python两个切片合并_Python中numpy的布尔判断、合并、切片及一般函数,通用

各位朋友，我已开通微信公共号：

小程在线

我会把文章及时的更新到公共号上，欢迎大家的关注。

#####数据的布尔值判断

import numpy as np

x=np.array([1,2,3,4,5])

x

Out[1]: array([1, 2, 3, 4, 5])

#判断X是否小于2

x<2

Out[2]: array([ True, False, False, False, False])

#判断X小于2或者大于4

(x<2) | (x>4)

Out[4]: array([ True, False, False, False,  True])

mask=x<3

mask

Out[5]: array([ True,  True, False, False, False])

x[mask]

Out[6]: array([1, 2])

np.sum(x<3)

Out[7]: 2

y=np.array([[1,2,3,4,5],[6,7,8,9,10]])

y

Out[8]:

array([[ 1,  2,  3,  4,  5],

[ 6,  7,  8,  9, 10]])

x == y[0,]

Out[9]: array([ True,  True,  True,  True,  True])

#两个数组比较

a1 = np.arange(9).reshape(3, 3)

a2 = np.arange(9, 0 , -1).reshape(3, 3)

a1 < a2

Out[10]:

array([[ True,  True,  True],

[ True,  True, False],

[False, False, False]])

#####数据的切片选择(开始位，结束位，步长)

#位置值从0开始的

x=np.arange(0,10)

x[4:6]

Out[11]: array([4, 5])

#从0开始，步长为2的数据

x[::2]

Out[12]: array([0, 2, 4, 6, 8])

#倒序

x[::-1]

Out[13]: array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])

#取前6个数据

x[:6]

Out[14]: array([0, 1, 2, 3, 4, 5])

#从第2的位置开始选

x[2:]

Out[15]: array([2, 3, 4, 5, 6, 7, 8, 9])

#二维数据的切片处理

y=np.arange(0,16).reshape(4,4)

y

Out[16]:

array([[ 0,  1,  2,  3],

[ 4,  5,  6,  7],

[ 8,  9, 10, 11],

[12, 13, 14, 15]])

y[:,1:3]

Out[17]:

array([[ 1,  2],

[ 5,  6],

[ 9, 10],

[13, 14]])

y[1:3,2:4]

Out[18]:

array([[ 6,  7],

[10, 11]])

y[[1,3],:]

Out[19]:

array([[ 4,  5,  6,  7],

[12, 13, 14, 15]])

#######数据的维度变化########

x=np.arange(0,9)

y=x.reshape(3,3)

y

Out[20]:

array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

x=np.arange(0,9)

y=x.reshape(3,3)

y

Out[21]:

array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

#返回一个新的数组，不是修改原来的数组

y.reshape(9)

Out[22]: array([0, 1, 2, 3, 4, 5, 6, 7, 8])

y

Out[23]:

array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

reshaped = y.reshape(np.size(y))

raveled = y.ravel() #将数据展开成一维的

reshaped[2] = 1000

raveled[5] = 2000

y

Out[24]:

array([[   0,    1, 1000],

[   3,    4, 2000],

[   6,    7,    8]])

y = np.arange(0, 9).reshape(3,3)

flattened = y.flatten() #将数据展开成一维的

flattened[0] = 1000

flattened

Out[25]: array([1000,    1,    2,    3,    4,    5,    6,    7,    8])

flattened.shape = (3, 3)

flattened

Out[26]:

array([[1000,    1,    2],

[   3,    4,    5],

[   6,    7,    8]])

#数据的转置

flattened.T

Out[27]:

array([[1000,    3,    6],

[   1,    4,    7],

[   2,    5,    8]])

####数据的合并处理

a = np.arange(9).reshape(3, 3)

b = (a + 1) * 10

a

Out[28]:

array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

b

Out[29]:

array([[10, 20, 30],

[40, 50, 60],

[70, 80, 90]])

#水平方向

np.hstack((a, b))

Out[30]:

array([[ 0,  1,  2, 10, 20, 30],

[ 3,  4,  5, 40, 50, 60],

[ 6,  7,  8, 70, 80, 90]])

#垂直方向

np.vstack((a, b))

Out[31]:

array([[ 0,  1,  2],

[ 3,  4,  5],

[ 6,  7,  8],

[10, 20, 30],

[40, 50, 60],

[70, 80, 90]])

#axis = 1横轴方向，axis = 0 竖轴方向

np.concatenate((a, b), axis = 1)

Out[32]:

array([[ 0,  1,  2, 10, 20, 30],

[ 3,  4,  5, 40, 50, 60],

[ 6,  7,  8, 70, 80, 90]])

#每列相互拼接

np.dstack((a, b))

Out[33]:

array([[[ 0, 10],

[ 1, 20],

[ 2, 30]],

[[ 3, 40],

[ 4, 50],

[ 5, 60]],

[[ 6, 70],

[ 7, 80],

[ 8, 90]]])

#两列拼接

one_d_a = np.arange(5)

one_d_b = (one_d_a + 1) * 10

np.column_stack((one_d_a, one_d_b))

Out[36]:

array([[ 0, 10],

[ 1, 20],

[ 2, 30],

[ 3, 40],

[ 4, 50]])

##行叠加

np.row_stack((one_d_a, one_d_b))

Out[37]:

array([[ 0,  1,  2,  3,  4],

[10, 20, 30, 40, 50]])

####通用函数

m = np.arange(10, 19).reshape(3, 3)

print (m)

print ("{0} min of the entire matrix".format(m.min()))

print ("{0} max of entire matrix".format(m.max()))

##最小值、最大值的位置

print ("{0} position of the min value".format(m.argmin()))

print ("{0} position of the max value".format(m.argmax()))

#每列、每行的最小值

print ("{0} mins down each column".format(m.min(axis = 0)))

print ("{0} mins across each row".format(m.min(axis = 1)))

#每列、每行的最大值

print ("{0} maxs down each column".format(m.max(axis = 0)))

print ("{0} maxs across each row".format(m.max(axis = 1)))

[[10 11 12]

[13 14 15]

[16 17 18]]

10 min of the entire matrix

18 max of entire matrix

0 position of the min value

8 position of the max value

[10 11 12] mins down each column

[10 13 16] mins across each row

[16 17 18] maxs down each column

[12 15 18] maxs across each row

#平均值，标准差，方差

a

Out[41]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])

a = np.arange(1,10)

a.mean(), a.std(), a.var()

Out[39]: (5.0, 2.581988897471611, 6.666666666666667)

#求和，乘积

a.sum(), a.prod()

Out[40]: (45, 362880)

#累加和，累加乘

a.cumsum(), a.cumprod()

Out[42]:

(array([ 1,  3,  6, 10, 15, 21, 28, 36, 45], dtype=int32),

array([     1,      2,      6,     24,    120,    720,   5040,  40320,

362880], dtype=int32))