numpy中几种增减数据的操作

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。

7.切片