Numpy 数组操作

numpy.ravel

numpy.ravel() 展平的数组元素，顺序通常是"C风格"，返回的是数组视图（view，有点类似 C/C++引用reference的意味），修改会影响原始数组。

该函数接收两个参数：

numpy.ravel(a, order='C')

参数说明：

order：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'K' -- 元素在内存中的出现顺序。

import numpy as np a = np . arange ( 8 ) . reshape ( 2 , 4 ) print ( ' 原数组： ' ) print ( a ) print ( ' \n ' ) print ( ' 调用 ravel 函数之后： ' ) print ( a . ravel ( ) ) print ( ' \n ' ) print ( ' 以 F 风格顺序调用 ravel 函数之后： ' ) print ( a . ravel ( order = ' F ' ) )

输出结果如下：

[[0 1 2 3] [4 5 6 7]] 调用 ravel 函数之后： [0 1 2 3 4 5 6 7] 以 F 风格顺序调用 ravel 函数之后： [0 4 1 5 2 6 3 7] # Python3.x 为 next(context) ，Python2.x 为 context.next() print ( next ( r ) , next ( c ) ) print ( next ( r ) , next ( c ) ) print ( ' \n ' ) # shape 属性返回广播对象的形状 print ( ' 广播对象的形状： ' ) print ( b . shape ) print ( ' \n ' ) # 手动使用 broadcast 将 x 与 y 相加 b = np . broadcast ( x , y ) c = np . empty ( b . shape ) print ( ' 手动使用 broadcast 将 x 与 y 相加： ' ) print ( c . shape ) print ( ' \n ' ) c . flat = [ u + v for ( u , v ) in b ] print ( ' 调用 flat 函数： ' ) print ( c ) print ( ' \n ' ) # 获得了和 NumPy 内建的广播支持相同的结果 print ( ' x 与 y 的和： ' ) print ( x + y )

输出结果为：

对 y 广播 x：
广播对象的形状：
(3, 3)
手动使用 broadcast 将 x 与 y 相加：
(3, 3)
调用 flat 函数：
[[5. 6. 7.]
 [6. 7. 8.]
 [7. 8. 9.]]
x 与 y 的和：
[[5 6 7]
 [6 7 8]
 [7 8 9]]

numpy.broadcast_to

numpy.broadcast_to 函数将数组广播到新形状。它在原始数组上返回只读视图。它通常不连续。如果新形状不符合 NumPy 的广播规则，该函数可能会抛出ValueError。

numpy.broadcast_to(array, shape, subok)

import numpy as np a = np . arange ( 4 ) . reshape ( 1 , 4 ) print ( ' 原数组： ' ) print ( a ) print ( ' \n ' ) print ( ' 调用 broadcast_to 函数之后： ' ) print ( np . broadcast_to ( a , ( 4 , 4 ) ) )

输出结果为：

[[0 1 2 3]] 调用 broadcast_to 函数之后： [[0 1 2 3] [0 1 2 3] [0 1 2 3] [0 1 2 3]]

numpy.expand_dims

numpy.expand_dims 函数通过在指定位置插入新的轴来扩展数组形状，函数格式如下:

 numpy.expand_dims(arr, axis)

参数说明：

arr

：输入数组


    axis

：新轴插入的位置

import numpy as np x = np . array ( ( [ 1 , 2 ] , [ 3 , 4 ] ) ) print ( ' 数组 x： ' ) print ( x ) print ( ' \n ' ) y = np . expand_dims ( x , axis = 0 ) print ( ' 数组 y： ' ) print ( y ) print ( ' \n ' ) print ( ' 数组 x 和 y 的形状： ' ) print ( x . shape , y . shape ) print ( ' \n ' ) # 在位置 1 插入轴 y = np . expand_dims ( x , axis = 1 ) print ( ' 在位置 1 插入轴之后的数组 y： ' ) print ( y ) print ( ' \n ' ) print ( ' x.ndim 和 y.ndim： ' ) print ( x . ndim , y . ndim ) print ( ' \n ' ) print ( ' x.shape 和 y.shape： ' ) print ( x . shape , y . shape )

