【数据分析】Numpy——numpy.transpose() 转置函数

【官网】https://docs.scipy.org/doc/numpy-1.15.0/reference/generated/numpy.transpose.html

numpy.transpose(a, axes=None)[source]

参数a：array_like，输入数组。

参数axes：int列表，可选，默认情况下，反转维度，否则根据给定的值排列坐标轴。

Examples
>>> x = np.arange(4).reshape((2,2))
>>> x
array([[0, 1],
       [2, 3]])

>>> np.transpose(x)
array([[0, 2],
       [1, 3]])

>>> x = np.ones((1, 2, 3))
>>> np.transpose(x, (1, 0, 2)).shape
(2, 1, 3)

1、转置可以对数组进行重置，返回的是源数据的视图（不会进行任何复制操作）

2、转置有三种方式：

    （1）transpose方法

    （2）T属性

    （3）swapaxes方法。

方式一：T适用于一、二维数组

>>> import numpy as np
>>> arr = np.arange(20).reshape(4,5)#生成一个4行5列的数组
>>> arr
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])
>>> arr.T #求转置
array([[ 0,  5, 10, 15],
       [ 1,  6, 11, 16],
       [ 2,  7, 12, 17],
       [ 3,  8, 13, 18],
       [ 4,  9, 14, 19]])

 

方式二：

对于高维数组，transpose需要用到一个由轴编号组成的元组，才能进行转置。

>>> arr = np.arange(12).reshape(2,2,3)
>>> arr
array([[[ 0,  1,  2],
        [ 3,  4,  5]],

       [[ 6,  7,  8],
        [ 9, 10, 11]]])
>>> arr.shape    # 看形状 
(2, 2, 3)        # 说明这是一个2*2*3的数组（矩阵），返回的是一个元组，可以对元组进行索引，也就是0,1,2
>>> 

transpose参数的真正意义在于这个shape元组的索引

>>> arr.transpose(1,0,2)
array([[[ 0,  1,  2],
        [ 6,  7,  8]],

       [[ 3,  4,  5],
        [ 9, 10, 11]]])

方式三：swapaxes

接受一对轴编号，进行轴对换，其实也就是shape参数。

>>> arr = np.arange(16).reshape(2,2,4)
>>> arr
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])
>>> arr.shape
(2, 2, 4)
>>> arr.swapaxes(1,2)
array([[[ 0,  4],
        [ 1,  5],
        [ 2,  6],
        [ 3,  7]],

       [[ 8, 12],
        [ 9, 13],
        [10, 14],
        [11, 15]]])
>>> arr.swapaxes(1,2)
array([[[ 0,  4],
        [ 1,  5],
        [ 2,  6],
        [ 3,  7]],

       [[ 8, 12],
        [ 9, 13],
        [10, 14],
        [11, 15]]])
>>> arr.swapaxes(1,0)   # 转置，对比transpose（1,0,2）
array([[[ 0,  1,  2,  3],
        [ 8,  9, 10, 11]],

       [[ 4,  5,  6,  7],
        [12, 13, 14, 15]]])

 

转载于:https://www.cnblogs.com/ITCSJ/p/11314953.html