运算库之numpy(数组的切片操作和数组shape的转换)

最新推荐文章于 2023-01-16 20:58:33 发布
最新推荐文章于 2023-01-16 20:58:33 发布
阅读量1.5k 收藏 2
点赞数 1
分类专栏： 数据挖掘三剑客 文章标签： python numpy 数组
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cai_niao_lu/article/details/121915905
版权

1.数组的切片操作，主要是用来抓取数组中的一些数据，或者对其进行修改
    1. 一维数组
        和python_list的操作方式相同
    2. 二维数组
        查看下方是实例
    3. 多维数组（这里我们使用三维数组进行操作显示）
        查看下方是实例
        通过以上我们可以总结出来，虽然当维数较多的时候，看起来挺吓人，但是在每一个维度上，都可以通过该维度的切片一一处理出来

2.数组的shape转换
    1. array.shape(shape=)
        shape：就是想转换成的shape，这里需要注意的是，这是按照顺序转化的
        return：输出一个转化为shape的array。不会对原来的array进行转化
    2. array.size(shape=)
        shape：就是想转换成的shape，这里需要注意的是，这是按照顺序转化的
        return：没有输出，直接对array进行转化
    3. array.T
        这里直接是对array进行了转置，即行变成列，列变成行。
        注意：只能对二维数组进行处理，因此又叫做矩阵的转置。
        return：返回一个转置后的数组，并不会对原始数组进行改变

二维数组的切片操作

代码：

import numpy as np

# 数据获取
np.random.seed(50)
data = np.random.normal(loc=0, scale=2, size=8*10).reshape((8, 10))
print('data\n', data)

# 这里我们取出第5行的前3列
print(data[4, :3])

# 这里我们修改取出的数据为100（这里就利用了numpy的广播效应）
data[4, :3] = 100
print('修改后的data\n',data)

输出：

data
 [[-3.12070422 -0.06195521 -1.24185685 -2.92916097  2.82389224 -0.95346429
  -1.56093843  2.14053547 -2.56458519 -2.6549578 ]
 [ 0.25267528  1.72438743  1.39347393 -0.66913037 -1.99505213  3.19781659
   6.62815069  1.97554092  0.24773251  1.48557079]
 [-0.7879117   0.29623164 -0.82446891 -0.32143012  0.27906295  0.57093874
  -0.56252399  3.42181463 -0.29953328  1.38061344]
 [ 2.19041902  2.67681741 -2.73796334  0.97285526  1.50704336  0.72692919
  -0.62942096  2.74656234 -1.24883433  0.75150799]
 [-0.40083263  1.48607612  1.71472391 -3.01237857 -3.33270434 -0.43798961
  -0.71771686  0.75705539  1.36843073 -2.33571213]
 [-1.58643324 -0.07767079  5.41050999 -2.98277701  0.19195586  1.04937342
   1.631331    0.10301161 -0.32911072  0.55639883]
 [ 0.1742294   0.06853674  1.49313783 -1.88727517 -0.49155333  2.21624192
   0.07801578 -0.42653337 -1.78190923 -0.54129268]
 [ 0.44448744  0.50362719  1.41585217  0.98797966  2.94200334 -1.16523894
   4.13163899  2.17566777  1.61037808 -3.17576968]]
[-0.40083263  1.48607612  1.71472391]
[[-3.12070422e+00 -6.19552069e-02 -1.24185685e+00 -2.92916097e+00
   2.82389224e+00 -9.53464287e-01 -1.56093843e+00  2.14053547e+00
  -2.56458519e+00 -2.65495780e+00]
 [ 2.52675279e-01  1.72438743e+00  1.39347393e+00 -6.69130370e-01
  -1.99505213e+00  3.19781659e+00  6.62815069e+00  1.97554092e+00
   2.47732515e-01  1.48557079e+00]
 [-7.87911701e-01  2.96231636e-01 -8.24468906e-01 -3.21430122e-01
   2.79062950e-01  5.70938737e-01 -5.62523985e-01  3.42181463e+00
  -2.99533278e-01  1.38061344e+00]
 [ 2.19041902e+00  2.67681741e+00 -2.73796334e+00  9.72855255e-01
   1.50704336e+00  7.26929187e-01 -6.29420962e-01  2.74656234e+00
  -1.24883433e+00  7.51507995e-01]
 [ 1.00000000e+02  1.00000000e+02  1.00000000e+02 -3.01237857e+00
  -3.33270434e+00 -4.37989605e-01 -7.17716858e-01  7.57055387e-01
   1.36843073e+00 -2.33571213e+00]
 [-1.58643324e+00 -7.76707925e-02  5.41050999e+00 -2.98277701e+00
   1.91955864e-01  1.04937342e+00  1.63133100e+00  1.03011608e-01
  -3.29110719e-01  5.56398833e-01]
 [ 1.74229404e-01  6.85367384e-02  1.49313783e+00 -1.88727517e+00
  -4.91553333e-01  2.21624192e+00  7.80157810e-02 -4.26533373e-01
  -1.78190923e+00 -5.41292676e-01]
 [ 4.44487437e-01  5.03627194e-01  1.41585217e+00  9.87979663e-01
   2.94200334e+00 -1.16523894e+00  4.13163899e+00  2.17566777e+00
   1.61037808e+00 -3.17576968e+00]]

