2024年最全Python数组变形（学习笔记），网易面试难度

现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。

分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

vstack 和concatenate( ),axis=0等价

（3）dstack

---

dstack是deep stack，即在深度方向进行合并。

dstack可以将一维数组变成三维数组。

import numpy as np

vstack

np.vstack([arr1,arr2])

#结果：

array([[ 1., 2., 3., 4., 5., 6.],

[ 7., 8., 9., 10., 11., 12.],

[13., 14., 15., 16., 17., 18.],

[19., 20., 21., 22., 23., 24.],

[26., 27., 28., 29., 30., 31.],

[32., 33., 34., 35., 36., 37.],

[38., 39., 40., 41., 42., 43.],

[44., 45., 46., 47., 48., 49.]])

dstack

np.dstack([arr1,arr2])

结果：

array([[[ 1., 26.],

[ 2., 27.],

[ 3., 28.],

[ 4., 29.],

[ 5., 30.],

[ 6., 31.]],

[[ 7., 32.],

[ 8., 33.],

[ 9., 34.],

[10., 35.],

[11., 36.],

[12., 37.]],

[[13., 38.],

[14., 39.],

[15., 40.],

[16., 41.],

[17., 42.],

[18., 43.]],

[[19., 44.],

[20., 45.],

[21., 46.],

[22., 47.],

[23., 48.],

[24., 49.]]])

（4）hstack

---

函数原型：hstack(tup) ，参数tup可以是元组，列表，或者numpy数组，返回结果为numpy的数组,水平(按列顺序)把数组给堆叠起来，vstack()函数正好和它相反。

（5）r,c模式

---

np.r_[arr1,arr2] ，实际上是vstack 与 axis=0 做了一个合并（concatenate）。

np.c_[arr1,arr2] ， hstack 与 axis=1 做了一个合并（concatenate）。

print(np.r_[-2:2:1,[0]*3,5,6])

上面那段代码由三部分组成，-2:2:1表示从-2~2的数字，间隔为1，并且2没有，然后是3个0，接下来是5和6

print((np.r_[‘r’,-2:2:1,[0]*3,5,6])) #二维数组，以行的方式呈现

print((np.r_[‘c’,-2:2:1,[0]*3,5,6])) #二维数组，以列的方式呈现

默认是为r，表示沿着行的方向创建，c则表示以列的方式创建。

注：shape表示矩阵的维度大小。

也可以用'a,b,c'来进行表示，a代表轴，沿着轴a来进行合并，代表合并后数组维度至少是b，c是代表在第c维度上做维度提升

print(np.r_[‘0,2,0’,[1,2,3],[4,5,6]],‘\n’)

print(np.r_[‘0,2,1’,[1,2,3],[4,5,6]],‘\n’)

print(np.r_[‘1,2,0’,[1,2,3],[4,5,6]],‘\n’)

print(np.r_[‘1,2,1’,[1,2,3],[4,5,6]])

b:合并后数组的维度

a=0,沿着轴0合并。(3,)–>(1,3)

a=1,沿着轴1合并。(3,1)–>(3,2)

c=0,在轴0上上升一维,(3,)–>(3,1)

c=1,在轴1上上升一维,(3,)–>(1,3)

5.split

=====================================================================

（1）split

---

split 具体有 split() , hsplit() , vsplit()

arr1=np.arange(1,13.0).reshape(2,6)

arr2=np.arange(14,26.0).reshape(2,6)

arr=np.concatenate([arr1,arr2])

arr3=np.split(arr,2) # 默认情况下是 axis=0

由上图可知，split分割成为二维数组

arr4=np.split(arr,3,axis=1)

print(arr4[0].shape)

arr4

arr5=np.split(arr,4,axis=0)

arr6=np.split(arr,[1,2,3],axis=0)

上述代码块的两行表示是相同的，第二行相当于使用数组的切片方式进行处理。

（2）vsplit和hsplit

---

1. vsplit 垂直（按行）将阵列拆分为多个子阵列。

2. hsplit 水平（按列）将阵列拆分为多个子阵列。

这部分希望大家看下图体会~

arrv=np.vsplit(arr,[1,2,3,4])

arrh=np.hsplit(arr,[1,2,3,4,5])

