NumPy入门教程
第一章 NumPy 介绍
第二章 ndarray的创建及其属性
第三章 ndarray的基本操作
第四章 ndarray的索引、切片和遍历
第五章 ndarray的重塑、组合和拆分
第六章 用于ndarray的文件操作
第七章 ndarray的赋值、视图、拷贝和广播
前言
上一章我们讲述了 ndarray 的索引、切片和遍历。本节课我们来讲述 ndarray 的重塑、组合和拆分。
一、重塑
使用 numpy 提供的方法，我们可以改变 ndarray 的维度数，比如将一维的数组重塑成二维的数组，例如：
>>> import numpy as np
>>>
>>> my_arr1 = np.random.random(12)
>>>
>>> import numpy as np
>>>
>>> my_arr1 = np.random.random(12)
>>> my_arr1
array([0.42727055, 0.01135352, 0.95942564, 0.82604535, 0.74990442,
0.73309327, 0.1192291 , 0.00639152, 0.7966674 , 0.42804322,
0.64409396, 0.22151803])
>>>
>>> my_arr2 = my_arr1.reshape(3,4)
>>> my_arr2
array([[0.42727055, 0.01135352, 0.95942564, 0.82604535],
[0.74990442, 0.73309327, 0.1192291 , 0.00639152],
[0.7966674 , 0.42804322, 0.64409396, 0.22151803]])
>>> my_arr1
array([0.42727055, 0.01135352, 0.95942564, 0.82604535, 0.74990442,
0.73309327, 0.1192291 , 0.00639152, 0.7966674 , 0.42804322,
0.64409396, 0.22151803])
在上面的代码中，my_arr1 是一个含有 12 个元素的一维数组，我们使用 reshape() 函数将 my_arr1 重塑成一个 3 行 4 列的二维数组。这里有一点要注意的是，虽然我们对 my_arr1 调用了 reshape() 函数，但是 my_arr1 本身并没有发生改变，要想改变 my_arr1，我们可以这样做：
>>> import numpy as np
>>>
>>> my_arr1 = np.random.random(12)
>>> my_arr1
array([0.25357736, 0.81421707, 0.655927 , 0.79209248, 0.46244593,
0.74311712, 0.11939986, 0.28750708, 0.80994986, 0.8389259 ,
0.6753612 , 0.02988502])
>>>
>>> my_arr1.shape = (3, 4)
>>> my_arr1
array([[0.25357736, 0.81421707, 0.655927 , 0.79209248],
[0.46244593, 0.74311712, 0.11939986, 0.28750708],
[0.80994986, 0.8389259 , 0.6753612 , 0.02988502]])
在上面的代码中，我们直接将 my_arr1 的 shape 属性修改为 (3, 4)，这样的话，my_arr1 的形状就发生了改变。如果想把发生形状改变后的 my_arr1 重新改成一维数组，我们可以使用 ravel() 函数。
>>> import numpy as np
>>>
>>> my_arr1 = np.random.random(12)
>>> my_arr1
array([0.86724697, 0.82570398, 0.84643175, 0.7967823 , 0.65365503,
0.18411067, 0.40510171, 0.57981427, 0.61893108, 0.78610127,
0.0212892 , 0.9064715 ])
>>>
>>> my_arr1.shape = (3, 4)
>>> my_arr1
array([[0.86724697, 0.82570398, 0.84643175, 0.7967823 ],
[0.65365503, 0.18411067, 0.40510171, 0.57981427],
[0.61893108, 0.78610127, 0.0212892 , 0.9064715 ]])
>>>
>>> my_arr1 = my_arr1.ravel()
>>> my_arr1
array([0.86724697, 0.82570398, 0.84643175, 0.7967823 , 0.65365503,
0.18411067, 0.40510171, 0.57981427, 0.61893108, 0.78610127,
0.0212892 , 0.9064715 ])
二、组合
上面讲述了 ndarray 的重塑，下面来讲下多个 ndarray 的组合。例如：
>>> import numpy as np
>>>
>>> my_arr1 = np.ones((3,3))
>>> my_arr2 = np.zeros((4,3))
>>>
>>> np.vstack((my_arr1, my_arr2))
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
上面的代码将 my_arr1 和 my_arr2 按照垂直方向进行组合，在组合时需要注意的是，当我们按垂直方向组合两个 ndarray 时，两个 ndarray 的列数需要相等，否则会报错。既然可以按照垂直方向进行组合，相应地，我们也可以按照水平方向进行组合。例如：
>>> import numpy as np
>>>
>>> my_arr1 = np.ones((3,3))
>>> my_arr2 = np.zeros((3,4))
>>>
>>> np.hstack((my_arr1, my_arr2))
array([[1., 1., 1., 0., 0., 0., 0.],
[1., 1., 1., 0., 0., 0., 0.],
[1., 1., 1., 0., 0., 0., 0.]])