三维数组的切片操作

代码：

import numpy as np

# 数据获取
np.random.seed(50)
data = np.random.normal(loc=0, scale=2, size=9*10).reshape((3, 3, 10))
print('data\n', data)

# 这里我们取出一维的第2行的前五列
print(data[0, 1, :5])

# 这里我们修改取出的数据为100（这里就利用了numpy的广播效应）
data[0, 1, :5] = 100
print('修改后的data\n',data)

 输出：

data
 [[[-3.12070422 -0.06195521 -1.24185685 -2.92916097  2.82389224
   -0.95346429 -1.56093843  2.14053547 -2.56458519 -2.6549578 ]
  [ 0.25267528  1.72438743  1.39347393 -0.66913037 -1.99505213
    3.19781659  6.62815069  1.97554092  0.24773251  1.48557079]
  [-0.7879117   0.29623164 -0.82446891 -0.32143012  0.27906295
    0.57093874 -0.56252399  3.42181463 -0.29953328  1.38061344]]

 [[ 2.19041902  2.67681741 -2.73796334  0.97285526  1.50704336
    0.72692919 -0.62942096  2.74656234 -1.24883433  0.75150799]
  [-0.40083263  1.48607612  1.71472391 -3.01237857 -3.33270434
   -0.43798961 -0.71771686  0.75705539  1.36843073 -2.33571213]
  [-1.58643324 -0.07767079  5.41050999 -2.98277701  0.19195586
    1.04937342  1.631331    0.10301161 -0.32911072  0.55639883]]

 [[ 0.1742294   0.06853674  1.49313783 -1.88727517 -0.49155333
    2.21624192  0.07801578 -0.42653337 -1.78190923 -0.54129268]
  [ 0.44448744  0.50362719  1.41585217  0.98797966  2.94200334
   -1.16523894  4.13163899  2.17566777  1.61037808 -3.17576968]
  [ 2.461771   -4.74690676 -0.06222194 -7.61978076 -0.39809938
    0.70086148 -0.10510157 -1.26856217 -0.72586221 -5.14183952]]]
[ 0.25267528  1.72438743  1.39347393 -0.66913037 -1.99505213]
修改后的data
 [[[-3.12070422e+00 -6.19552069e-02 -1.24185685e+00 -2.92916097e+00
    2.82389224e+00 -9.53464287e-01 -1.56093843e+00  2.14053547e+00
   -2.56458519e+00 -2.65495780e+00]
  [ 1.00000000e+02  1.00000000e+02  1.00000000e+02  1.00000000e+02
    1.00000000e+02  3.19781659e+00  6.62815069e+00  1.97554092e+00
    2.47732515e-01  1.48557079e+00]
  [-7.87911701e-01  2.96231636e-01 -8.24468906e-01 -3.21430122e-01
    2.79062950e-01  5.70938737e-01 -5.62523985e-01  3.42181463e+00
   -2.99533278e-01  1.38061344e+00]]