输出结果为：

数组 x：
[[1 2]
 [3 4]]
数组 y：
[[[1 2]
  [3 4]]]
数组 x 和 y 的形状：
(2, 2) (1, 2, 2)
在位置 1 插入轴之后的数组 y：
[[[1 2]]
 [[3 4]]]
x.ndim 和 y.ndim：
x.shape 和 y.shape：
(2, 2) (2, 1, 2)

numpy.squeeze

numpy.squeeze 函数从给定数组的形状中删除一维的条目，函数格式如下：

numpy.squeeze(arr, axis)

参数说明：

arr

：输入数组


    axis

：整数或整数元组，用于选择形状中一维条目的子集

import numpy as np x = np . arange ( 9 ) . reshape ( 1 , 3 , 3 ) print ( ' 数组 x： ' ) print ( x ) print ( ' \n ' ) y = np . squeeze ( x ) print ( ' 数组 y： ' ) print ( y ) print ( ' \n ' ) print ( ' 数组 x 和 y 的形状： ' ) print ( x . shape , y . shape )

输出结果为：

数组 x：
[[[0 1 2]
  [3 4 5]
  [6 7 8]]]
数组 y：
[[0 1 2]
 [3 4 5]
 [6 7 8]]
数组 x 和 y 的形状：
(1, 3, 3) (3, 3)

numpy.concatenate

numpy.concatenate 函数用于沿指定轴连接相同形状的两个或多个数组，格式如下：

numpy.concatenate((a1, a2, ...), axis)

参数说明：


    a1, a2, ...

：相同类型的数组


    axis

：沿着它连接数组的轴，默认为 0

import numpy as np a = np . array ( [ [ 1 , 2 ] , [ 3 , 4 ] ] ) print ( ' 第一个数组： ' ) print ( a ) print ( ' \n ' ) b = np . array ( [ [ 5 , 6 ] , [ 7 , 8 ] ] ) print ( ' 第二个数组： ' ) print ( b ) print ( ' \n ' ) # 两个数组的维度相同 print ( ' 沿轴 0 连接两个数组： ' ) print ( np . concatenate ( ( a , b ) ) ) print ( ' \n ' ) print ( ' 沿轴 1 连接两个数组： ' ) print ( np . concatenate ( ( a , b ) , axis = 1 ) )

输出结果为：

第一个数组：
[[1 2]
 [3 4]]
第二个数组：
[[5 6]
 [7 8]]
沿轴 0 连接两个数组：
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
沿轴 1 连接两个数组：
[[1 2 5 6]
 [3 4 7 8]]

numpy.stack

numpy.stack 函数用于沿新轴连接数组序列，格式如下：

numpy.stack(arrays, axis)

参数说明：


    arrays

相同形状的数组序列


    axis

：返回数组中的轴，输入数组沿着它来堆叠

import numpy as np a = np . array ( [ [ 1 , 2 ] , [ 3 , 4 ] ] ) print ( ' 第一个数组： ' ) print ( a ) print ( ' \n ' ) b = np . array ( [ [ 5 , 6 ] , [ 7 , 8 ] ] ) print ( ' 第二个数组： ' ) print ( b ) print ( ' \n ' ) print ( ' 沿轴 0 堆叠两个数组： ' ) print ( np . stack ( ( a , b ) , 0 ) ) print ( ' \n ' ) print ( ' 沿轴 1 堆叠两个数组： ' ) print ( np . stack ( ( a , b ) , 1 ) )

[array([0, 1, 2, 3]), array([4, 5, 6]), array([7, 8])] axis 为 0 时在水平方向分割，axis 为 1 时在垂直方向分割：

import numpy as np
a = np. arange ( 16 ) . reshape ( 4 , 4 )
print ( '第一个数组：' )
print ( a )
print ( ' \n ' )
print ( '默认分割（0轴）：' )
b = np. split ( a , 2 )
print ( b )
print ( ' \n ' )
print ( '沿水平方向分割：' )
c = np. split ( a , 2 , 1 )
print ( c )
print ( ' \n ' )
print ( '沿水平方向分割：' )
d = np. hsplit ( a , 2 )
print ( d )

