numpy中几种增减数据的操作
//设置数据
import numpy as np
a = [[0, 1, 2], [1, 2, 3], [2, 3, 4]]
b = [[3, 4, 5], [4, 5, 6], [7, 8, 9]]
//可以通过数据起始处的方括号数量来判断数据的维度,如a的起始处有两个方括号,则a为2维数据。
增加
1.numpy.insert(arr, obj, values, axis=None)
该函数为插入函数,示例如下:
c = np.insert(a, 1, b[1], axis=0)
print(c)
输出为:
[[0 1 2]
[4 5 6]
[1 2 3]
[2 3 4]]
c = np.insert(a, 1, b[1], axis=1)
print(c)
输出为:
[[0 4 1 2]
[1 5 2 3]
[2 6 3 4]]
c = np.insert(a, 1, b[1], axis=None)
print(c)
输出为:
[0 4 5 6 1 2 1 2 3 2 3 4]
从上面可以看出,arr为被插入的数据,obj为插入位置,values为插入的数据,axis为插入的方式,当axis=None时,会先将arr展平,再插入,并且axis的取值范围与数据的维度有关,当数据为二维时,axis最大值为1,数据为三维时,axis最大值为2。
2.numpy.append(arr, values, axis=None)
该函数为扩展函数,即在arr的后面添加values,示例如下:
c = np.append(a, b, axis=0)
print(c)
输出为:
[[0 1 2]
[1 2 3]
[2 3 4]
[3 4 5]
[4 5 6]
[7 8 9]]
c = np.append(a, b, axis=1)
print(c)
输出为:
[[0 1 2 3 4 5]
[1 2 3 4 5 6]
[2 3 4 7 8 9]]
c = np.append(a, b, axis=None)
print(c)
输出为:
[0 1 2 1 2 3 2 3 4 3 4 5 4 5 6 7 8 9]
从上面可以看出,当axis=None时,arr和values都将会被展平,然后进行拼接。当axis被赋值时,arr和values需要有相同的维度,并且axis的取值范围与数据维度有关。
3.numpy.vstack(tup)
该函数可以考虑为堆砌函数,示例如下:
c = np.vstack((a, b))
print(c)
输出为:
[[0 1 2]
[1 2 3]
[2 3 4]
[3 4 5]
[4 5 6]
[7 8 9]]
c = np.vstack((a, b[1], b[0]))
print(c)
输出为:
[[0 1 2]
[1 2 3]
[2 3 4]
[4 5 6]
[3 4 5]]
对于这个函数,需要注意的是对于tup中的各个元素,需要有相同的维度。
4.numpy.concatenate(arrays, axis=None, out=None)
示例如下:
c = np.concatenate((a, b), axis=0)
print(c)
输出为:
[[0 1 2]
[1 2 3]
[2 3 4]
[3 4 5]
[4 5 6]
[7 8 9]]
c = np.concatenate((a, b), axis=1)
print(c)
输出为:
[[0 1 2 3 4 5]
[1 2 3 4 5 6]
[2 3 4 7 8 9]]
c = np.concatenate((a, b), axis=None)
print(c)
输出为:
[0 1 2 1 2 3 2 3 4 3 4 5 4 5 6 7 8 9]
c = np.concatenate((a, [b[0]]), axis=0)
print(c)
输出为:
[[0 1 2]
[1 2 3]
[2 3 4]
[3 4 5]]
需要注意的是,当axis=0时,相结合的数据需要有相同的维度。当axis=None时,会先将数据展平,然后结合,这个时候就不用考虑数据维度的影响。
5.numpy.stack(arrays, axis=0, out=None)
该函数也可以理解为堆砌函数,并且是可以控制堆砌方式的。示例如下:
c = np.stack((a, b), axis=0)
print(c)
输出为:
[[[0 1 2]
[1 2 3]
[2 3 4]]
[[3 4 5]
[4 5 6]
[7 8 9]]]
c = np.stack((a, b), axis=1)
print(c)
输出为:
[[[0 1 2]
[3 4 5]]
[[1 2 3]
[4 5 6]]
[[2 3 4]
[7 8 9]]]
c = np.stack((a, b), axis=-1)
print(c)
输出为:
[[[0 3]
[1 4]
[2 5]]
[[1 4]
[2 5]
[3 6]]
[[2 7]
[3 8]
[4 9]]]
需要注意的是,这个函数会提高数据的维度,并且不支持axis=None这样的操作,同时axis的取值与数据的维度有关,但是与前面几种函数取值范围不同。
减少
6.numpy.delete(arr, obj, axis=None)
使用delete函数可以直接删除arr对应位置(obj)的数据,示例如下:
c = np.delete(a, 0, axis=0)
print(c)
输出为:
[[1 2 3]
[2 3 4]]
c = np.delete(a, [0, 1], axis=0)
print(c)
输出为:
[[2 3 4]]
c = np.delete(a, 0, axis=1)
print(c)
输出为:
[[1 2]
[2 3]
[3 4]]
c = np.delete(a, 0, axis=None)
print(c)
输出为:
[1 2 1 2 3 2 3 4]
c = np.delete(a, [0, 1], axis=None)
print(c)
输出为:
[2 1 2 3 2 3 4]
需要注意的是,可以同时删除多个数据。当axis=None时,现将数据展开,然后进行删除操作,并且只删除展开后数据的对应位。