03 Numpy数组操作之变形_numpy 数组操作-CSDN博客

本文链接：https://blog.csdn.net/deftntxz/article/details/109270641

数组操作

更改形状

在对数组进行操作时，为了满足格式与计算的需要我们常常会改变数组的形状。

numpy.ndarray.shape表示数组的维度，返回一个tuple，tuple的长度等于维数ndim
【例】通过修改 shape 属性来改变数组的形状。

import numpy as np

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

【例】

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

y[3] = 0
print(end='\n')
print(x)
# [[11 12 13  0 15]
#  [16 17 18 19 20]
#  [21 22 23 24 25]
#  [26 27 28 29 30]
#  [31 32 33 34 35]]

numpy.ndarray.flatten([order='C']) 将数组的副本转换为一维数组，并返回。
- order：‘C’ – 按行，‘F’ – 按列，‘A’ – 原顺序，‘k’ – 元素在内存中的出现顺序。(简记)
- order：{'C / F，'A，K}，可选使用此索引顺序读取a的元素。'C’意味着以行大的C风格顺序对元素进行索引，最后一个轴索引会更改F表示以列大的Fortran样式顺序索引元素，其中第一个索引变化最快，最后一个索引变化最快。请注意，'C’和’F’选项不考虑基础数组的内存布局，仅引用轴索引的顺序.A’表示如果a为Fortran，则以类似Fortran的索引顺序读取元素在内存中连续，否则类似C的顺序。“ K”表示按照步序在内存中的顺序读取元素，但步幅为负时反转数据除外。默认情况下，使用Cindex顺序。
- flatten()返回的是拷贝。
numpy.ravel(a, order='C')Return a contiguous flattened array.
- ravel()返回的是视图；若order=F’则返回的是拷贝。
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。
- reshape()函数返回的也是视图。

数组转置

numpy.transpose(a, axes=None) Permute the dimensions of an array.
numpy.ndarray.T Same as self.transpose(), except that self is returned if self.ndim < 2.

更改维度

在创建数组之后，还可以给它增加或减少维度，只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。
【例】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。

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]]

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。
- a表示输入的数组；
- 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；

【例】

import numpy as np

x = np.array([[[0], [1], [2]]])
print(x.shape)  # (1, 3, 1)
print(x)
# [[[0]
#   [1]
#   [2]]]

y = np.squeeze(x)
print(y.shape)  # (3,)
print(y)  # [0 1 2]

y = np.squeeze(x, axis=0)
print(y.shape)  # (3, 1)
print(y)
# [[0]
#  [1]
#  [2]]

y = np.squeeze(x, axis=2)
print(y.shape)  # (1, 3)
print(y)  # [[0 1 2]]

y = np.squeeze(x, axis=1)
# ValueError: cannot select an axis to squeeze out which has size not equal to one

在机器学习和深度学习中，通常算法的结果是可以表示向量的数组（即包含两对或以上的方括号形式[[]]），如果直接利用这个数组进行画图可能显示界面为空（见后面的示例）。我们可以利用squeeze()函数将表示向量的数组转换为秩为1的数组，这样利用 matplotlib 库函数画图时，就可以正常的显示结果了。

数组组合

如果要将两个或多个数组拼在一起，就需要拼接操作。

numpy.concatenate((a1, a2, ...), axis=0, out=None) Join a sequence of arrays along an existing axis.
- 注意：除axis以外，其他维度必须完全相等
numpy.stack(arrays, axis=0, out=None) Join a sequence of arrays along a new axis.
numpy.vstack(tup) Stack arrays in sequence vertically (row wise).
numpy.hstack(tup) Stack arrays in sequence horizontally (column wise).
hstack(),vstack()分别表示水平和竖直的拼接方式。在数据维度等于1时，比较特殊。而当维度大于或等于2时，它们的作用相当于concatenate，用于在已有轴上进行操作。

数组拆分

numpy.split(ary, indices_or_sections, axis=0) Split an array into multiple sub-arrays as views into ary.
numpy.vsplit(ary, indices_or_sections) Split an array into multiple sub-arrays vertically (row-wise).
numpy.hsplit(ary, indices_or_sections) Split an array into multiple sub-arrays horizontally (column-wise).

数组平铺

numpy.tile(A, reps) Construct an array by repeating A the number of times given by 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。
- 可以理解为把原矩阵A当成新的元素构建新的矩阵
numpy.repeat(a, repeats, axis=None) Repeat elements of an array.
- axis=0，沿着y轴复制，实际上增加了行数。
- axis=1，沿着x轴复制，实际上增加了列数。
- repeats，可以为一个数，也可以为一个矩阵。
- axis=None时就会flatten当前矩阵，实际上就是变成了一个行向量。

添加和删除元素

numpy.unique(ar, return_index=False, return_inverse=False,return_counts=False, axis=None) Find the unique elements of an array.
- return_index：the indices of the input array that give the unique values
- return_inverse：the indices of the unique array that reconstruct the input array
- return_counts：the number of times each unique value comes up in the input array