数组形状的转换
x.shape=[a,b]
将 x 的形状转换为 a行b列
import numpy as np
x = np.arange(1,9)
print(x)
# [1 2 3 4 5 6 7 8]
这里导入 numpy 后,下面演示代码不再展示导入 numpy 的代码
下面所有的 np 都代表 numpy
打印下 x 的形状和纬度
x.shape
# (8,)
x.ndim
# 1
改变 x 的形状
x.shape = [2,4]
print(x)
# [[1 2 3 4]
# [5 6 7 8]]
np.reshpae(x,[row,column]) 将 x 转换为 row行,column列的数组,并返回转换后的数组,不改变原数组的数据和形状,返回的是一个视图
x = np.arange(11,36).reshape(5,-1)
y = np.reshape(x,[5,5])
print(y)
# [[11 12 13 14 15]
# [16 17 18 19 20]
# [21 22 23 24 25]
# [26 27 28 29 30]
# [31 32 33 34 35]]
当 row 或 column 指定为 -1 时,将自动计算数值
如 z = np.reshape(x,[5,-1] 将 x 转化为 5行的数组,自动计算列数
x = np.arange(11,36).reshape(5,-1)
print(x)
# [[11 12 13 14 15]
# [16 17 18 19 20]
# [21 22 23 24 25]
# [26 27 28 29 30]
# [31 32 33 34 35]]
w = np.reshape(x,[-1,5])
print(w)
# [[11 12 13 14 15]
# [16 17 18 19 20]
# [21 22 23 24 25]
# [26 27 28 29 30]
# [31 32 33 34 35]]
x.reshape() 返回的是一个视图
w[0] = 999
print(x)
# [[999 999 999 999 999]
# [ 16 17 18 19 20]
# [ 21 22 23 24 25]
# [ 26 27 28 29 30]
# [ 31 32 33 34 35]]
reshape() 函数如果参数 newshape = -1 , 表示将数组降为一维
x = np.random.randint(12,size=[2,2,3])
print(x)
print()
y = np.reshape(x,-1)
print(y)
# [[[ 0 4 10]
# [ 2 5 7]]
#
# [[ 2 8 11]
# [ 5 2 7]]]
#
# [ 0 4 10 2 5 7 2 8 11 5 2 7]
数组的平铺
np.ndarray.flat 返回的是一个一维数组的迭代器,是原数据的副本
x = np.arange(11,36).reshape(5,-1)
y = x.flat
for i in y:
print(i,end='\t')
# 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
注意,x.flat 返回的是一个视图,也是一个迭代器
y[3] = 999
print(y)
# <numpy.flatiter object at 0x000001D8D3949740>
print(x)
# [[ 11 12 13 999 15]
# [ 16 17 18 19 20]
# [ 21 22 23 24 25]
# [ 26 27 28 29 30]
# [ 31 32 33 34 35]]
np.ndarray.flatten(order=‘C’) 返回的是一个一维数组,是一个副本
-
order = ‘C’ 表示按行平铺
-
order = ‘F’ 表示按列平铺
x = np.arange(11,36).reshape(5,-1)
y = x.flatten()
print(y)
# [11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
# 35]
x.flatten() 返回的是一个数组,不是迭代器
返回的是一个副本
y[3] = 999
print(x)
# [[11 12 13 14 15]
# [16 17 18 19 20]
# [21 22 23 24 25]
# [26 27 28 29 30]
# [31 32 33 34 35]]
z = x.flatten(order='F')
print(z)
# [11 16 21 26 31 12 17 22 27 32 13 18 23 28 33 14 19 24 29 34 15 20 25 30
# 35]
z[0] = 999
print(z)
print()
print(x)
# [999 16 21 26 31 12 17 22 27 32 13 18 23 28 33 14 19 24
# 29 34 15 20 25 30 35]
# [[11 12 13 14 15]
# [16 17 18 19 20]
# [21 22 23 24 25]
# [26 27 28 29 30]
# [31 32 33 34 35]]
x = np.arange(11,36).reshape(5,-1)
y = np.ravel(x)
print(y)
# [11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
# 35]
数组转置
- np.transpose(a,axis = None)
- np.ndarray.T
- self.transpose()
三者均为数组的转置
x = np.random.rand(5,5)*10
x = np.around(x,2)
print(x)
# [[9.42 0.23 5.68 8.79 3.69]
# [7.98 2.68 6.85 6.84 0.41]
# [6.17 3.58 3.61 1.21 4.03]
# [8.99 9.24 6.72 5.8 4.51]
# [4.96 6.08 5.92 6.07 3.14]]
np.ndarray.T
