numpy基础——ndarray对象方法

上一篇主要介绍了ndarray对象的一些基本属性以及创建ndarray对象的一些非常常用的方法。接下来主要介绍ndarray对象比较常用的对象方法。需要注意的是，以下ndarray对象方法也是numpy中的函数：all, any, argmax, argmin, argpartition, argsort, choose, clip, compress, copy, cumprod, cumsum, diagonal, imag, max, mean, min, nonzero, partition, prod, ptp, put, ravel, real, repeat, reshape, round, searchsorted, sort, squeeze, std, sum, swapaxes, take, trace, transpose, var。

1 数组转换方法

常用方法	功能
ndarray.item(*args)	复制数组中的一个元素，并返回
ndarray.tolist()	将数组转换成python标准list
ndarray.itemset(*args)	修改数组中某个元素的值
ndarray.tostring([order])	构建一个包含ndarray的原始字节数据的字节字符串
ndarray.tobytes([order])	功能同tostring
ndarray.byteswap(inplace)	将ndarray中每个元素中的字节进行大小端转换
ndarray.copy([order])	复制数组并返回（深拷贝）
ndarray.fill(value)	使用值value填充数组

示例：

>>> a = np.random.randint(12, size=(3,4))
>>> a
array([[11,  1,  0, 11],
       [11,  0,  4,  6],
       [ 0,  1,  6,  7]])
>>> a.item(7)      #获取第7个元素
6
>>> a.item((1, 2))    #获取元组对应的元素
4
>>> a.itemset(7, 111)    #设置元素
>>> a
array([[ 11,   1,   0,  11],
       [ 11,   0,   4, 111],
       [  0,   1,   6,   7]])
>>> a.itemset((1, 2), 12)
>>> a
array([[ 11,   1,   0,  11],
       [ 11,   0,  12, 111],
       [  0,   1,   6,   7]])
>>> a.tolist()      #返回python标准列表，
[[11, 1, 0, 11], [11, 0, 4, 6], [0, 1, 6, 7]]
>>> a.tostring()
'\x0b\x00\x00\x00\x00\x00\x00\x00\x01\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x0b\x00\x00\x00\x00\x00\x00\x00\x0b\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x04\x00\x00\x00\x00\x00\x00\x00\x06\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x01\x00\x00\x00\x00\x00\x00\x00\x06\x00\x00\x00\x00\x00\x00\x00\x07\x00\x00\x00\x00\x00\x00\x00'
>>> b = a.copy()      #深拷贝，b与a是两个无关的数组
>>> b[0,0] = 10
>>> b
array([[10,  1,  0, 11],
       [11,  0,  4,  6],
       [ 0,  1,  6,  7]])
>>> a
array([[11,  1,  0, 11],
       [11,  0,  4,  6],
       [ 0,  1,  6,  7]])
>>> b.fill(9)
>>> b
array([[9, 9, 9, 9],
       [9, 9, 9, 9],
       [9, 9, 9, 9]])
>>> a.byteswap()      #元素大小端转换，a不变
array([[ 792633534417207296,   72057594037927936,                   0,
         792633534417207296],
       [ 792633534417207296,                   0,  864691128455135232,
        7998392938210000896],
       [                  0,   72057594037927936,  432345564227567616,
         504403158265495552]])
>>> a
array([[ 11,   1,   0,  11],
       [ 11,   0,  12, 111],
       [  0,   1,   6,   7]])
>>> a.byteswap(True)    #原地转换，a被修改
array([[ 792633534417207296,   72057594037927936,                   0,
         792633534417207296],
       [ 792633534417207296,                   0,  864691128455135232,
        7998392938210000896],
       [                  0,   72057594037927936,  432345564227567616,
         504403158265495552]])
>>> a
array([[ 792633534417207296,   72057594037927936,                   0,
         792633534417207296],
       [ 792633534417207296,                   0,  864691128455135232,
        7998392938210000896],
       [                  0,   72057594037927936,  432345564227567616,
         504403158265495552]])

如下几个方法：ndarray.tofile, ndarray.dump, ndarray.dumps, ndarray.astype, ndarray.view, ndarray.getfield, ndarray.setflags,还没有用过，暂时不对其进行详细介绍，等用到了在补充。关于这些方法的详细介绍可以查阅numpy的官方文档。

2 形状操作

常用方法	功能
ndarray.reshape(shape[,order])	返回一个具有相同数据域，但shape不一样的视图
ndarray.resize(new_shape[,orefcheck])	原地修改数组的形状（需要保持元素个数前后相同）
ndarray.transpose(*axes)	返回数组针对某一轴进行转置的视图
ndarray.swapaxes(axis1, asix2)	返回数组axis1轴与axis2轴互换的视图
ndarray.flatten([order])	返回将原数组压缩成一维数组的拷贝（全新的数组）
ndarray.ravel([order])	返回将原数组压缩成一维数组的视图
ndarray.squeeze([axis])	返回将原数组中的shape中axis==1的轴移除之后的视图

注意事项！！！
上述方法中，除resize、flatten外其他的方法返回的都是原数组修改shape或者axes之后的视图，也就是说，对返回数组中的元素进行修改，原数组中对应的元素也会被修改（因为它们是公用同一个数据域的）。同时，resize方法会修改原数组的shape属性，其他方法不会修改原数组任何内部数据。
示例：

>>> x = np.arange(0,12)
>>> x
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
>>> x_reshape = x.reshape((3,4))
>>> x_reshape
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],