6.repeat

======================================================================

repeat()： 复制数组中的每个指定元素。

一维数组：用整数型和列表型参考来控制元素被复制的个数

多维数组：用整数型和列表型来控制元素被复制的个数

import numpy as np

arr=np.arange(3)

print(arr.shape)

（1）标量参数

---

print(arr.repeat(3)) # 每个元素复制三次

（2）列表参数

---

print(arr)

print(arr.repeat([1,2,3]))

第一个没有复制，第二个复制了两个，，依次类推

当列表的元素少于数组元素，或者多余数组元素，都会报错，就如下图所示。

上面是一维数组的，接下来再看看二维数组中利用标量参数和轴参数：

print(arr.repeat(2)) # 此时二维数组变成一维的了

print(arr.repeat(2,1))

print(arr.repeat(2,axis=0)) # 在行上面进行复制

再来看看二维数组中的列表参数和轴参数：

7.tile

====================================================================

关于repeat和title，二者的本质都是复制，而repeat是在元素层面进行赋值，title是在数组层面进行赋值。

（1）标量参数

---

print(np.tile(arr,2))

print(np.repeat(arr,2))

（2）元组参数

---

元组参数即括号里面用相关参数进行分割。

print(np.tile(arr,(2,3)))

print(np.tile(arr,(2,3,4)))

在轴0上面复制两遍，行复制3遍，列复制4遍。

8.sort

====================================================================

排序分为：

1. 直接排序

2. 间接排序

直接排序sort() :在原来的数组上进行排序操作，而不重新创建一个数组

（1）一维数组排序方法

---

arr=np.array([9,1,5,7,2,3,8,6]) # 先创建一个无序数组

arr

print(‘排序之前的数组:’,arr)

arr.sort()

print(‘排序之后的数组:’,arr)

arr[::-1] # 使用倒序的方法显示

（2）多维数组排序方法

---

先使用random随机生成一个二维数组：（每次）

import numpy as np

np.random.seed(1000)

arr=np.random.randint(40,size=(3,4))

arr

以上的方法在每次重新刷新了之后会变化数组的数字。

如果对二维数组直接使用arr.sort()，则会直接对行进行排序。

对列进行排序：

print(‘排序之前的数组:’)

print(arr)

arr[:,0].sort()

print(‘排序之后的数组:’)

print(arr)

np.sort(arr[:,2]) # 选择第三列进行排序

arr.sort(axis=1) # 横着排序，原来数组改变

np.sort(arr,axis=1) # 横着排序，但原来的数组不会改变

arr.sort(axis=0) # 竖着排序，原来数组改变

np.sort(arr,axis=0) # 竖着排序，但原来的数组不会改变

（3）argsort函数

---

接下来看看间接排序：

间接排序：利用特定的参数进行排序，按需排序，需要使用argsort( )函数

argsort函数：返回的是数组值从小到大的索引值。

score=np.array([100,65,76,89,58])

idx=score.argsort()

idx

因此如果打印数组的时候带上下标就相当于排序了：

print(score[idx]) # 利用索引标签来打印

arr[:,arr[0].argsort()]

#按第一行从低到高进行排序，并且对应的列也会跟着变化

arr#由于使用的是argsort,因此原数组不会改变

（4）lexsort函数

---

numpy.lexsort() 用于对多个序列进行排序。把它想象成对电子表格进行排序，每一列代表一个序列，排序时优先照顾靠后的列。

这里举一个应用场景：小升初考试，重点班录取学生按照总成绩录取。在总成绩相同时，数学成绩高的优先录取，在总成绩和数学成绩都相同时，按照英语成绩录取…… 这里，总成绩排在电子表格的最后一列，数学成绩在倒数第二列，英语成绩在倒数第三列。

arr1=np.array([‘E’,‘B’,‘C’,‘A’,‘D’])

arr2=np.array([‘4’,‘1’,‘3’,‘2’,‘5’])

idx=np.lexsort((arr1,arr2))

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！