y = x.T
print(y)
# [[9.42 7.98 6.17 8.99 4.96]
# [0.23 2.68 3.58 9.24 6.08]
# [5.68 6.85 3.61 6.72 5.92]
# [8.79 6.84 1.21 5.8 6.07]
# [3.69 0.41 4.03 4.51 3.14]]
np.transpose(a,axis = None)
z = np.transpose(x)
print(z)
# [[9.42 7.98 6.17 8.99 4.96]
# [0.23 2.68 3.58 9.24 6.08]
# [5.68 6.85 3.61 6.72 5.92]
# [8.79 6.84 1.21 5.8 6.07]
# [3.69 0.41 4.03 4.51 3.14]]
self.transpose()
w = x.transpose()
print(w)
# [[9.42 7.98 6.17 8.99 4.96]
# [0.23 2.68 3.58 9.24 6.08]
# [5.68 6.85 3.61 6.72 5.92]
# [8.79 6.84 1.21 5.8 6.07]
# [3.69 0.41 4.03 4.51 3.14]]
更改纬度
np.newaxis = None
有时候,我们需要将一个一维向量转换为二位的数组,这时就可以使用 np.newaxis
x = np.arange(1,9)
print(x.ndim)
print(x.shape)
print(x)
# 1
# (8,)
# [1 2 3 4 5 6 7 8]
y = x[np.newaxis,:]
print(y.ndim)
print(y.shape)
print(y)
# 2
# (1, 8)
# [[1 2 3 4 5 6 7 8]]
z = x[:,np.newaxis]
print(z.ndim)
print(z.shape)
print(z)
# 2
# (8, 1)
# [[1]
# [2]
# [3]
# [4]
# [5]
# [6]
# [7]
# [8]]
数组组合
- np.concatenate()
- np.stack()
- np.vstack()
- np.hstack()
np.concatenate([x,y] , axis = 0) 表示宽度合并
np.concatenate([x,y] , axis = 1) 表示高度合并
axis 默认为 0
x = np.array([1,2,3])
y = np.array([4,5,6])
z = np.concatenate([x,y])
print(z)
# [1 2 3 4 5 6]
w = np.concatenate([x,y] , axis = 0)
print(w)
# [1 2 3 4 5 6]
np.concatenate() 对于一维数组只能进行宽度合并
s = np.concatenate([x,y] , axis = 1)
print(s)
# AxisError Traceback (most recent call last)
# <ipython-input-5-65eb7b0e4291> in <module>
# ----> 1 s = np.concatenate([x,y] , axis = 1)
# 2 print(s)
# <__array_function__ internals> in concatenate(*args, **kwargs)
# AxisError: axis 1 is out of bounds for array of dimension 1
原来x,y都是二维的,拼接后的结果仍然是二维的
np.concatenate([x,y]) 默认表示进行高度拼接,即行拼接
x = np.array([1,2,3]).reshape(1,3)
y = np.array([7,8,9]).reshape(1,3)
# 默认按行进行拼接
z = np.concatenate([x,y])
print(z)
# [[1 2 3]
# [7 8 9]]
axis=0 表示行拼接
w = np.concatenate([x,y],axis=0)
print(w)
# [[1 2 3]
# [7 8 9]]
axis = 1 表示列拼接
s = np.concatenate([x,y] , axis = 1)
print(s)
# [[1 2 3 7 8 9]]
np.concatenate() 默认是将元素在原来的维度上进行拼接,即行拼接,增加行数
x = np.array([[1,2,3],[4,5,6]])
y = np.array([[7,8,9],[10,11,12]])
z = np.concatenate([x,y])
print(z)
# [[ 1 2 3]
# [ 4 5 6]
# [ 7 8 9]
# [10 11 12]]
行拼接
w = np.concatenate([x,y],axis = 0)
print(w)
# [[ 1 2 3]
# [ 4 5 6]
# [ 7 8 9]
# [10 11 12]]
列拼接
s = np.concatenate([x,y],axis=1)
print(s)
# [[ 1 2 3 7 8 9]
# [ 4 5 6 10 11 12]]
np.stack( arrays ,axis = 0) 数组拼接方法
np.stack() 与 np.concatenate() 类似,默认表示在元素原来的维度上进行拼接,即高度拼接,增加元素的行数
x = np.array([1,2,3])
y = np.array([4,5,6])
z = np.stack([x,y])
print(z)
# [[1 2 3]
# [4 5 6]]
指定 axis = 0,表示高度拼接
w = np.stack([x,y],axis=0)
print(w)
# [[1 2 3]
# [4 5 6]]
指定 axis = 1,表示宽度拼接
s = np.stack([x,y],axis=1)
print(s)
# [[1 4]
# [2 5]
# [3 6]]
关于数组的拼接,numpy 提供了专门的函数
