Numpy数组的创建、变形、拼接及拆分

最新推荐文章于 2022-08-11 18:57:18 发布
最新推荐文章于 2022-08-11 18:57:18 发布
阅读量1.5k 收藏 5
点赞数
分类专栏： python 文章标签： python numpy 数组创建 数组变形 数组拼接
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_34072381/article/details/84476523
版权

数组创建

数组创建有多种方法，如

  • 使用array函数从常规的python列表或元组中创建数组，其数据类型从python列表中的元素的类型推导生成；
  • 使用arange, linespace等函数创建数字序列；
  • 使用zeros, ones,empty等函数创建多维数组，数据类型默认为float64；
  • 通过使用字符串或缓冲区从原始字节创建数组；

基本创建函数

属性功能
numpy.array(object, dtype=None, copy=True, order=‘K’, subok=False, ndmin=0)从实现__array__接口的对象或者序列创建一个数组对象
numpy.asarray(a, dtype=None, order=None)等价于array(a,copy=False)，即当输入是数组对象，返回输入数组的引用
numpy.arange([start, ]stop, [step, ]dtype=None)返回一个值等间隔的序列，由于浮点数精度限制，不保证序列长度
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)返回指定间隔内长度固定且间隔均匀的数字序列
numpy.ones(shape, dtype=None, order=‘C’)返回一个给定形状和类型的新数组，用1填充
numpy.zeros(shape, dtype=float, order=‘C’)返回一个给定形状和类型的新数组，用0填充
numpy.empty(shape, dtype=float, order=‘C’)返回一个给定形状和类型的新数组，不初始化值
numpy.ones_like(a, dtype=None, order=‘K’, subok=True)返回一个与给定数组具有相同形状和类型的数组，用1填充
numpy.full_like(a, fill_value, dtype=None, order=‘K’, subok=True)返回与给定数组具有相同形状和类型的完整数组，用给定值填充
""""从python内置数据类型创建array"""
>>> a = np.array([2,3,4])
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int64')
>>> b = np.array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64')
>>> b = np.array([(1.5,2,3), (4,5,6)])
>>> b
array([[ 1.5,  2. ,  3. ],
        [ 4. ,  5. ,  6. ]])

"""创建规则数字序列"""
>>> np.arange( 10, 30, 5 )
array([10, 15, 20, 25])
>>> np.arange( 0, 2, 0.3 )		# it accepts float arguments
array([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])
>>> np.zeros((2,3))
array([[0., 0., 0.],
       [0., 0., 0.]])
>>> np.linspace( 0, 2, 9 )		# 9 numbers from 0 to 2
array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])

"""创建固定大小的填充数组"""
>>> np.ones((2,3), dtype=np.int16)
array([[1, 1, 1],
       [1, 1, 1]], dtype=int16)
>>> np.empty((2,3))				# uninitialized, output may vary
array([[  3.73603959e-262,   6.02658058e-154,   6.55490914e-260],
        [  5.30498948e-313,   3.14673309e-307,   1.00000000e+000]])
>>> a = np.array([[1,2,3], [4,5,6]])
>>> np.zeros_like(a)
array([[0, 0, 0],
       [0, 0, 0]])
>>> np.full_like(a, 1.1)
array([[1, 1, 1],
       [1, 1, 1]])
>>> np.full_like(a, 2)
array([[2, 2, 2],
       [2, 2, 2]])

