NumPy第二、三章-索引、数组操作、副本与视图

副本与视图

numpy.ndarray.copy() 函数创建一个副本。 对副本数据进行修改，不会影响到原始数据，它们物理内存不在同一位置

import numpy as np

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = x
y[0] = -1
print(x)
# [-1  2  3  4  5  6  7  8]
#？？？？？？？x为啥变了呢
print(y)
# [-1  2  3  4  5  6  7  8]

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = x.copy()
y[0] = -1
print(x)
# [1 2 3 4 5 6 7 8]
print(y)
# [-1  2  3  4  5  6  7  8]

数组切片操作返回的对象只是原数组的视图

NumPy 允许使用…表示足够多的冒号来构建完整的索引列表。
比如，如果 x 是 5 维数组：
x[1,2,…] 等于 x[1,2,:,:,:]
x[…,3] 等于 x[:,:,:,:,3]
x[4,…,5,:] 等于 x[4,:,:,5,:]

np.apply_along_axis（）的使用

import numpy as np
x = np.array([[11, 12, 13, 14, 15],
              [16, 17, 18, 19, 20],
              [21, 22, 23, 24, 25],
              [26, 27, 28, 29, 30],
              [31, 32, 33, 34, 35]])

y = np.apply_along_axis(np.sum, 0, x)   #对每列求和
print(y)  # [105 110 115 120 125]
y = np.apply_along_axis(np.sum, 1, x)   #对每行求和
print(y)  # [ 65  90 115 140 165]

y = np.apply_along_axis(np.mean, 0, x)   #求每列的均值
print(y)  # [21. 22. 23. 24. 25.]
y = np.apply_along_axis(np.mean, 1, x)   #求每行的均值
print(y)  # [13. 18. 23. 28. 33.]


def my_func(x):
    return (x[0] + x[-1]) * 0.5
y = np.apply_along_axis(my_func, 0, x)    #可自行定义函数了，对行或列作用
print(y)  # [21. 22. 23. 24. 25.]
y = np.apply_along_axis(my_func, 1, x)
print(y)  # [13. 18. 23. 28. 33.]

练习

1，交换两行

import numpy as np

arr = np.arange(9).reshape(3, 3)
print(arr)
# [[0 1 2]
#  [3 4 5]
#  [6 7 8]]

x = arr[:, [2, 1, 0]]   #中间用方括号
print(x)
# [[2 1 0]
#  [5 4 3]
#  [8 7 6]]

2，反转二维数组的行

import numpy as np

arr = np.arange(9).reshape(3, 3)
print(arr)
# [[0 1 2]
#  [3 4 5]
#  [6 7 8]]

x = arr[::-1, :]      #反转记得：切片中：：-1
print(x)
# [[6 7 8]
#  [3 4 5]
#  [0 1 2]]

数组操作

通过数组名.shape 来改变数组的形状

import numpy as np

x = np.array([1, 2, 9, 4, 5, 6, 7, 8])
print(x.shape)  # (8,)
x.shape = [2, 4]      #用x.shape来更改
print(x)
# [[1 2 9 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。

import numpy as np

x = np.array([[11, 12, 13, 14, 15],
              [16, 17, 18, 19, 20],
              [21, 22, 23, 24, 25],
              [26, 27, 28, 29, 30],
              [31, 32, 33, 34, 35]])
y = x.flat
print(y)
# <numpy.flatiter object at 0x0000020F9BA10C60>
for i in y:
    print(i, end=' ')
# 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

ravel()返回的是视图

y = np.ravel(x)
#更改y,不会变化x

numpy.reshape(a, newshape[, order=‘C’])在不更改数据的情况下为数组赋予新的形状。
reshape()函数当参数newshape = [rows,-1]时，将根据行数自动确定列数。
reshape()函数当参数newshape = -1时，表示将数组降为一维。

x = np.arange(12)
y = np.reshape(x, [3, 4])
print(y.dtype)  # int32
print(y)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]

y = np.reshape(x, [3, -1])
print(y)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]

y = np.reshape(x, -1)
print(y)
# [ 0  1  2  3 4 5 6 7 8 9 10 11]

数组转置：y = x.T 或者 y = np.transpose(x)

使用newaxis参数来增加一个维度。

import numpy as np

x = np.array([1, 2, 9, 4, 5, 6, 7, 8])
print(x.shape)  # (8,)
print(x)  # [1 2 9 4 5 6 7 8]

y = x[np.newaxis, :]
print(y.shape)  # (1, 8)
print(y)  # [[1 2 9 4 5 6 7 8]]

y = x[:, np.newaxis]
print(y.shape)  # (8, 1)
print(y)
# [[1]
#  [2]
#  [9]
#  [4]
#  [5]
#  [6]
#  [7]
#  [8]]

与np.newaxis相对的是np.squeeze
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。

import numpy as np

x = np.arange(10)
print(x.shape)  # (10,)
x = x[np.newaxis, :]
print(x.shape)  # (1, 10)
y = np.squeeze(x)
print(y.shape)  # (10,)

**np.concatenate([x, y])**数组拼接
原来x,y是几维的，拼接后就是几维的

#一维度
x = np.array([1, 2, 3])
y = np.array([7, 8, 9])
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]

#二维度
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)  #垂直叠加
print(z)
# [[ 1  2  3]
#  [ 7  8  9]]
z = np.concatenate([x, y], axis=1)   #平行相叠
print(z)
# [[ 1  2  3  7  8  9]]

stack沿着新的轴加入一系列数组
hstack(),vstack()分别表示水平和竖直的拼接方式
np.concatenate([a, b], axis=0)等同于np.vstack([a, b])
np.concatenate([a, b], axis=1)等同于np.hstack([a, b])

numpy.split数组拆分

练习

1，访问二维数组的全部元素，并按列输出数组名.flatten(order=‘F’)

2，验证两数组是否相等np.allclose(A,B) 或者np.array_equal(A,B) ，返回布尔类型