- np.vstack(x,y) 行合并,增加行数
- np.hstack(x,y) 列合并,增加列数
x = np.array([1, 2, 3])
y = np.array([7, 8, 9])
z = np.vstack([x, y])
print(z.shape)
print(z)
# (2, 3)
# [[1 2 3]
# [7 8 9]]
w = np.hstack([x,y])
print(w.shape)
print(w)
# (6,)
# [1 2 3 7 8 9]
小结
np.concatenate([x,y],axis=0) = np.vstack([x,y])
np.concatenate([x,y],axis=1) = np.hstack([x,y)
x = np.array([1,2,3]).reshape(1,3)
y = np.array([7,8,9]).reshape(1,3)
z = np.vstack([x,y])
print(z)
# [[1 2 3]
# [7 8 9]]
w = np.hstack([x,y])
print(w)
# [[1 2 3 7 8 9]]
z = np.concatenate([x,y])
print(z)
# [[1 2 3]
# [7 8 9]]
z = np.concatenate([x,y] , axis = 0)
print(z)
# [[1 2 3]
# [7 8 9]]
w = np.concatenate([x,y] , axis = 1)
print(w)
# [[1 2 3 7 8 9]]
数组拆分
- np.split()
- np.vsplit()
- np.hsplit()
np.split(x , [a,b,c] , axis = 0) = np.vsplit( x , [ a,b,c ] )
将 x 数组按照索引为 a,b,c 拆分,axis表示高度拆分
np.split(x , [a,b,c] , axis = 1) = np.hsplit(x , [ a,b,c ] )
将 x 数组按照索引为 a,b,c 拆分,axis表示宽度拆分
x = np.arange(11,23).reshape(3,-1)
print(x)
# [[11 12 13 14]
# [15 16 17 18]
# [19 20 21 22]]
y = np.split(x,[1])
print(y)
# [array([[11, 12, 13, 14]]), array([[15, 16, 17, 18],
# [19, 20, 21, 22]])]
在第一行处划分数据,会将第二行的数据划分到第二组中
y , w = np.split(x,[1])
print(y.shape)
print(y)
print()
print(w.shape)
print(w)
# (1, 4)
# [[11 12 13 14]]
# (2, 4)
# [[15 16 17 18]
# [19 20 21 22]]
y = np.split(x,[1],axis = 1)
print(y)
# [array([[11],
# [15],
# [19]]), array([[12, 13, 14],
# [16, 17, 18],
# [20, 21, 22]])]
在第一列处划分数据,会将第二列的数据划分到第二组中
y , w = np.split(x,[1],axis = 1)
print(y.shape)
print(y)
print()
print(w.shape)
print(w)
# (3, 1)
# [[11]
# [15]
# [19]]
#
# (3, 3)
# [[12 13 14]
# [16 17 18]
# [20 21 22]]
使用 np.split() 返回的数据都是二维数组,即使划分后某个数组只有一列元素
numpy 提供的有专门用于划分数组的方法
np.vsplit(x,[1,3]) 按照高度进行划分,相当于 np.split(x,[1,3],axis=0)
np.hsplit(x,[1,3]) 按照宽度进行划分,相当于 np.split(x,[1,3),axis=1)
x = np.arange(20).reshape(4,-1)
print(x)
# [[ 0 1 2 3 4]
# [ 5 6 7 8 9]
# [10 11 12 13 14]
# [15 16 17 18 19]]
split(axis = 0) 相当于 vsplit()
使用 split(axis = 0)
y , w , s = np.split(x,[1,3],axis=0)
print(y)
print()
print(w)
print()
print(s)
# [[0 1 2 3 4]]
#
# [[ 5 6 7 8 9]
# [10 11 12 13 14]]
# [[15 16 17 18 19]]
使用 vsplit()
y , w , s = np.vsplit(x,[1,3])
print(y)
print()
print(w)
print()
print(s)
# [[0 1 2 3 4]]
#
# [[ 5 6 7 8 9]
# [10 11 12 13 14]]
#
# [[15 16 17 18 19]]
split(axis = 1) 相当于 hsplit()
使用 split(axis=1)
y , w , s = np.split(x,[1,3],axis=1)
print(y)
print()
print(w)
print()
print(s)
# [[ 0]
# [ 5]
# [10]
# [15]]
#
# [[ 1 2]
# [ 6 7]
# [11 12]
# [16 17]]
#
# [[ 3 4]
# [ 8 9]
# [13 14]
# [18 19]]
使用 hsplit()
y , w , s = np.hsplit(x,[1,3])
print(y)
print()
print(w)
print()
print(s)
# [[ 0]
# [ 5]
# [10]
# [15]]
#
# [[ 1 2]
# [ 6 7]
# [11 12]
# [16 17]]
# [[ 3 4]
# [ 8 9]
# [13 14]
# [18 19]]