Numpy 学习指南 学习笔记（一）

1. 数值的组合

Numpy 数组有水平组合、垂直组合和深度组合等多种组合方式，我们将使用vstack、dstack、hstack、column_stack、row_stack以及concatenate函数来完成数组的组合。

实践如下：

   （1） 水平组合  将ndarray对象构成的元组作为参数，传给hstack函数。如下所示：

 

a = np.arange(9).reshape(3, 3)

a
Out[65]: 
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
b =  2 * a

b
Out[67]: 
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])
np.hstack((a, b))
Out[68]: 
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])

使用concatenate 函数可以实现同样的效果，原理如图：

np.concatenate((a, b), axis = 1)
Out[69]: 
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])

 （2） 垂直组合  垂直组合同样需要构造一个元组作为参数，需要用到vstack。

np.vstack((a, b))
Out[70]: 
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

np.concatenate((a, b), axis = 0)
Out[71]: 
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

同样将concatenate函数的axis参数设置为0即可实现同样的效果。（axis参数默认值为0）

  （3） 深度组合 将相同元组作为参数传给 dstack函数，即可完成数组的深度组合。所谓深度组合，就是将一系列数组沿着纵轴（深度）方向进行层叠组合。

举个例子，有若干张二维平面内的图像点阵数据，我们可以将这些图像数据沿纵轴方向层叠在一起，这就形象地解释了什么是深度组合。

np.dstack((a, b))
Out[72]: 
array([[[ 0,  0],
        [ 1,  2],
        [ 2,  4]],

       [[ 3,  6],
        [ 4,  8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16]]])

  （4） 列组合 column_stack 函数对于一维数组将按列方向进行组合，如下所示：

oned = np.arange(2)

oned 
Out[74]: array([0, 1])

twice_oned = 2 * oned

twice_oned
Out[76]: array([0, 2])

np.column_stack((oned, twice_oned))
Out[77]: 
array([[0, 0],
       [1, 2]])

而对于二维数组，column_stack 与 hstack 效果是相同的：

np.column_stack((a, b)) 
Out[78]: 
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])

np.column_stack((a, b)) == np.hstack((a, b))
Out[79]: 
array([[ True,  True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True,  True]], dtype=bool)

可以用 == 运算符来比较两个NumPy 数组。

   （5） 行组合  Numpy 中有按行方向进行组合的函数，即 row_stack。对于两个以为数组，将直接层叠起来组合成一个二维数组。

np.row_stack((oned, twice_oned))
Out[80]: 
array([[0, 1],
       [0, 2]])

对于二维数组，row_stack 与vstack 的效果是相同的：

np.row_stack((a, b)) 
Out[81]: 
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

np.row_stack((a, b)) == np.vstack((a, b))
Out[82]: 
array([[ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True]], dtype=bool)

2 数组的维数切换

import numpy as np

b = np.arange(24).reshape(2,3,4)

b
Out[12]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

(1) ravel  可以使用ravel 函数完成 展平的操作：

c = b.ravel()

c
Out[15]: 
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])

（2） flatten 这个函数恰如其名，flatten就是展平的意思，与ravel函数的功能相同。

不过，flatten函数会请求分配内存来保存结果，而ravel函数只是返回数组的一个视图（view):

import numpy as np

b = np.arange(24).reshape(2,3,4)

b
Out[5]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

b.flatten()
Out[6]: 
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])

3.  数组的分割

   （1） 水平分割  函数 hsplit，或使用split函数指定 参数 axis = 1, 操作如下：

a = np.arange(9).reshape(3, 3)

a
Out[8]: 
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
np.hsplit(a, 3)
Out[9]: 
[array([[0],
        [3],
        [6]]), 

 array([[1],
        [4],
        [7]]), 

 array([[2],
        [5],
        [8]])]

np.split(a, 3, axis = 1)
Out[10]: 
[array([[0],
        [3],
        [6]]), array([[1],
        [4],
        [7]]), array([[2],
        [5],
        [8]])]

（2） 垂直分割 vsplit 函数将把数组沿着垂直方向分割：

np.vsplit(a, 3)
Out[11]: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

np.split(a, 3, axis = 0)
Out[12]: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