 [[ 2.19041902e+00  2.67681741e+00 -2.73796334e+00  9.72855255e-01
    1.50704336e+00  7.26929187e-01 -6.29420962e-01  2.74656234e+00
   -1.24883433e+00  7.51507995e-01]
  [-4.00832630e-01  1.48607612e+00  1.71472391e+00 -3.01237857e+00
   -3.33270434e+00 -4.37989605e-01 -7.17716858e-01  7.57055387e-01
    1.36843073e+00 -2.33571213e+00]
  [-1.58643324e+00 -7.76707925e-02  5.41050999e+00 -2.98277701e+00
    1.91955864e-01  1.04937342e+00  1.63133100e+00  1.03011608e-01
   -3.29110719e-01  5.56398833e-01]]

 [[ 1.74229404e-01  6.85367384e-02  1.49313783e+00 -1.88727517e+00
   -4.91553333e-01  2.21624192e+00  7.80157810e-02 -4.26533373e-01
   -1.78190923e+00 -5.41292676e-01]
  [ 4.44487437e-01  5.03627194e-01  1.41585217e+00  9.87979663e-01
    2.94200334e+00 -1.16523894e+00  4.13163899e+00  2.17566777e+00
    1.61037808e+00 -3.17576968e+00]
  [ 2.46177100e+00 -4.74690676e+00 -6.22219402e-02 -7.61978076e+00
   -3.98099383e-01  7.00861484e-01 -1.05101570e-01 -1.26856217e+00
   -7.25862211e-01 -5.14183952e+00]]]

 数组的shape转换

代码：

import numpy as np

np.random.seed(22)
data = np.random.normal(loc=0, scale=2, size=90).reshape(9, 10)
print('data:\n', data)

