NumPy总结（二）：基本的NumPy数组操作

NumPy总结（二）：基本的NumPy数组操作

注：转载请注明出处

---

1 NumPy数组的属性

（1）随机种子值: np.random.seed( )：使用NumPy的随机数生成器时进行设置，以确保每次都可以生成同样的随机数组。

np.random.seed(0) #设置随机数种子
x1 = np.random.randint(10, size = 6) #一维数组
x2 = np.random.randint(10, size = (3, 4)) #二维数组
x3 = np.random.randint(10, size = (3, 4, 5)) #二维数组

（2）数组的维度：.ndim；每个维度的大小：.shape；数组的总大小：.size。

print('x3 ndim: ', x3.ndim)
print('x3 shape: ', x3.shape)
print('x3 size: ', x3.size)

x3 ndim:  3
x3 shape:  (3, 4, 5)
x3 size:  60

（3）数组的数据类型: .dtype。

print('x3 type: ', x3.dtype)

x3 type:  int32

（4）每个元素字节大小： .itemsize；总字节大小： .nbytes

print('x3 itemsize: ', x3.itemsize)
print('x3 nbytes: ', x3.nbytes)

x3 itemsize:  4
x3 nbytes:  240

---

2 数组索引：获取单个元素

（1）正向索引单个元素。

print(x1[0])

5

（2）从末尾索引单个元素。

print(x1[-1])

9

（3）多维数组索引用逗号隔开。

print(x2[1, 0])
print(x3[2, 1, 0])

7
7

也可直接修改元素的值

x2[1, 0] = 1
print(x2)

[[3 5 2 4]
 [1 6 8 8]
 [1 6 7 7]]

注意
NumPy数组是固定类型的，所以将一个浮点值插入一个整型数组时，浮点值会被截短成整型，如：

x2[1, 0] = 3.14
print(x2)

[[3 5 2 4]
 [3 6 8 8]
 [1 6 7 7]]

---

3 数组切片(slice)：获取子数组

切片符号通常用冒号（:）表示。NumPy切片语法和Python列表切片的语法相同。标准形式为：
      x[start:stop:stop]
如果以上3个参数都未指定，那么它们会被设置为默认值：

• start = 0
• stop = 维度的大小（size of dimension）
• step = 1

（1）对于一维子数组。

x = np.arange(10)
x[:5] #前五个元素

array([0, 1, 2, 3, 4])

x[5:] #5之后的元素

array([5, 6, 7, 8, 9])

x[::2] #每隔一个元素

array([0, 2, 4, 6, 8])

x[::-1] #逆序

array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])

x[5::-2] #从索引5开始每隔一个元素逆序

array([5, 3, 1])

（2）对于多维子数组。

多维情况下每一维与一维相同，不同维之间用逗号分隔。

x2[:2, :3] #前两行，前三列

array([[3, 5, 2],
       [3, 6, 8]])

x2[:, ::2] #所有行，每隔一列

array([[3, 2],
       [3, 8],
       [1, 7]])

x2[::-1, ::-1] #逆序

array([[7, 7, 6, 1],
       [8, 8, 6, 3],
       [4, 2, 5, 3]])

（3）获取数组的行和列。

常见的需求是获取数组的单行和单列，可以通过将索引和切片组合来实现此功能,用一个冒号（:）来表示空切片。

print(x2[:, 0]) #第一列
print(x2[0, :]) #第一行

[3 3 1]
[3 5 2 4]

在获取行时，处于简洁性考虑，可以省略空的切片。如：

print(x2[0]) #等价于x2[0, :]

[3 5 2 4]

注意
1.对于切片而言，NumPy数组切片返回的是数组数据的视图，改变切片的值，则原数组的值也会相应改变，而Python列表返回的是副本，区别如：

list1 = [1, 2, 3, 4, 5]
array1 = np.array(list1)
sub_list = list1[1:4]
sub_array = array1[1:4]
sub_list[0] = 99
sub_array[0] = 99
print('Python列表改变后:', list1)
print('NumPy数组改变后:', array1)

Python列表改变后: [1, 2, 3, 4, 5]
NumPy数组改变后: [ 1 99  3  4  5]