输出结果为：

第一个数组：
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]
默认分割（0轴）：
[array([[0, 1, 2, 3],
       [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],
       [12, 13, 14, 15]])]
沿水平方向分割：
[array([[ 0,  1],
       [ 4,  5],
       [ 8,  9],
       [12, 13]]), array([[ 2,  3],
       [ 6,  7],
       [10, 11],
       [14, 15]])]
沿水平方向分割：
[array([[ 0,  1],
       [ 4,  5],
       [ 8,  9],
       [12, 13]]), array([[ 2,  3],
       [ 6,  7],
       [10, 11],
       [14, 15]])]

numpy.hsplit

numpy.hsplit 函数用于水平分割数组，通过指定要返回的相同形状的数组数量来拆分原数组。

import numpy as np harr = np . floor ( 10 * np . random . random ( ( 2 , 6 ) ) ) print ( ' 原array： ' ) print ( harr ) print ( ' 拆分后： ' ) print ( np . hsplit ( harr , 3 ) )

输出结果为：

原array：
[[4. 7. 6. 3. 2. 6.]
 [6. 3. 6. 7. 9. 7.]]
[array([[4., 7.],
       [6., 3.]]), array([[6., 3.],
       [6., 7.]]), array([[2., 6.],
       [9., 7.]])]

numpy.vsplit

numpy.vsplit 沿着垂直轴分割，其分割方式与hsplit用法相同。

import numpy as np a = np . arange ( 16 ) . reshape ( 4 , 4 ) print ( ' 第一个数组： ' ) print ( a ) print ( ' \n ' ) print ( ' 竖直分割： ' ) b = np . vsplit ( a , 2 ) print ( b )

输出结果为：

第一个数组：
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]
竖直分割：
[array([[0, 1, 2, 3],
       [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],
       [12, 13, 14, 15]])]

数组元素的添加与删除

元素及描述 [1 2 3]]

numpy.append

numpy.append 函数在数组的末尾添加值。追加操作会分配整个数组，并把原来的数组复制到新数组中。此外，输入数组的维度必须匹配否则将生成ValueError。

append 函数返回的始终是一个一维数组。

numpy.append(arr, values, axis=None)

参数说明：

arr

：输入数组


    values

：要向

arr

添加的值，需要和

arr

形状相同（除了要添加的轴）


    axis

：默认为 None。当axis无定义时，是横向加成，返回总是为一维数组！当axis有定义的时候，分别为0和1的时候。当axis有定义的时候，分别为0和1的时候（列数要相同）。当axis为1时，数组是加在右边（行数要相同）。

import numpy as np a = np . array ( [ [ 1 , 2 , 3 ] , [ 4 , 5 , 6 ] ] ) print ( ' 第一个数组： ' ) print ( a ) print ( ' \n ' ) print ( ' 向数组添加元素： ' ) print ( np . append ( a , [ 7 , 8 , 9 ] ) ) print ( ' \n ' ) print ( ' 沿轴 0 添加元素： ' ) print ( np . append ( a , [ [ 7 , 8 , 9 ] ] , axis = 0 ) ) print ( ' \n ' ) print ( ' 沿轴 1 添加元素： ' ) print ( np . append ( a , [ [ 5 , 5 , 5 ] , [ 7 , 8 , 9 ] ] , axis = 1 ) )

输出结果为：

第一个数组：
[[1 2 3]
 [4 5 6]]
向数组添加元素：
[1 2 3 4 5 6 7 8 9]
沿轴 0 添加元素：
[[1 2 3]
 [4 5 6]
 [7 8 9]]
沿轴 1 添加元素：
[[1 2 3 5 5 5]
 [4 5 6 7 8 9]]

numpy.insert

numpy.insert 函数在给定索引之前，沿给定轴在输入数组中插入值。

如果值的类型转换为要插入，则它与输入数组不同。插入没有原地的，函数会返回一个新数组。此外，如果未提供轴，则输入数组会被展开。

numpy.insert(arr, obj, values, axis)

参数说明：

arr

：输入数组

obj

：在其之前插入值的索引


    values

：要插入的值


    axis

：沿着它插入的轴，如果未提供，则输入数组会被展开

import numpy as np a = np . array ( [ [ 1 , 2 ] , [ 3 , 4 ] , [ 5 , 6 ] ] ) print ( ' 第一个数组： ' ) print ( a ) print ( ' \n ' ) print ( ' 未传递 Axis 参数。在删除之前输入数组会被展开。 ' ) print ( np . insert ( a , 3 , [ 11 , 12 ] ) ) print ( ' \n ' ) print ( ' 传递了 Axis 参数。会广播值数组来配输入数组。 ' ) print ( ' 沿轴 0 广播： ' ) print ( np . insert ( a , 1 , [ 11 ] , axis = 0 ) ) print ( ' \n ' ) print ( ' 沿轴 1 广播： ' ) print ( np . insert ( a , 1 , 11 , axis = 1 ) )