# reshape转换
data.reshape((10, 9))
print('data:\n', data)

# resize转换
data.resize((10, 9))
print('data:\n', data)

# T转置
data.resize((10, 9))
data = data.T
print('data:\n', data)

 输出：

data:
 [[-0.18389984 -2.92670131  2.16358336 -0.47865034 -0.98225827 -2.00454402
   1.83764301 -2.2072642   1.25298691 -1.12302756]
 [ 0.05771024 -0.46153438  1.17550443  1.50463516 -2.11700511  2.11194483
   1.49550053  2.12935318  3.04025918 -2.97720587]
 [ 3.71997978 -3.19722605 -1.29214723  0.67465     2.09345745  1.25828668
   0.72611819  1.11149939 -2.17709906  0.04738954]
 [ 4.99835328 -4.98006079 -0.46972477 -0.19512692 -1.77305868 -0.27342648
   0.20395785 -0.50185907 -0.15762461 -2.17032833]
 [ 1.1898569  -1.27781614 -2.21567372  4.21229151 -1.13477554 -0.95989959
  -3.84645971  0.79917708 -2.09636774 -1.38775741]
 [ 1.49067829  1.07381999 -1.46544355  1.11143126  0.8645786  -0.27160796
  -1.88221218  0.96953473 -3.06564291  0.80995778]
 [ 0.02565225 -2.46343112 -2.10617005  5.03244365 -4.07805701  0.18897462
  -0.62964667  0.98062943  0.70995238  1.90142269]
 [ 1.5207436   0.02300725 -2.75211392 -0.54310937  1.0845041   1.07104442
   2.31999608 -0.3300101  -2.35880513 -1.0905979 ]
 [ 0.54100534  1.96047512  2.0137768   1.56431251 -2.49718332 -0.84766689
   1.10521631  0.65920685  1.72623658 -2.45475605]]
data:
 [[-0.18389984 -2.92670131  2.16358336 -0.47865034 -0.98225827 -2.00454402
   1.83764301 -2.2072642   1.25298691 -1.12302756]
 [ 0.05771024 -0.46153438  1.17550443  1.50463516 -2.11700511  2.11194483
   1.49550053  2.12935318  3.04025918 -2.97720587]
 [ 3.71997978 -3.19722605 -1.29214723  0.67465     2.09345745  1.25828668
   0.72611819  1.11149939 -2.17709906  0.04738954]
 [ 4.99835328 -4.98006079 -0.46972477 -0.19512692 -1.77305868 -0.27342648
   0.20395785 -0.50185907 -0.15762461 -2.17032833]
 [ 1.1898569  -1.27781614 -2.21567372  4.21229151 -1.13477554 -0.95989959
  -3.84645971  0.79917708 -2.09636774 -1.38775741]
 [ 1.49067829  1.07381999 -1.46544355  1.11143126  0.8645786  -0.27160796
  -1.88221218  0.96953473 -3.06564291  0.80995778]
 [ 0.02565225 -2.46343112 -2.10617005  5.03244365 -4.07805701  0.18897462
  -0.62964667  0.98062943  0.70995238  1.90142269]
 [ 1.5207436   0.02300725 -2.75211392 -0.54310937  1.0845041   1.07104442
   2.31999608 -0.3300101  -2.35880513 -1.0905979 ]
 [ 0.54100534  1.96047512  2.0137768   1.56431251 -2.49718332 -0.84766689
   1.10521631  0.65920685  1.72623658 -2.45475605]]
data:
 [[-0.18389984 -2.92670131  2.16358336 -0.47865034 -0.98225827 -2.00454402
   1.83764301 -2.2072642   1.25298691]
 [-1.12302756  0.05771024 -0.46153438  1.17550443  1.50463516 -2.11700511
   2.11194483  1.49550053  2.12935318]
 [ 3.04025918 -2.97720587  3.71997978 -3.19722605 -1.29214723  0.67465
   2.09345745  1.25828668  0.72611819]
 [ 1.11149939 -2.17709906  0.04738954  4.99835328 -4.98006079 -0.46972477
  -0.19512692 -1.77305868 -0.27342648]
 [ 0.20395785 -0.50185907 -0.15762461 -2.17032833  1.1898569  -1.27781614
  -2.21567372  4.21229151 -1.13477554]
 [-0.95989959 -3.84645971  0.79917708 -2.09636774 -1.38775741  1.49067829
   1.07381999 -1.46544355  1.11143126]
 [ 0.8645786  -0.27160796 -1.88221218  0.96953473 -3.06564291  0.80995778
   0.02565225 -2.46343112 -2.10617005]
 [ 5.03244365 -4.07805701  0.18897462 -0.62964667  0.98062943  0.70995238
   1.90142269  1.5207436   0.02300725]
 [-2.75211392 -0.54310937  1.0845041   1.07104442  2.31999608 -0.3300101
  -2.35880513 -1.0905979   0.54100534]
 [ 1.96047512  2.0137768   1.56431251 -2.49718332 -0.84766689  1.10521631
   0.65920685  1.72623658 -2.45475605]]
data:
 [[-0.18389984 -1.12302756  3.04025918  1.11149939  0.20395785 -0.95989959
   0.8645786   5.03244365 -2.75211392  1.96047512]
 [-2.92670131  0.05771024 -2.97720587 -2.17709906 -0.50185907 -3.84645971
  -0.27160796 -4.07805701 -0.54310937  2.0137768 ]
 [ 2.16358336 -0.46153438  3.71997978  0.04738954 -0.15762461  0.79917708
  -1.88221218  0.18897462  1.0845041   1.56431251]
 [-0.47865034  1.17550443 -3.19722605  4.99835328 -2.17032833 -2.09636774
   0.96953473 -0.62964667  1.07104442 -2.49718332]
 [-0.98225827  1.50463516 -1.29214723 -4.98006079  1.1898569  -1.38775741
  -3.06564291  0.98062943  2.31999608 -0.84766689]
 [-2.00454402 -2.11700511  0.67465    -0.46972477 -1.27781614  1.49067829
   0.80995778  0.70995238 -0.3300101   1.10521631]
 [ 1.83764301  2.11194483  2.09345745 -0.19512692 -2.21567372  1.07381999
   0.02565225  1.90142269 -2.35880513  0.65920685]
 [-2.2072642   1.49550053  1.25828668 -1.77305868  4.21229151 -1.46544355
  -2.46343112  1.5207436  -1.0905979   1.72623658]
 [ 1.25298691  2.12935318  0.72611819 -0.27342648 -1.13477554  1.11143126
  -2.10617005  0.02300725  0.54100534 -2.45475605]]

