape(3,4)
print("a=\n",a)
b = a.flatten()
print("b=\n",b)
c = a.flatten(order='F')
print("c=\n",c)
d = a.flat[::] # 数组的flat属性
print("d=\n",d)

a=
 [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
b=
 [ 0  1  2  3  4  5  6  7  8  9 10 11]
c=
 [ 0  4  8  1  5  9  2  6 10  3  7 11]
d=
 [ 0  1  2  3  4  5  6  7  8  9 10 11]
 

3、ravel函数

函数ravel 展平数组元素，返回的是数组视图，其函数格式如下所示：

numpy.ravel(a, order='C')

array.ravel(order='C')

与flatten()的不同：

1）使用ravel()创建的新数组实际上是对父数组的引用（即“视图”）。这意味着对新数组的任何更改也将影响父数组。因为ravel不创建拷贝，所以它的内存效率很高。

2）ravel函数有成员函数和全局函数两种形式，flatten只有成员函数形式。

---

2.翻转数组

transpose 对换数组的维度

swapaxes 对换数组的两个轴

1、numpy.transpose函数

交换数组的维度索引值（轴序号），格式如下所示：

numpy.transpose(arr, axes)

narray.transpose(axes)

参数说明如下所示：

• arr：要操作的数组。

• axes：整数序列，对应维度 序号 。若是2维，则可省略该参数，直接

交换行列，即转置。

2、numpy.swapaxes函数

numpy.swapaxes函数用于交换数组的 两个轴 ，格式如下所示：

numpy.swapaxes(arr, axis1, axis2)

narray.swapaxes(axis1, axis2)

swapaxes实际上也是针对轴索引进行变化，区别就在于transpose可以一次传入多个参数，对若干轴进行交换，而swapaxes只能两两置换，且swapaxes(i,j)和

swapaxes(j,i)没有区别。

 

---

3、连接数组

 

1、numpy.concatenate

numpy.concatenate函数用于 沿指定轴 连接 形状兼容、维度相同 的两个或多

个数组，格式如下所示。

numpy.concatenate((a1, a2, ...), axis=0)

参数:

 (a1, a2, ...)：形状兼容的数组组成的元组。

 axis：沿着它连接数组的轴序号，默认为 0。

2、numpy.hstack

• 在水平方向上堆叠 两个或多个 形状兼容的数组形成新的数组。

• 机器学习数据集准备过程中，可以用于将数据列与标签列在水平方向上合并，从而得到带标签的数据集。

3、numpy.vstack

• 在垂直方向上堆叠两个或多个形状兼容的数组形成新的数组。

• 机器学习数据集准备过程中，可以用于将标题行以及从多个数据文件中加载的数

据行在垂直方向上合并，从而将所有数据集整合为一个数据集。

---

4、分割数组

1、 numpy.split

numpy.split函数沿特定的轴将数组分割为 子数组 ，返回值增加一维：

numpy.split(array, indices_or_sections, axis)

参数array：被分割的数组。

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。

axis：沿着哪个维度进行切分， 默认为0 。

2、numpy.hsplit

numpy.hsplit函数用于 水平均分数组 ，不能均分则出错。

numpy.hsplit(array, indices_or_sections)

3、numpy.vsplit

numpy.vsplit沿着 垂直 轴 均分数组 ，不能均分则出错。

numpy.hsplit(array, indices_or_sections)

 

---

数组元素添加与删除 

1、numpy.resize

按照shape的形状 拓展 arr， 不够的 依次按原数组单个元素排列顺序补全，返回指

定大小的新数组。

numpy.resize(arr, shape) # 全局函数，返回新形状数组，不修改原数组arr

arr.resize(shape) # 成员函数，原地修改arr形状，返回值为None

• arr：要修改大小的数组。

• shape：新形状(数组或序列）。

注意：

numpy.resize可以多退少补数据，array.reshape必须和原数组数据量一样

 

2、numpy.append

 numpy.append函数在数组的末尾添加值， 输入数组的形状必须与原数组匹配 ，

否则出错。

 append 格式： numpy.append(arr, values, axis=None)

• arr：输入数组。

• values：要向arr添加的值， 需要和arr形状 （除了要添加的轴）和 维度相同 。

• axis：默认为 None。

• axis为None时，是横向加成，返回一维数组。

• axis为0时，数据是加在下边（列数要相同）；

• axis为1时，数组是加在右边（行数要相同）。

3、numpy.insert

numpy.insert函数在给定索引之前，沿给定轴在输入数组中插入值。

numpy.insert(arr, index, values, axis=None)

• arr：输入数组。

• index：在其之前插入值的索引，可以是序列数据（如元组、列表），实现在

多个索引之前插入数据。

• values：要插入的数据，可以是序列数据，但其形状必须与原数组匹配。

• axis：沿着它插入的轴， 如果未提供，则输入数组会被展开。

 

5、numpy.delete

numpy.delete函数返回从输入数组中删除指定子数组的新数组。 与insert()函

数的情况一样， 如果未提供轴参数，则输入数组将展开 。

numpy.delete(arr, obj, axis)

• arr：输入数组。

• obj：可取值为 slice（前闭后开）、 int 、int类型的array、int类型的序列等，

指示要沿指定轴删除的子数组的 索引 。

• axis未指定：arr会先按行展开，然后按照obj删除，返回一个行矩阵。

• axis = 0：按行删除

• axis = 1：按列删除

 

---

 6、索引和切片

ndarray对象的内容可以通过索引或切片来访问和修改. ndarray数组可以基于0 - n-1的下标进行索引
·两种切片方式:①通过内置的slice(start, stop, step)函数;②通过冒号分隔切片参数start:stop:step

 

 

 

花式索引（Fancy indexing）是指利用 数组、列表、元组等可迭代类型 进行索引。