2.3 NumPy数组常用操作

import numpy as np #导入 NumPy 库 
np.__version__ #打印numpy版本

Out[1]:

'1.22.2'

2.3 NumPy 数组操作

NumPy数组的常用操作包括形状改变、运算和统计等，这些操作大多可以通过两种方式实现：

1. 通过NumPy数组ndarray类定义的方法实现
2. 通过NumPy函数对数组的操作实现

两种方式功能相同，主要区别在于通过NumPy函数操作时，函数的第一个参数是要操作的数组。而通过ndarray类的相应方法则没有该参数，因为数组本身对象来调用方法。

2.3.1 修改数组形状

改变形状-reshape方法/函数

在不改变元素数目条件下修改形状，即各维度的形状乘积要等于数组元素总数，调用方式：

• 通过NumPy数组方法调用格式如下：

  • numpy.ndarray.reshape(newshape, order='C')，其中ndarray就是创建的数组对象

• 通过NumPy函数调用格式如下：

  • numpy.reshape(arr, newshape, order='C')，其中arr就是创建的数组对象

  • newshape参数：表示各维度shape参数，可以是一个整数或者整数数组，转成一维数组用一个整数传入；转成多维数组时，函数reshape的该参数只能用整数数组或元组、列表的组合方式表示，不能分开传入，而数组的方法reshape则可以分开传入，这点需要注意区分。

  • order参数：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'k' -- 元素在内存中的出现顺序。

In [2]:

arr3_1_1 = np.arange(12)  #创建一维数组
arr3_1_1

Out[2]:

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

In [3]:

arr3_1_1.ndim  #维度为1

Out[3]:

1

对该数组对象调用reshape方法，将一维数组改为shape形状（3，4），3 * 4=12个元素，保持元素数目不变

In [4]:

arr3_1_2 = arr3_1_1.reshape(3,4) #调用数组方法reshape，各维度参数可以分开传入，也可以组合传入：arr1.reshape((3,4))
arr3_1_2

Out[4]:

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

In [5]:

arr3_1_2.reshape(12)  #传入一个整数转成一维数组

Out[5]:

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

或者是通过reshape函数调用：

In [6]:

arr3_1_3 = np.reshape(arr3_1_1,(3,4))  #第一个参数是需要改变形状的数组，第二个参数是shape形状，只能通过整数数组或元组列表的组合方式传入，不能分开传入
arr3_1_3

Out[6]:

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

In [7]:

arr3_1_3.ndim   #维度为2，行和列两个维度

Out[7]:

2

In [8]:

arr3_1_4 = arr3_1_1.reshape(4,-1)   
arr3_1_4

Out[8]:

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])

-1表示除了确定的轴长4外剩余的轴长，即arr1元素个数为12/4=3，所以-1表示3

In [9]:

arr3_1_4.shape  #形状为4行3列

Out[9]:

(4, 3)

将一维数组改为shape形状（2,4,3），2 * 4 * 3=24个元素，保持元素数目不变

In [10]:

arr3_1_5 = np.arange(24).reshape(2,4,-1)
arr3_1_5

Out[10]:

array([[[ 0,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8],
        [ 9, 10, 11]],

       [[12, 13, 14],
        [15, 16, 17],
        [18, 19, 20],
        [21, 22, 23]]])

In [11]:

arr3_1_5.ndim

Out[11]:

3

In [12]:

arr3_1_5.shape

Out[12]:

(2, 4, 3)

维度为3，对应[[[ ]]]],最里面第三层的[]每个有3个元素，第二层的[]每个有4个元素，对应于四个第三层，而最外面层有2个元素，对应两个第二层

注意：后面介绍的NumPy数组操作就不再区分是调用NumPy数组对象的方法还是调用NumPy函数，只以其中一种方式进行讲解。两者总体区别在于：

• 调用方式不同,数组方法调用是：NumPy数组对象.方法名()，函数调用是：np.函数名()，
• 调用NumPy函数的第一个参数一般是NumPy数组。

展平数组-ravel()函数

展平数组元素功能，即从多维转变成一维数组。返回的是数组视图，修改展平后的数组会影响原始数组。

In [13]:

arr3_1_6 = np.arange(6).reshape(2,3)
arr3_1_6

Out[13]:

array([[0, 1, 2],
       [3, 4, 5]])

In [14]:

arr3_1_7 = arr3_1_6.ravel() #通过ndarray数组对象的方法调用，展平数组元素，默认按行展平
arr3_1_7

Out[14]:

array([0, 1, 2, 3, 4, 5])

或者：

In [15]:

arr3_1_8 = np.ravel(arr3_1_6) #通过NumPy函数调用，展平数组元素，默认按行展平
arr3_1_8

Out[15]:

array([0, 1, 2, 3, 4, 5])

In [16]:

arr3_1_8[1] = 100
arr3_1_8

Out[16]:

array([  0, 100,   2,   3,   4,   5])

In [17]:

arr3_1_6

Out[17]:

array([[  0, 100,   2],
       [  3,   4,   5]])

指定展开方式，如按列展平数组元素，也就是先第0列从上往下，再第1列从上往下输出：

In [18]:

arr3_1_9 = arr3_1_6.ravel('F') #按列展平数组元素
arr3_1_9 

Out[18]:

array([  0,   3, 100,   4,   2,   5])

In [19]:

arr3_1_9[1] = 100
arr3_1_9

Out[19]:

array([  0, 100, 100,   4,   2,   5])

In [20]:

arr3_1_6

Out[20]:

array([[  0, 100,   2],
       [  3,   4,   5]])

可以看到，若按行展平（默认），展平后数组重新赋值后，原数组对应位置值也改变。若按列展平，展平后数组重新赋值后，原数组对应位置值没有改变。

多维数组的展平：

In [21]:

arr3_1_10 = np.arange(24).reshape(2,3,4)
arr3_1_10

Out[21]:

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

In [22]:

arr3_1