4.NumPy数组操作

liftword3周前 (04-11)技术文章14

4.NumPy数组操作

4.1改变NumPy数组维度

前面已经学习了怎样使用reshape函数，接下来我们来学习展开数组

  • ravel

ravel函数完成展平数组的操作。

import numpy as np
b = np.arange(60).reshape(3,4,5)
b
array([[[ 0,  1,  2,  3,  4],
        [ 5,  6,  7,  8,  9],
        [10, 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, 36, 37, 38, 39]],

       [[40, 41, 42, 43, 44],
        [45, 46, 47, 48, 49],
        [50, 51, 52, 53, 54],
        [55, 56, 57, 58, 59]]])
b.ravel()
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 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, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,
       51, 52, 53, 54, 55, 56, 57, 58, 59])
  • flatten

与ravel函数的功能相同。不过，flatten函数会请求分配内存来保存结果，而ravel函数只是返回数组的一个视图（view）。

b.flatten()
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 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, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,
       51, 52, 53, 54, 55, 56, 57, 58, 59])
  • 用元组设置维度

除了可以使用reshape函数，我们也可以直接用一个正整数元组来设置数组的维度。

b.shape
(3, 4, 5)
b.shape = (4,15)
b
array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 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, 36, 37, 38, 39, 40, 41, 42, 43, 44],
       [45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59]])

这样的做法将直接改变所操作的数组，现在数组b成了一个15×4的多维数组。

  • transpose

转置矩阵

b.transpose()
array([[ 0, 15, 30, 45],
       [ 1, 16, 31, 46],
       [ 2, 17, 32, 47],
       [ 3, 18, 33, 48],
       [ 4, 19, 34, 49],
       [ 5, 20, 35, 50],
       [ 6, 21, 36, 51],
       [ 7, 22, 37, 52],
       [ 8, 23, 38, 53],
       [ 9, 24, 39, 54],
       [10, 25, 40, 55],
       [11, 26, 41, 56],
       [12, 27, 42, 57],
       [13, 28, 43, 58],
       [14, 29, 44, 59]])
  • resize

resize和reshape函数的功能一样，但resize会直接修改所操作的数组。

b.resize(3,4,5)
b
array([[[ 0,  1,  2,  3,  4],
        [ 5,  6,  7,  8,  9],
        [10, 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, 36, 37, 38, 39]],

       [[40, 41, 42, 43, 44],
        [45, 46, 47, 48, 49],
        [50, 51, 52, 53, 54],
        [55, 56, 57, 58, 59]]])
b.resize(3,20)
b
array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 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,
        36, 37, 38, 39],
       [40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55,
        56, 57, 58, 59]])

4.2组合数组

  • hstack

将ndarray对象构成的元组作为参数，传给hstack函数，可以将多个数组进行水平组合

a = np.arange(9).reshape(3,3)
a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
b = a * 2
b
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])
c = a * 3
c
array([[ 0,  3,  6],
       [ 9, 12, 15],
       [18, 21, 24]])
np.hstack((a, b, c))
array([[ 0,  1,  2,  0,  2,  4,  0,  3,  6],
       [ 3,  4,  5,  6,  8, 10,  9, 12, 15],
       [ 6,  7,  8, 12, 14, 16, 18, 21, 24]])
  • vstack

垂直组合

np.vstack((a,b,c))
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16],
       [ 0,  3,  6],
       [ 9, 12, 15],
       [18, 21, 24]])
+ concatenate
concatenate 也可以实现组合效果，当指定axis=1时，为水平组合，当指定axis=0时，为垂直组合。
np.concatenate((a,b,c), axis=1)
array([[ 0,  1,  2,  0,  2,  4,  0,  3,  6],
       [ 3,  4,  5,  6,  8, 10,  9, 12, 15],
       [ 6,  7,  8, 12, 14, 16, 18, 21, 24]])
np.concatenate((a,b,c), axis=0)
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16],
       [ 0,  3,  6],
       [ 9, 12, 15],
       [18, 21, 24]])
  • dstack

深度组合，就是将一系列数组沿着纵轴（深度）方向进行层叠组合。如：有若干张二维平面内的图像点阵数据，我们可以将这些图像数据沿纵轴方向层叠在一起。

d = np.dstack((a,b,c))
d
array([[[ 0,  0,  0],
        [ 1,  2,  3],
        [ 2,  4,  6]],

       [[ 3,  6,  9],
        [ 4,  8, 12],
        [ 5, 10, 15]],

       [[ 6, 12, 18],
        [ 7, 14, 21],
        [ 8, 16, 24]]])
d.shape
(3, 3, 3)
  • column_stack