上面的代码将 my_arr1 和 my_arr2 按照水平方向进行组合，在组合时需要注意的是，当我们按水平方向组合两个 ndarray 时，两个 ndarray 的行数需要相等，否则会报错。
上面按垂直方向组合两个 ndarray 时，我们还有另外一种实现方法，例如：
>>> import numpy as np
>>>
>>> my_arr1 = np.ones((3,3))
>>> my_arr2 = np.zeros((4,3))
>>>
>>> np.row_stack((my_arr1, my_arr2))
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
上面代码中的 row_stack() 函数的效果和 vstack() 函数的效果是一样的，在进行组合时，同样要注意两个 ndarray 的列数需要相等，否则会报错。同样的，上面按水平方向组合两个 ndarray 时，我们同样有另外一种实现方法，例如：
>>> import numpy as np
>>>
>>> my_arr1 = np.ones((3,3))
>>> my_arr2 = np.zeros((3,4))
>>>
>>> np.column_stack((my_arr1, my_arr2))
array([[1., 1., 1., 0., 0., 0., 0.],
[1., 1., 1., 0., 0., 0., 0.],
[1., 1., 1., 0., 0., 0., 0.]])
上面代码中的 column_stack() 函数的效果和 hstack() 函数的效果是一样的，在进行组合时，同样要注意两个 ndarray 的行数需要相等，否则会报错。上面讲的都是二维数组的组合，一维数组的组合是类似的，我们来举两个例子：
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(0, 3)
>>> my_arr2 = np.arange(3, 6)
>>> my_arr3 = np.arange(6, 9)
>>>
>>> np.row_stack((my_arr1, my_arr2, my_arr3))
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(0, 3)
>>> my_arr2 = np.arange(3, 6)
>>> my_arr3 = np.arange(6, 9)
>>>
>>> np.column_stack((my_arr1, my_arr2, my_arr3))
array([[0, 3, 6],
[1, 4, 7],
[2, 5, 8]])
三、拆分
既然可以对 ndarray 进行组合，我们就可以对 ndarray 进行拆分。例如：
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(0, 16).reshape((4, 4))
>>> [my_arr2, my_arr3] = np.hsplit(my_arr1, 2)
>>>
>>> my_arr2
array([[ 0, 1],
[ 4, 5],
[ 8, 9],
[12, 13]])
>>> my_arr3
array([[ 2, 3],
[ 6, 7],
[10, 11],
[14, 15]])
上面的代码对 my_arr1 进行拆分，拆分成 2 个 ndarray，my_arr1 是一个 4 行 4 列的二维数组，拆分成了 2 个 4 行 2 列 的二维数组。hsplit() 函数进行的是水平方向的拆分，同样的，我们可以进行垂直方向的拆分，例如：
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(0, 16).reshape((4, 4))
>>> [my_arr2, my_arr3] = np.vsplit(my_arr1, 2)
>>>
>>> my_arr2
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
>>> my_arr3
array([[ 8, 9, 10, 11],
[12, 13, 14, 15]])
上面的代码进行了水平方向的拆分，将 4 行 4 列的二维数组 my_arr1 拆分成 2 个 2 行 4 列的二维数组。上面进行的拆分是平分，更进一步我们可以指定拆分的位置。例如：
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(0, 16).reshape((4, 4))
>>> [my_arr2, my_arr3, my_arr4] = np.split(my_arr1, [1, 3], axis=1)
>>>
>>> my_arr2
array([[ 0],
[ 4],
[ 8],
[12]])
>>> my_arr3
array([[ 1, 2],
[ 5, 6],
[ 9, 10],
[13, 14]])
>>> my_arr4
array([[ 3],
[ 7],
[11],
[15]])
上面代码指定的拆分位置为第 1 列和第 3 列，于是将一个 4 行 4 列的二维数组拆分成 3 个数组，分别是 4 行 1 列、4 行 2 列、4 行 1列。上面指定的是列的拆分位置，同样的，我们可以指定行的拆分位置，例如：
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(0, 16).reshape((4, 4))
>>> [my_arr2, my_arr3, my_arr4] = np.split(my_arr1, [1, 3], axis=0)
>>>
>>> my_arr2
array([[0, 1, 2, 3]])
>>> my_arr3
array([[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> my_arr4
array([[12, 13, 14, 15]])
上面代码指定的拆分位置为第 1 行和第 3 行，于是将一个 4 行 4 列的二维数组拆分成 3 个数组，分别是 1 行 4 列、2 行 4 列、1 行 4 列。
总结
本章介绍了ndarray的重塑、组合和拆分。
上一章 ndarray的索引、切片和遍历
下一章 用于 ndarray 的文件操作
161
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