随机抽样创建函数

函数名功能
numpy.random.rand(d0, d1, …, dn)返回给定形状且数据服从[0,1]均匀分布的随机数组
numpy.random.randn(d0, d1, …, dn)返回给定形状且数据服从标准正太分布的随机数组
numpy.random.randint(low, high=None, size=None, dtype=‘l’)返回给定长度且数据位于[low,high)区间内的随机序列
numpy.random.random/sample/random_sample(size=None)返回给定长度且数据服从[0.0,1.0)连续均匀分布的随机序列
numpy.random.choice(a, size=None, replace=True, p=None)返回给定长度的给定序列的采样序列，各元素可设置采样概率
numpy.random.uniform(low=0.0, high=1.0, size=None)从[low,high)均匀分布中抽取给定长度的序列
numpy.random.shuffle(x)就地打乱数组中第一轴元素的顺序
numpy.random.permutation(x)返回给定范围或原数组第一轴打乱顺序的新数组，不改变原数组
>>> np.random.rand(2,3)
array([[0.16570353, 0.34021874, 0.26847497],
       [0.60324666, 0.11877294, 0.82235747]])
>>> np.random.randn(2,3)
array([[ 0.63707396, -1.12000625,  0.17249129],
       [-1.67536893,  0.90606291, -1.53967973]])
>>> np.random.randint(1,5,10)
array([1, 2, 2, 1, 1, 1, 3, 3, 1, 3])
>>> np.random.random(5)
array([0.10541499, 0.91068358, 0.47769429, 0.15672546, 0.05310068])
>>> np.random.choice(10, 5)
array([6, 1, 8, 1, 5])
>>> np.random.choice([1,3,5], 5)
array([3, 5, 1, 1, 5])
>>> np.random.uniform(0,10,5)
array([8.53790866, 2.26243284, 8.27150196, 6.43238976, 7.82671429])
>>> a = np.arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> np.random.shuffle(a)
>>> a
array([[0, 1, 2],
       [6, 7, 8],
       [3, 4, 5]])
>>> np.random.permutation(a)
array([[3, 4, 5],
       [6, 7, 8],
       [0, 1, 2]])
>>> a
array([[0, 1, 2],
       [6, 7, 8],
       [3, 4, 5]])

数组的变形

一个数组具有由每个轴上的元素数量给出的形状，其可通过各种命令更改，常用的操作函数如下：

函数名(numpy.random)功能
numpy.ravel(a, order=‘C’)返回包含给定数组所有元素的一维数组（一般为视图）
numpy.reshape(a, newshape, order=‘C’)给定数组和形状，返回新数组（视图），元素个数与原数组相等
numpy.transpose(a, axes=None)返回转置后的数组（视图）
numpy.resize(a, new_shape)给定数组和形状，返回新数组（副本），元素个数不必与原数组相等
>>> a = np.arange(6).reshape(2,3)
>>> a
array([[0, 1, 2],
       [3, 4, 5]])
>>> np.ravel(a)
array([0, 1, 2, 3, 4, 5])
>>> np.reshape(a, (3,2))
array([[0, 1],
       [2, 3],
       [4, 5]])
>>> np.transpose(a)
array([[0, 3],
       [1, 4],
       [2, 5]])
>>> np.resize(a, (2,2))
array([[0, 1],
       [2, 3]])
>>> np.resize(a, (3,3))
array([[0, 1, 2],
       [3, 4, 5],
       [0, 1, 2]])

数组拼接

Numpy提供了多种函数将多个数组堆叠或拼接一个新数组，如可按指定轴拼接，常用的操作函数如下：

函数名功能
numpy.vstack(tup)/numpy.concatenate(tup,axis=0)返回给定的多个数组垂直堆叠的新数组，shape[0]增加
numpy.hstack(tup)/numpy.concatenate(tup,axis=1)返回给定的多个数组水平堆叠的新数组，shape[1]增加
numpy.stack(arrays, axis=0, out=None)返回给定的多个同形数组按给定轴堆叠的新数组，维度增1
numpy.column_stack(tup)返回给定的多个数组作为列堆叠的新数组
"""垂直/水平堆叠数组"""
>>> np.vstack(([1,2], [3,4]))					# 形状(,2) + (2,) -> (2,2)
array([[1, 2],
       [3, 4]])
>>> np.vstack(([[1,2], [3,4]], [[3,4]]))			# 形状(2,2) + (1,2) -> 3*2
array([[1, 2],
       [3, 4],
       [3, 4]])
>>> np.hstack(([1,2], [3,4]))					# 形状(2,) + (2,) -> (4,)
array([1, 2, 3, 4])
>>> np.hstack(([[1,2], [3,4]], [[3],[4]]))			# 形状(2,2) + (2,1) -> (2,3)
array([[1, 2, 3],
       [3, 4, 4]])

