数组操作2.0
数组组合
如果要将两份数据组合到一起,就需要拼接操作。numpy.concatenate((a1, a2, …), axis=0, out=None) Join a sequence of arrays along an existing axis.连接沿现有轴的数组序列(原来x,y都是一维的,拼接后的结果也是一维的,同理,二维数组拼接过后也是二维的)。
import numpy as np
x = np.array([20,10,24])
y = np.array([20,10,25])
z = np.concatenate([x,y])
print(z)
##结果如下:
[20 10 24 20 10 25]
对二维数组进行拼接:
import numpy as np
x = np.array([20,10,24]).reshape(1,3)
y = np.array([20,10,25]).reshape(1,3)
z = np.concatenate([x,y])
print(z)
##结果如下:
[[20 10 24]
[20 10 25]]
在原来的维度上进行拼接:
import numpy as np
x = np.array([[20,10,24],[20,10,23]])
y = np.array([[20,10,25],[20,10,22]])
z = np.concatenate([x,y])
print(z)
##结果如下:
[[20 10 24]
[20 10 23]
[20 10 25]
[20 10 22]]
z =np.concatenate([x,y],axis=0)
print(z)
z =np.concatenate([x,y],axis=1)
print(z)
以上两行代码运行的结果分别是:
[[20 10 24]
[20 10 23]
[20 10 25]
[20 10 22]]
[[20 10 24 20 10 25]
[20 10 23 20 10 22]]
##为什么会出现这种情况,仔细观察可以发现,是axis=0和axis=1这两部分致使输出结果不同,那么下面仔细说一下有关axis的作用。
numpy是个多维数组,为了在数组的操作过程中方便,需要指定某个或某些维度,因此,便设计了axis。
axis等于不同的数,numpy也就会沿着不同的方向进行操作,如果不出现axis,numpy会对所有数组的元素进行操作。在二维数组下,当axis=0时,numpy便会沿着纵轴进行操作;axis=1时,则会沿着横轴进行操作。那么对于多维数组呢?可以有一个简便的记忆方法:
axis=i,numpy则会沿着第i个下标比变化的方向进行操作
数组拆分
numpy.split(ary, indices_or_sections, axis=0) Split an array into multiple sub-arrays as views into ary.
x = np.array([[11,15,16,20],
[34,56,8,4],
[56,79,43,26],
[45,6,34,67]])
y = np.split(x,[1,3])
print(y)
##结果如下:
[array([[11, 15, 16, 20]]), array([[34, 56, 8, 4],
[56, 79, 43, 26]]), array([[45, 6, 34, 67]])]
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。
下面进行一个示例,将原矩阵横向、纵向地复制。
x = np.array([[1,2],[3,4]])
print(x)
##结果如下:
[[1 2]
[3 4]]
进行数组的平铺:
y =np.tile(x,(1,3))
print(y)
y =np.tile(x,(1,3))
print(y)
[[1 2 1 2 1 2]
[3 4 3 4 3 4]]
1
y =np.tile(x,(3,1))
print(y)
[[1 2]
[3 4]
[1 2]
[3 4]
[1 2]
[3 4]]
y =np.tile(x,(3,3))
print(y)
[[1 2 1 2 1 2]
[3 4 3 4 3 4]
[1 2 1 2 1 2]
[3 4 3 4 3 4]
[1 2 1 2 1 2]
[3 4 3 4 3 4]]