   （3） 深度分割  dsplit 函数将按深度方向分割数组。实例如下:

c = np.arange(27).reshape(3,3,3)

c
Out[17]: 
array([[[ 0,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8]],

       [[ 9, 10, 11],
        [12, 13, 14],
        [15, 16, 17]],

       [[18, 19, 20],
        [21, 22, 23],
        [24, 25, 26]]])

np.dsplit(c, 3)
Out[18]: 
[array([[[ 0],
         [ 3],
         [ 6]],
 
        [[ 9],
         [12],
         [15]],
 
        [[18],
         [21],
         [24]]]), array([[[ 1],
         [ 4],
         [ 7]],
 
        [[10],
         [13],
         [16]],
 
        [[19],
         [22],
         [25]]]), array([[[ 2],
         [ 5],
         [ 8]],
 
        [[11],
         [14],
         [17]],
 
        [[20],
         [23],
         [26]]])]

4.  数组的属性

除了 shape 和dtype 属性以外，ndarray 还有很多其他的属性：

   4.1 ndim 属性， 给出数组的维数，或数组轴的个数：

b = np.arange(24).reshape(2,3,4)

b
Out[25]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

b.ndim
Out[26]: 3
b.reshape(2,12).ndim
Out[27]: 2
b.reshape(4,6).ndim
Out[28]: 2

b.flatten().ndim
Out[29]: 1

   4.2 size 属性，给出数组元素的总个数，如下所示：

b.size
Out[30]: 24

   4.3 itemsize属性，给出数组中的元素在内存中所占的字节数：

b.itemsize
Out[31]: 4

 

   4.4   nbytes 属性查看整个数组所占的存储空间，这个属性值其实就是itemsize 和size 属性值的乘积：

b.nbytes
Out[32]: 96

   4.5  T属性的效果和transpose函数一样，如下所示：

b.resize(6,4)

b
Out[34]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23]])
b.T
Out[35]: 
array([[ 0,  4,  8, 12, 16, 20],
       [ 1,  5,  9, 13, 17, 21],
       [ 2,  6, 10, 14, 18, 22],
       [ 3,  7, 11, 15, 19, 23]])

b.transpose()
Out[36]: 
array([[ 0,  4,  8, 12, 16, 20],
       [ 1,  5,  9, 13, 17, 21],
       [ 2,  6, 10, 14, 18, 22],
       [ 3,  7, 11, 15, 19, 23]])

   4.6  Numpy 中，复数的虚部用j 表示 ：

b = np.array([1.j + 1, 2.j + 3])

b
Out[46]: array([ 1.+1.j,  3.+2.j])

b.real
Out[47]: array([ 1.,  3.])

b.imag
Out[48]: array([ 1.,  2.])
b.dtype
Out[49]: dtype('complex128')

   4.7 flat属性返回一个numpy.flatiter对象，这是获得flatiter对象的唯一方式 -- ---我们无法访问flatiter的构造函数。这个所谓的“扁平迭代器”可让我们像遍历一维数组一样去遍历任意多维数组，如下所示：

b = np.arange(4).reshape(2, 2)

b
Out[52]: 
array([[0, 1],
       [2, 3]])

f = b.flat

f
Out[54]: <numpy.flatiter at 0x46901b0>

for item in f: print item
0
1
2
3

b.flat[2]
Out[56]: 2

b.flat[[1, 3]]
Out[57]: array([1, 3])

b.flat = 7

b
Out[59]: 
array([[7, 7],
       [7, 7]])

flat属性是一个可赋值的属性。对flat属性赋值将导致整个数组元素都被覆盖。

5. 数组的转换

    可以使用tolist 函数将NumPy数组转换成Python列表。

    5.1 转换成列表：

b = np.array([1.j + 1, 2.j + 3])

b
Out[61]: array([ 1.+1.j,  3.+2.j])

b.tolist()
Out[62]: [(1+1j), (3+2j)]

  

   5.2 astype函数可以在转换数组时指定数据类型：

b.astype(int)
C:\Anaconda2\lib\site-packages\spyderlib\widgets\externalshell\start_ipython_kernel.py:1: ComplexWarning: Casting complex values to real discards the imaginary part
  # -*- coding: utf-8 -*-
Out[63]: array([1, 3])