"""按轴0堆叠数组"""
>>> np.stack(([1,2,3], [4,5,6]), axis=0)			# 形状(3,) + (3,) -> (2,3)
array([[1, 2, 3],
       [4, 5, 6]])   
>>> np.stack(([[1,2,3]], [[4,5,6]]), axis=0)			# 形状(1,3) + (1,3) -> (2,1,3)
array([[[1, 2, 3]],

       [[4, 5, 6]]])
>>> np.stack(([[1,2,3],[4,5,6]], [[7,8,9],[10,11,12]]), axis=0)	# 形状(2,3) + (2,3) -> (2,2,3)
array([[[ 1,  2,  3],
        [ 4,  5,  6]],

       [[ 7,  8,  9],
        [10, 11, 12]]])

"""按轴1堆叠数组"""
>>> np.stack(([1,2,3], [4,5,6]), axis=1)			# 形状(3,) + (3,) -> (3,2)
array([[1, 4],
       [2, 5],
       [3, 6]])  
>>> np.stack(([[1,2,3]], [[4,5,6]]), axis=1)			# 形状(1,3) + (1,3) -> (1,2,3)
array([[[1, 2, 3],
        [4, 5, 6]]])
>>> np.stack(([[1,2,3],[4,5,6]], [[7,8,9],[10,11,12]]), axis=1)	# 形状(2,3) + (2,3) -> (2,2,3)
array([[[ 1,  2,  3],
        [ 7,  8,  9]],

       [[ 4,  5,  6],
        [10, 11, 12]]])

"""按轴2堆叠数组"""
>>> np.stack(([[1,2,3]], [[4,5,6]]), axis=2)			# 形状(1,3) + (1,3) -> (1,3,2)
array([[[1, 4],
        [2, 5],
        [3, 6]]])
>>> np.stack(([[1,2,3],[4,5,6]], [[7,8,9],[10,11,12]]), axis=2)	# 形状(2,3) + (2,3) -> (2,3,2)
array([[[ 1,  7],
        [ 2,  8],
        [ 3,  9]],

       [[ 4, 10],
        [ 5, 11],
        [ 6, 12]]])

"""按列堆叠数组"""
>>> np.column_stack(([1,2],[4,5]))			# np.hstack(([[1],[2]],[[4],[5]]))
array([[1, 4],
       [2, 5]])
>>> np.column_stack(([[1,2],[4,5]], [10,11], [20,21]))	# np.hstack(([[1,2],[4,5]], [[10],[11]], [[20],[21]]))
array([[ 1,  2, 10, 20],
       [ 4,  5, 11, 21]])