列组合

对于一维数组将按列方向进行组合

x = np.arange(6)
y = x * 2
np.column_stack((x,y))
array([[ 0,  0],
       [ 1,  2],
       [ 2,  4],
       [ 3,  6],
       [ 4,  8],
       [ 5, 10]])
对于二维数组，column_stack与hstack的效果是相同的：
np.column_stack((a,b,c))
array([[ 0,  1,  2,  0,  2,  4,  0,  3,  6],
       [ 3,  4,  5,  6,  8, 10,  9, 12, 15],
       [ 6,  7,  8, 12, 14, 16, 18, 21, 24]])
np.column_stack((a,b,c)) == np.hstack((a,b,c))
array([[ True,  True,  True,  True,  True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True,  True,  True,  True,  True],
       [ True,  True,  True,  True,  True,  True,  True,  True,  True]])

可以用==运算符来比较两个NumPy数组

  • row_stack

对于两个一维数组，将直接层叠起来组合成一个二维数组。

np.row_stack((x,y))
array([[ 0,  1,  2,  3,  4,  5],
       [ 0,  2,  4,  6,  8, 10]])

对于二维数组，row_stack与vstack的效果是相同的

np.row_stack((a,b,c))
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16],
       [ 0,  3,  6],
       [ 9, 12, 15],
       [18, 21, 24]])
np.row_stack((a,b,c)) == np.vstack((a,b,c))
array([[ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True]])

4.3分割数组

  • hsplit

水平分割，把数组沿着水平方向分割为多个相同大小的子数组

a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
(d,e,f) = np.hsplit(a, 3)
print(d)
print(e)
print(f)
[[0]
 [3]
 [6]]
[[1]
 [4]
 [7]]
[[2]
 [5]
 [8]]
  • vsplit

垂直分割，将把数组沿着垂直方向分割。

(d,e,f) = np.vsplit(a, 3)
print(d)
print(e)
print(f)
[[0 1 2]]
[[3 4 5]]
[[6 7 8]]
  • split

split函数用于分割数组，当axis=1时为水平分割，当axis=0时为垂直分割。

(d,e,f) = np.split(a, 3, axis= 1)
print(d)
print(e)
print(f)
[[0]
 [3]
 [6]]
[[1]
 [4]
 [7]]
[[2]
 [5]
 [8]]
(d,e,f) = np.split(a, 3, axis=0)
print(d)
print(e)
print(f)
[[0 1 2]]
[[3 4 5]]
[[6 7 8]]
  • dsplit

dsplit函数将按深度方向分割数组。

x = np.arange(120).reshape(4,5,6)
x
array([[[  0,   1,   2,   3,   4,   5],
        [  6,   7,   8,   9,  10,  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],
        [ 36,  37,  38,  39,  40,  41],
        [ 42,  43,  44,  45,  46,  47],
        [ 48,  49,  50,  51,  52,  53],
        [ 54,  55,  56,  57,  58,  59]],

       [[ 60,  61,  62,  63,  64,  65],
        [ 66,  67,  68,  69,  70,  71],
        [ 72,  73,  74,  75,  76,  77],
        [ 78,  79,  80,  81,  82,  83],
        [ 84,  85,  86,  87,  88,  89]],

       [[ 90,  91,  92,  93,  94,  95],
        [ 96,  97,  98,  99, 100, 101],
        [102, 103, 104, 105, 106, 107],
        [108, 109, 110, 111, 112, 113],
        [114, 115, 116, 117, 118, 119]]])
np.dsplit(x, 2)
[array([[[  0,   1,   2],
         [  6,   7,   8],
         [ 12,  13,  14],
         [ 18,  19,  20],
         [ 24,  25,  26]],
 
        [[ 30,  31,  32],
         [ 36,  37,  38],
         [ 42,  43,  44],
         [ 48,  49,  50],
         [ 54,  55,  56]],
 
        [[ 60,  61,  62],
         [ 66,  67,  68],
         [ 72,  73,  74],
         [ 78,  79,  80],
         [ 84,  85,  86]],
 
        [[ 90,  91,  92],
         [ 96,  97,  98],
         [102, 103, 104],
         [108, 109, 110],
         [114, 115, 116]]]),
 array([[[  3,   4,   5],
         [  9,  10,  11],
         [ 15,  16,  17],
         [ 21,  22,  23],
         [ 27,  28,  29]],
 
        [[ 33,  34,  35],
         [ 39,  40,  41],
         [ 45,  46,  47],
         [ 51,  52,  53],
         [ 57,  58,  59]],
 
        [[ 63,  64,  65],
         [ 69,  70,  71],
         [ 75,  76,  77],
         [ 81,  82,  83],
         [ 87,  88,  89]],
 
        [[ 93,  94,  95],
         [ 99, 100, 101],
         [105, 106, 107],
         [111, 112, 113],
         [117, 118, 119]]])]

4.4数组的属性

除了shape和dtype属性以外，ndarray对象还有很多其他的属性。

  • ndim - 给出数组的维数，或数组轴的个数。
b
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])
b.ndim
2
x
array([[[  0,   1,   2,   3,   4,   5],
        [  6,   7,   8,   9,  10,  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],
        [ 36,  37,  38,  39,  40,  41],
        [ 42,  43,  44,  45,  46,  47],
        [ 48,  49,  50,  51,  52,  53],
        [ 54,  55,  56,  57,  58,  59]],