学习地址：

黑马程序员Python教程，4天快速入门Python数据挖掘，系统精讲+实战案例_哔哩哔哩_bilibili

rookie-rookie-lu
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python的np.shape()函数
changzi990的博客
05-30 279
是numpy.core.fromnumeric中的函数，它的功能是读取。
python三维数组切片
sukiii_的博客
03-03 1108
在选择行 题目选择第二行和第三行，行号也从0开始所以start=1，stop=3（到第四行截至但是不包含第四行），没有跳数，step默认为1。三维： [ start:stop:step, start:stop:step , start:stop:step]（不包括stop）选择列是同理，选择第2列到第4列，列号从0开始，所以start=1，stop=4（到第五列但不包含第五列），step默认为1。使用np.random.randint创建一个（3,4,5)的三维随机数组，利用切片返回【如下图位置的数】
Python NumPy 数组形状(array shape)
m0_60105488的博客
08-15 1099
NumPy（Numerical Python的缩写）是一个开源的Python科学计算库。使用NumPy，就可以很自然地使用数组和矩阵。NumPy包含很多实用的数学函数，涵盖线性代数运算、傅里叶变换和随机数生成等功能。本文主要介绍Python NumPy 数组形状(array shape) 原文地址：Python NumPy 数组形状(array shape) ...
详解Python二维数组与三维数组切片的方法
09-19
主要介绍了详解Python二维数组与三维数组切片的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Python numpy的shape()用法
qq_42911882的博客
11-30 9112
Python numpy的shape()用法 举三个例子来说明shape()的用法 一维数组 arr1 = np.array([1,3,5,2,4,6,-2,-7,-9,6,6,6]) print(arr1.shape, arr1) ((12,), array([ 1, 3, 5, 2, 4, 6, -2, -7, -9, 6, 6, 6])) 二维数组 arr2 = np.array([[1,3,5],[2,4,6],[-2,-7,-9],[6,6,6]]) print(arr2.sh
Numpy中的shape函数的用法详解
QHLJWM的博客
12-07 6518
shape函数用法
Numpy 数组切片
岳来的博客
12-30 1万+
Numpy 数组切片
Python中numpy数组切片
南桥几经秋
07-23 1万+
1、基本概念 Python中符合切片并且常用的有：列表，字符串，元组。 下面那列表来说明，其他的也是一样的。 格式：[开头：结束：步长] 开头：当步长>0时，不写默认0。当步长<0时，不写默认-1 结束：当步长>0时，不写默认列表长度加一。当步长<0时，不写默认负的列表长度减一 步长：默认1，>0 是从左往右走，<0是从右往左走 遵循左闭右开原则，如：[0:9]等价于数学中的[0,9) # 字符串中用法 str = 'python' print(str[::]) #
python numpy介绍
12-21
熟悉并熟练运用NumPy是Python科学计算的基础，对于处理矩阵、向量和数组操作尤其重要。在实际工作中，NumPy经常与其他科学计算库如Pandas、SciPy等配合使用，构建强大的数据分析和科学计算平台。
Python科学计算之NumPy入门教程
01-20
Python科学计算领域中，NumPy库扮演着至关重要的角色，它是高效处理大型矩阵和数组的基石。NumPy库因其快速的执行速度而受到广大开发者喜爱，这是因为它的许多底层功能都是用C语言编写的，能够避免Python解释器的...
NumPy-快速处理数据
01-27
`numpy.fromfunction()`函数是一个有趣的功能，它接受一个函数和数组形状，返回一个新数组，数组的每个元素是给定函数在对应坐标上的结果。这对于创建基于某种规律的数组非常有用。 总的来说，NumPy通过其高效的`...