数组拆分

Numpy提供了沿指定轴将一个数组拆分成多个子数组的函数，如下：

函数名(numpy.random)功能
numpy.split(ary, indices_or_sections, axis=0)返回给定的数组按给定轴和给定位置拆分成的多个子数组
>>> x = np.arange(9.0)
>>> np.split(x, 3)
[array([ 0.,  1.,  2.]), array([ 3.,  4.,  5.]), array([ 6.,  7.,  8.])]
>>> np.split(x, [3,5])
[array([0., 1., 2.]), array([3., 4.]), array([5., 6., 7., 8.])]
>>> x = np.arange(12).reshape(3,4)
>>> x
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> np.split(x,[1],axis=0)
[array([[0, 1, 2, 3]]), array([[ 4,  5,  6,  7], [ 8,  9, 10, 11]])]
>>> np.split(x,[2],axis=1)
[array([[0, 1], [4, 5], [8, 9]]), array([[ 2,  3], [ 6,  7], [10, 11]])]
十里清风
关注
专栏目录
numpy(3)——numpy数组性质：属性、索引、切片、变形、拼接、分裂
liupc的学习笔记
11-17 506
一、numpy数组的属性 NumPy的数组类称作ndarray，通常称作数组。注意numpy.array和标准Python库类中的array.array并不相同，后者只处理一维数组和提供少量的功能。 ndarray是一个通用的同构数据多维容器。同构的意思就是所有元素是相同类型的。 本文中“数组”、“Numpy数组”、“ndarray”，基本都是指同一个东西，即ndarray对象。 1. 数组的维度 x.ndim ...
Python之数据分析（Numpy的数组切片、数组变维、组合与拆分）
Viewinfinitely的博客
07-06 1657
文章目录一、Numpy的切片二、数组变维三、组合与拆分 一、Numpy的切片 1、格式 数组[起始:终止:步长] 2、缺省值 缺省起始：步长为正，首；步长为负，尾 缺省终止：步长为正，尾后；步长为负，首前 缺省步长：1 3、端部切片 靠近端部的一个或几个连续的维度使用缺省切片，可以用“…”表示 print(a[3:6])： 起始包括终止不包括：有指定起始值，则不包括起始值，即4到6包括6 print(a[-4:-7:-1]) ：步长为-1，起始是倒数第3个即7（不包括），终止是倒数第6个即4（包括） 4
用Numpy中的内置函数实现生成一个随机生成均匀分布（0,1）的10个数据，输出离一个给定值最近的数
05-01
最近学习Numpy，根据作业要求写了个简单的代码，用Numpy内置函数随机生成均匀分布（0,1）的10个数据，并输出离一个给定值最近的数。
numpy基础教程--对数组进行水平拼接和竖直拼接
weixin_30367945的博客
12-15 1729
在处理数组的时候经常要用到拼接，numpy中有两个非常实用的函数，可以快捷对数组进行拼接 1.hstack(tup)函数可以接收维度相同的数组，进行水平拼接。 2.vstack(tup)用来竖直拼接 演示代码如下： # coding = utf-8 import numpy as np import random t1 = np.arange(12).reshape(2, 6...
Numpy入门学习之(一)数组、多维数组、矩阵
海州湾
07-27 675
老师课堂总结，请勿转载 NumPy 提供了两种基本的对象：ndarray（N-dimensional array object）和 ufunc（universal function object）。ndarray(下文统一称之为数组)是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数 import numpy as np 创建数组 首先需要创建数组才能对其进行
【NumPy基础（02） NumPy数组的变形】
孙奶牛也叫孙无敌呀的博客
08-11 725
元素组织方式变化导致的变形以及合并、拆分导致的变形基本方法。 np.transpose()、T操作、np.reshape()、 np.concatenate()、np.stack()、np.split()、np.repeat()
numpy数组的变形
jayloncheng的博客
05-07 2400
numpy数组的变形个人学习笔记！常用的两种变形方法：reshape()函数、newaxis关键字一、reshape()使用条件：原始数组的大小（size）必须和变形后的一致。注意：reshape()方法会用到原始数组的非副本视图>>> grid = np.arange(1,10).reshape((3,3)) >>> grid array([[1, 2, 3]...
Numpy数组操作
12-21
在本文中，我们将深入探讨Numpy数组的操作，包括创建、属性、索引和切片等方面。 首先，Numpy数组的创建可以通过多种方法实现： 1. `numpy.array`：这是最基础的创建数组的方法，可以接受列表、元组或其他序列作为...
Numpy 数据类型及数组基础
weixin_45735361的博客
02-17 978
numpy概述 NumPy是Python中科学计算的基础包。 它是⼀个Python库 提供多维数组对象，各种派⽣对象（如掩码数组和矩阵 提供对数据/数组各种操作 数据类型 numpy的数据类型和c语⾔中的数据类型实现并不⼀样 可以理解对基础数据类型的优化和升级 ⼀切为了快速处理⼤型/⼤量数据为宗旨 基础数据类型 bool_: 布尔值，⽤⼀个字节存储 int_： 默认整型，通常是int64...
Pytorch学习笔记（1）——Numpy基础
智慧的旋风的博客
11-13 838