输出结果如下：

第一个数组：
[[1 2]
 [3 4]
 [5 6]]
未传递 Axis 参数。 在删除之前输入数组会被展开。
[ 1  2  3 11 12  4  5  6]
传递了 Axis 参数。 会广播值数组来配输入数组。
沿轴 0 广播：
[[ 1  2]
 [11 11]
 [ 3  4]
 [ 5  6]]
沿轴 1 广播：
[[ 1 11  2]
 [ 3 11  4]
 [ 5 11  6]]

numpy.delete

numpy.delete 函数返回从输入数组中删除指定子数组的新数组。与 insert() 函数的情况一样，如果未提供轴参数，则输入数组将展开。

Numpy.delete(arr, obj, axis)

参数说明：

arr

：输入数组

obj

：可以被切片，整数或者整数数组，表明要从输入数组删除的子数组


    axis

：沿着它删除给定子数组的轴，如果未提供，则输入数组会被展开

import numpy as np a = np . arange ( 12 ) . reshape ( 3 , 4 ) print ( ' 第一个数组： ' ) print ( a ) print ( ' \n ' ) print ( ' 未传递 Axis 参数。在插入之前输入数组会被展开。 ' ) print ( np . delete ( a , 5 ) ) print ( ' \n ' ) print ( ' 删除第二列： ' ) print ( np . delete ( a , 1 , axis = 1 ) ) print ( ' \n ' ) print ( ' 包含从数组中删除的替代值的切片： ' ) a = np . array ( [ 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 10 ] ) print ( np . delete ( a , np . s_ [ :: 2 ] ) )

输出结果为：

第一个数组：
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
未传递 Axis 参数。 在插入之前输入数组会被展开。
[ 0  1  2  3  4  6  7  8  9 10 11]
删除第二列：
[[ 0  2  3]
 [ 4  6  7]
 [ 8 10 11]]
包含从数组中删除的替代值的切片：
[ 2  4  6  8 10]

numpy.unique

numpy.unique 函数用于去除数组中的重复元素。

numpy.unique(arr, return_index, return_inverse, return_counts)

arr

：输入数组，如果不是一维数组则会展开


    return_index

：如果为


    true

，返回新列表元素在旧列表中的位置（下标），并以列表形式储


    return_inverse

：如果为


    true

，返回旧列表元素在新列表中的位置（下标），并以列表形式储


    return_counts

：如果为


    true

，返回去重数组中的元素在原数组中的出现次数

import numpy as np a = np . array ( [ 5 , 2 , 6 , 2 , 7 , 5 , 6 , 8 , 2 , 9 ] ) print ( ' 第一个数组： ' ) print ( a ) print ( ' \n ' ) print ( ' 第一个数组的去重值： ' ) u = np . unique ( a ) print ( u ) print ( ' \n ' ) print ( ' 去重数组的索引数组： ' ) u , indices = np . unique ( a , return_index = True ) print ( indices ) print ( ' \n ' ) print ( ' 我们可以看到每个和原数组下标对应的数值： ' ) print ( a ) print ( ' \n ' ) print ( ' 去重数组的下标： ' ) u , indices = np . unique ( a , return_inverse = True ) print ( u ) print ( ' \n ' ) print ( ' 下标为： ' ) print ( indices ) print ( ' \n ' ) print ( ' 使用下标重构原数组： ' ) print ( u [ indices ] ) print ( ' \n ' ) print ( ' 返回去重元素的重复数量： ' ) u , indices = np . unique ( a , return_counts = True ) print ( u ) print ( indices )

(2, 3, 2) (array([0]), array([0]), array([1]))

敛裳

numpy.ndarray.flatten

numpy.ravel

numpy.broadcast_to

numpy.expand_dims

numpy.squeeze

numpy.concatenate

numpy.stack

numpy.hsplit

数组元素的添加与删除

numpy.append

numpy.insert

numpy.delete

numpy.unique