有时不希望如此，则可使用.copy()方法进行复制，如：

list1 = [1, 2, 3, 4, 5]
array1 = np.array(list1)
sub_array = array1[1:4].copy()
sub_array[0] = 99
print('NumPy数组改变后:', array1)

NumPy数组改变后: [1 2 3 4 5]

---

4 数组的变形

数组的变形通过reshape()函数来实现。
如将数字1~9放入3×3的矩阵中，可采用如下方法：

grid = np.arange(1, 10).reshape((3, 3))
print(grid)

[[1 2 3]
 [4 5 6]
 [7 8 9]]

注意
1.对于reshape()函数，原始数组的大小必须和**变形后的数组大小（即size）**一致。

另外，还有常见的用法，将一维数组变为二维的行或列。这可以通过reshape()函数来实现，也可通过newaxis关键字来实现。

x = np.array([1, 2, 3])
print(x.reshape((1,3))) #通过变形变为行向量
print(x[np.newaxis,:])  #通过newaxis变为行向量
print(x[:, np.newaxis]) #通过newaxis变为列向量

[[1 2 3]]
[[1 2 3]]
[[1]
 [2]
 [3]]

---

5 数组的拼接和分裂

5.1 数组的拼接

（1）np.concatenate

拼接两个数组为一个：

x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
x_y = np.concatenate([x, y])
print(x_y)

[1 2 3 4 5 6]

拼接多个数组为一个：

x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
z = np.array([7, 8, 9])
x_y_z = np.concatenate([x, y, z])
print(x_y_z)

[1 2 3 4 5 6 7 8 9]

对于二维数组进行拼接：

x = np.array([[1, 2, 3], [1, 2, 3]])
y = np.array([[4, 5, 6], [4, 5, 6]])
x_y = np.concatenate([x, y])
print(x_y)

[[1 2 3]
 [1 2 3]
 [4 5 6]
 [4 5 6]]

对于二维数组沿特定轴进行拼接：

x = np.array([[1, 2, 3], [1, 2, 3]])
y = np.array([[4, 5, 6], [4, 5, 6]])
x_y = np.concatenate([x, y], axis = 1) #axis从0开始索引
print(x_y)

[[1 2 3 4 5 6]
 [1 2 3 4 5 6]]

（2）np.vstack（垂直栈）和np.hstack（水平栈）

当沿着固定维度处理数据时，使用np.vstack(垂直栈)和np.hstack水平栈会更简洁。

#vstack
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
print(np.vstack([x, y]))

[[1 2 3]
 [4 5 6]]

#hstack
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
print(np.hstack([x, y]))

[1 2 3 4 5 6]

此外，还有np.dstack沿着第三个维度拼接数组：

#dstack
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
print(np.dstack([x, y]))

[[[1 4]
  [2 5]
  [3 6]]]

5.2 数组的分裂

具体思想为设置一个索引列表作为参数，记录分裂点的位置：

（1）np.split

x = np.arange(1, 10)
x1, x2, x3 = np.split(x, [3, 5]) #此时3，5即为分裂点的位置
print(x1, x2, x3)

[1 2 3] [4 5] [6 7 8 9]

（2）np.hsplit

x = np.arange(16).reshape((4, 4))
upper, lower = np.hsplit(x, [2])
print('up:',upper, '\n','low:',lower)

up: [[ 0  1]
 [ 4  5]
 [ 8  9]
 [12 13]] 
 low: [[ 2  3]
 [ 6  7]
 [10 11]
 [14 15]]

（3）np.vsplit

x = np.arange(16).reshape((4, 4))
left, right = np.vsplit(x, [2])
print('left:',left, '\n','right:',right)

left: [[0 1 2 3]
 [4 5 6 7]] 
 right: [[ 8  9 10 11]
 [12 13 14 15]]

同样，np.dsplit会将数组沿着第三个维度分裂（这在三维数组中会用到，低维数组中不会用到）

---

以上便是NumPy最基础的概述以及其创建方法，本节的Jupyter notebook代码与readme文件已上传至GitHub，此外，还有英文版的《PythonDataScienceHandbook》的Jupyter notebook文件也已经开源，Github代码点击则可查阅。

---

相关参考资料

• bilibili视频可参考：
  数据分析——numpy、pandas、matplotlib
  莫烦 Python 数据处理教程
• 相关书籍可参考:
  《Python数据科学手册》