第一章 numpy基础 1.1 生成numpy数组 import numpy as np 1.1.1 从已有数据中创建numpy数组 lst1 = [[1,2,3], [4,5,6]] nd1 = np.array(lst) print(nd1) print(type(nd1)) [[1 2 3] [4 5 6]] <class 'numpy.ndarray'> 1.1.2 利用random生成数组 nd2 = np.random.randn(3,3) print(nd2
python numpy数组的拼接
weixin_44384867的博客
09-08 967
python下将两个三维数组拼接为一个数组的方式： import numpy as np l1 = np.zeros((7,8,10), np.float32) l2 = np.ones((7,8,10), np.float32) L1 = np.vstack((l1,l2))#纵向拼接（shape[0]方向） L2 = np.hstack((l1,l2))#横向拼接（shape[1]方向） L3 = np.dstack((l1,l2))#深度拼接（shape[2]方向） print('数组l1的尺
numpy.empty用法详解
SaintTsy的博客
01-20 1万+
numpy.empty(shape, dtype=float, order='C', *, like=None)，用来输出一个空数组 like：默认为numpy数组，可以根据你的需要更改数组类型 order：在内存中是按行主（C样式）顺序还是按列主（Fortran样式）顺序存储多维数据。 shape：可以是int或是元组，也可以是列表 如：（3，4）or 3 or [3,4] sample = np.empty([5,4]) 结果：[[6.23042070e-307 7.56587584e-3
numpy.linspace（）使用详解
u014765410的博客
01-13 3778
numpy.linspace（）使用详解
Numpy简易教程4——变换数组的形态
mighty13的专栏
08-11 3万+
变换数组的形态 1. 改变数组的形状 在对数组进行操作时，经常要改变数组的维度。 在NumPy中，常用reshape函数改变数组的“形状”，也就是改变数组的维度。其参数为一个正整数元组，分别指定数组在每个维度上的大小。 reshape函数在改变原始数据的形状的同时不改变原始数据的值。 如果指定的维度和数组的元素数目不吻合，则函数将抛出异常。 案例：改变数组形状 # 创建一维数组 arr = np.arange(12) print('创建的一维数组为：',arr) # 设置数组的形状 print('新的一
numpy中linspace用法
小灰笔记
01-15 17万+
linspace的功能最初是从MATLAB中学来的，用此来创建等差数列。近期用Python的时候发现也有这个功能，提供相应功能的是numpy。关于MATLAB中的功能就不再进行赘述了，接下来把我可能用到的Python用法来简单做一个小节。 编写如下代码：   1 #!/usr/bin/python   2    3 import numpy as np   4   
【NumPy】 快速构建 ndarray 对象（np.empty、np.full、np.titl、np.r_、np.linspace）
tz_zs的博客
02-19 2万+
____tz_zs numpy 提供了多了函数来快速创建不同需求的数组。对于普通的 ndarray 的创建、切片、复制、改变维度和数据类型等操作，见我另一篇博客：https://blog.csdn.net/tz_zs/article/details/73929778 empty np.empty 构造一个长度为 shape 的未初始化数组，这个数组的元素可能是内存位置上存在的任何数值。 e...
【Python】np.linspace用法介绍
热门推荐
Asher117的博客
02-21 20万+
np.linspace参数： numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0) Return evenly spaced numbers over a specified interval. (在start和stop之间返回均匀间隔的数据) Returns num evenly...
python改变数组形状_NumPy数组的变形（改变数组形状）
weixin_39705435的博客
12-21 5495
在机器学习以及深度学习的任务中，通常需要将处理好的数据以模型能接收的格式输入给模型，然后由模型通过一系列的运算，最终返回一个处理结果。然而，由于不同模型所接收的输入格式不一样，往往需要先对其进行一系列的变形和运算，从而将数据处理成符合模型要求的格式。在矩阵或者数组的运算中，经常会遇到需要把多个向量或矩阵按某轴方向合并，或展平(如在卷积或循环神经网络中，在全连接层之前，需要把矩阵展平)的情况。下面介...
Numpy 学习专题（三）—— 数组的变形
Cappuccino的博客
10-25 1042
一、更改数组形状 通常为了满足计算要求，我们会对数组进行形状变化。本模块会用到 numpy 模块，本中 numpy 全部用 np 代替，即 import numpy as np numpy.ndarray.shape 该函数可表示数组的形状或修改形状。 x = np.array([1,2,3,4]) print(x.shape) # (8,) x.shape = [2, 2] print(x) # [[1, 2] # [3, 4]] numpy.ndarray.flat 该函数可把数组转换为一
Numpy数组操作详解：创建、变形与常用功能
在本文中，我们将深入探讨Numpy对数组操作的关键功能，包括创建、变形（如升维和降维）、计算、取值、复制、分割以及合并。 1. 创建数组： - **一维数组**：可以使用`np.array()`函数直接从列表创建，如`np.array...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值