       [[ 60,  61,  62,  63,  64,  65],
        [ 66,  67,  68,  69,  70,  71],
        [ 72,  73,  74,  75,  76,  77],
        [ 78,  79,  80,  81,  82,  83],
        [ 84,  85,  86,  87,  88,  89]],

       [[ 90,  91,  92,  93,  94,  95],
        [ 96,  97,  98,  99, 100, 101],
        [102, 103, 104, 105, 106, 107],
        [108, 109, 110, 111, 112, 113],
        [114, 115, 116, 117, 118, 119]]])
x.ndim
3
  • size - 给出数组元素的总个数
b.size
9
x.size
120
  • itemsize - 给出数组中的元素在内存中所占的字节数
b.itemsize
4
x.itemsize
4
  • nbytes - 整个数组所占的存储空间，该属性的值就是itemsize和size属性值的乘积。
b.nbytes
36
b.itemsize * b.size
36
  • T - 和transpose函数一样，对数组进行转置
b
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])
b.T
array([[ 0,  6, 12],
       [ 2,  8, 14],
       [ 4, 10, 16]])

对于一维数组，其T属性就是原数组

y = np.arange(10)
y
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
y.T
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
  • real - 给出复数数组的实部。
z = np.array([1+2j, 2+3j, 3+4j])
z
array([1.+2.j, 2.+3.j, 3.+4.j])
z.real
array([1., 2., 3.])
+ imag - 给出复数数组的虚部。
z.imag
array([2., 3., 4.])
  • flat - 返回一个numpy.flatiter对象，这是获得flatiter对象的唯一方式——我们无法访问flatiter的构造函数。这个迭代器可以让我们像遍历一维数组一样去遍历任意的多维数组
b
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])
f = b.flat
f
for item in f: print(item)
0
2
4
6
8
10
12
14
16

可以用flatiter对象直接获取一个数组元素

b.flat[5]
10
b.flat[1:3]
array([2, 4])
b.flat[[1,3,5]]
array([ 2,  6, 10])

flat属性是一个可赋值的属性。对flat属性赋值将导致整个数组的元素都被覆盖。

b.flat = 7
b
array([[7, 7, 7],
       [7, 7, 7],
       [7, 7, 7]])
b.flat[[1,3,5]] = 2
b
array([[7, 2, 7],
       [2, 7, 2],
       [7, 7, 7]])

4.5数组的转换

  • tolist - 将NumPy数组转换成Python列表
b
array([[7, 2, 7],
       [2, 7, 2],
       [7, 7, 7]])
b.tolist()
[[7, 2, 7], [2, 7, 2], [7, 7, 7]]
  • astype - 可以在转换数组时指定数据类型
z
array([1.+2.j, 2.+3.j, 3.+4.j])
z.astype(int)
C:\Users\Administrator\AppData\Local\Temp\ipykernel_2760\2528053780.py:1: ComplexWarning: Casting complex values to real discards the imaginary part
  z.astype(int)
array([1, 2, 3])
b.astype('complex')
array([[7.+0.j, 2.+0.j, 7.+0.j],
       [2.+0.j, 7.+0.j, 2.+0.j],
       [7.+0.j, 7.+0.j, 7.+0.j]])



相关文章

python zip函数可以实现同时遍历多列表，以及矩阵转置等

zip 函数是Python的内置函数，用于将多个可迭代对象中对应位置的元素打包成元组，并返回一个由这些元组组成的迭代器。 概念看不懂没关系，我们来举个简单例子。比如有两个列表x=["a","b","c...

矩阵的转置

有关矩阵的讲解，在之前我已经提过了，矩阵是一个数表，大家一定要记清楚！下面我们来说一说矩阵的转置，首先来了解一下定义：定义：把一个m×n矩阵A的行换成同序数的列而得到的n×m矩阵，称为矩阵A的转置矩阵...

C++矩阵转置

C++矩阵转置看了很多网山有关矩阵转置的代码，大部分还用了中间变量，本人亲测矩阵转置代码无误，望对广大C++初学者有所帮助！题目如下：写一个函数，使给定的一个二维数组（3x3）转置，即行列互换。Inp...

Python推导式功能:一行代码搞定复杂逻辑

对话实录小白：（抓狂）我写了 10 行循环，同事用 1 行就搞定了！专家：（掏出魔杖）掌握推导式，代码瞬间瘦身！三大推导式1. 列表推导式传统写法需要先创建一个空列表，然后通过循环逐个计算并添加元素。...

Python中zip()函数详解:合并、解压与高效数据处理

在Python中，zip() 是一个非常实用的内置函数，用于将多个可迭代对象（如列表、元组、字符串等）合并成一个元组的列表。它通过将输入的每个可迭代对象的元素按位置配对，生成一个迭代器，其中每个元素是...

C++矩阵求转置矩阵

n阶矩阵求转置，也就是沿着左对角线反转矩阵；a[i][j] 与 a[j][i] 对换。算法实现：n * m矩阵的转置，行和列颠倒。算法实现：最后，如果你想学C/C++可以私信小编“01”获取素材资料以...

蜀ICP备2024111239号-1