python中np是做什么的
12-17
`numpy` 的全称是 "Numerical Python"，它提供了高效的数值计算和数组操作功能，是科学计算的基础包之一。 **导入numpy库** 在Python代码中，我们通常通过以下方式导入numpy库并赋予别名`np`： ```python import ...
Numpy基本操作——数组的切片索引操作
阿极的博客
01-16 2435
numpy提供比常规Python序列更多的索引方法，除了整合和分片，数组可以被整数数组和布尔型数组索引。本文先讲一些简单的索引。
numpy函数：shape用法
小白_努力
08-22 2万+
shape函数是numpy.core.fromnumeric中的函数，它的功能是读取矩阵的长度，比如shape[0]就是读取矩阵第一维度的长度。它的输入参数可以使一个整数表示维度，也可以是一个矩阵。这么说你可能不太理解，我们还是用各种例子来说明他的用法： 1、一维矩阵[1]返回值为(1L,) &gt;&gt;&gt;shape([1]) (1L,) 2、二维矩阵，返回两个值 &gt;&...
《手把手陪您学Python》49——数组的shape属性
mnpy2019的博客
04-19 5632
在上一篇《手把手陪您学Python》48——数组的生成方法1中，我们学习了array()、arange()以及linspace()三种生成数组的方法，并且了解了数组是使用嵌套列表的方式进行表示的。 今天，我们将会学习数组的shape属性，并更深入地了解数组特别是多维数组的表示方式。 1、shape属性 数组的shape属性就如同它的名字一样，反映的是数组的“形状”。 对于一维数组，反映的是一个维度上的元素数量，类似“长度”； 对于二维数组，反映的是两个维度上分别的元素数量，类似“长度”和“宽度”；
python: numpy--函数 shape用法
xingchengmeng的博客
03-17 9万+
shape函数是numpy.core.fromnumeric中的函数，它的功能是查看矩阵或者数组的维数。 举例说明： 建立一个3×3的单位矩阵e, e.shape为（3，3），表示3行3列 >>> e = eye(3) >>> e array([[ 1., 0., 0.], [ 0., 1., 0.], [ 0., 0., 1.]]) >>> e.
Python中numpy数组切片：print(a[0::2])、[::-1]、[::2]、[:,2]、[1:,-1:]、[ : ,: -1]，[:,-2:]、[ : n]、[m : ]等含义（详细）
热门推荐
锵锵锵锵蒋的博客
09-21 17万+
numpy 一维、二维数组切片操作，附详细示例。数组切片用到的负数值怎么理解附了很多例子！a[:-1],a[::-1],a[-2:-1]，a[-2::-1]、X[ : , :-1]，X[ : ,-1: ]，x[:,-2:]，x[:,-2:-1]可以自己试一试就懂了。
numpy 中shape的用法
嗯呢嗯呢的博客
08-18 6403
numpy 中shape的用法 返回各个维度的维数。 >>> import numpy as np >>> y = np.array([[1,2,3],[4,5,6]]) >>> print(y) [[1 2 3] [4 5 6]] >>> print(y.shape) (2, 3) >>> print(y.shape[0]) 2 >>> print(y.shape[1]) 3 y是一个两行三列.
取数组第一个值_Numpy数组切片操作
最新发布
06-11
可以使用 Numpy 数组切片操作来取数组的第一个值，具体方法如下： ```python import numpy as np # 创建一个数组 arr = np.array([1, 2, 3, 4, 5]) # 取第一个值 first_value = arr[0] print(first_value) # 输出：1 ``` 在这个例子中，我们创建了一个包含 1 到 5 的数字的 Numpy 数组，并使用索引 0 来取得该数组的第一个值。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值