Numpy 中包含了一些函数用于处理数组，大概可分为以下几类：
- 修改数组形状
- 翻转数组
- 修改数组维度
- 连接数组
- 分割数组
- 数组元素的添加与删除
修改数组形状
reshape不改变数据的条件下修改形状flat数组元素迭代器flatten返回一份数组拷贝，对拷贝所做的修改不会影响原始数组ravel返回展开数组
numpy.reshape 函数
可以在不改变数据的条件下修改形状，格式如下：
numpy.reshape(arr, newshape, order='C')参数说明：
- arr：要修改形状的数组
- newshape：整数或者整数数组，新的形状应当兼容原有形状
- order：‘C’ – 按行，‘F’ – 按列，‘A’ – 原顺序，‘k’ – 元素在内存中的出现顺序
示例：
In [1]: import numpy as np
In [2]: sum = np.arange(8)
In [3]: sum
Out[3]: array([0, 1, 2, 3, 4, 5, 6, 7])
In [4]: sum.reshape(4,2)
Out[4]:
array([[0, 1],
[2, 3],
[4, 5],
[6, 7]])numpy.ndarray.flat 函数
是一个数组元素迭代器
In [1]: import numpy as np
In [2]: sum = np.arange(9).reshape(3,3)
In [3]: for row in sum:
...: print(row)
...:
[0 1 2]
[3 4 5]
[6 7 8]
In [4]: for element in sum.flat:
...: print(element)
...:
0
1
2
3
4
5
6
7
8numpy.ndarray.flatten 函数
返回一份数组拷贝，对拷贝所做的修改不会影响原始数组，格式如下：
ndarray.flatten(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
示例：
In [1]: import numpy as np
In [2]: sum = np.arange(8).reshape(2,4)
In [3]: sum
Out[3]:
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
In [4]: sum.flatten()
Out[4]: array([0, 1, 2, 3, 4, 5, 6, 7])
In [5]: sum.flatten(order='F')
Out[5]: array([0, 4, 1, 5, 2, 6, 3, 7])numpy.ravel 函数
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
numpy.ravel(num, 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
示例：
In [1]: import numpy as np
In [2]: num = np.arange(8).reshape(2,4)
In [3]: num
Out[3]:
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
In [4]: num.ravel()
Out[4]: array([0, 1, 2, 3, 4, 5, 6, 7])
In [5]: num.ravel(order='F')
Out[5]: array([0, 4, 1, 5, 2, 6, 3, 7])翻转数组
- transpose 对换数组的维度
- ndarray.T 和 self.transpose() 相同
- rollaxis 向后滚动指定的轴
- swapaxes 对换数组的两个轴
numpy.transpose 函数
用于对换数组的维度，格式如下：
numpy.transpose(arr, axes)- arr：要操作的数组
- axes：整数列表，对应维度，通常所有维度都会对换
示例：
In [1]: import numpy as np
In [2]: num = np.arange(12).reshape(3,4)
In [3]: num
Out[3]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
In [4]: np.transpose(num)
Out[4]:
array([[ 0, 4, 8],
[ 1, 5, 9],
[ 2, 6, 10],
[ 3, 7, 11]])numpy.ndarray.T 类似 numpy.transpose
In [5]: num.T
Out[5]:
array([[ 0, 4, 8],
[ 1, 5, 9],
[ 2, 6, 10],
[ 3, 7, 11]])numpy.rollaxis 函数
向后滚动特定的轴到一个特定位置，格式如下：
numpy.rollaxis(arr, axis, start)参数说明：
- arr：数组
- axis：要向后滚动的轴，其它轴的相对位置不会改变
- start：默认为零，表示完整的滚动。会滚动到特定位置
示例：
In [1]: import numpy as np
In [2]: num = np.arange(8).reshape(2,2,2)
In [3]: num
Out[3]:
array([[[0, 1],
[2, 3]],
[[4, 5],
[6, 7]]])
In [4]: np.rollaxis(num, 2)
Out[4]:
array([[[0, 2],
[4, 6]],
[[1, 3],
[5, 7]]])
In [5]: np.rollaxis(num, 2, 1)
Out[5]:
array([[[0, 2],
[1, 3]],
[[4, 6],
[5, 7]]])numpy.swapaxes 函数
用于交换数组的两个轴，格式如下：
numpy.swapaxes(arr, axis1, axis2)参数说明：
- arr：输入的数组
- axis1：对应第一个轴的整数
- axis2：对应第二个轴的整数
示例：
In [1]: import numpy as np
In [2]: num = np.arange(8).reshape(2,2,2)
In [3]: num
Out[3]:
array([[[0, 1],
[2, 3]],
[[4, 5],
[6, 7]]])
In [4]: np.swapaxes(num, 2, 0)
Out[4]:
array([[[0, 4],
[2, 6]],
[[1, 5],
[3, 7]]])修改数组维度
- broadcast 产生模仿广播的对象
- broadcast_to 将数组广播到新形状
- expand_dims 扩展数组的形状
- squeeze 从数组的形状中删除一维条目
numpy.broadcast 函数
用于模仿广播的对象，它返回一个对象，该对象封装了将一个数组广播到另一个数组的结果，该函数使用两个数组作为输入参数，如下实例：
In [1]: import numpy as np
In [2]: x = np.array([[1], [2], [3]])
In [3]: y = np.array([4, 5, 6])
In [4]: x
Out[4]:
array([[1],
[2],
[3]])
In [5]: y
Out[5]: array([4, 5, 6])
In [6]: num = np.broadcast(x, y)
In [7]: num
Out[7]: <numpy.broadcast at 0x7fac788ebce0>
In [8]: a, b = num.iters
In [9]: a
Out[9]: <numpy.flatiter at 0x7fac779ede00>
In [10]: b
Out[10]: <numpy.flatiter at 0x7fac779c9e00>
In [11]: print(next(a), next(b))
1 4
In [12]: print(next(a), next(b))
1 5
In [13]: num.shape
Out[13]: (3, 3)
In [14]: num = np.broadcast(x, y)
In [15]: ape = np.empty(num.shape)
In [16]: ape
Out[16]:
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
In [17]: ape.shape
Out[17]: (3, 3)
In [18]: ape.flat = [i + j for i, j in num]
In [19]: ape
Out[19]:
array([[5., 6., 7.],
[6., 7., 8.],
[7., 8., 9.]])
In [20]: x + y
Out[20]:
array([[5, 6, 7],
[6, 7, 8],
[7, 8, 9]])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)示例：
In [1]: import numpy as npIn [2]: num = np.arange(4).reshape(1,4)
In [3]: num
Out[3]: array([[0, 1, 2, 3]])
In [4]: np.broadcast_to(num, (4,4))
Out[4]:
array([[0, 1, 2, 3],
[0, 1, 2, 3],
[0, 1, 2, 3],
[0, 1, 2, 3]])
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
示例：
In [1]: import numpy as np
In [2]: x = np.array(([1,2],[3,4]))
In [3]: x
Out[3]:
array([[1, 2],
[3, 4]])
In [4]: y = np.expand_dims(x, axis=0)
In [5]: y
Out[5]:
array([[[1, 2],
[3, 4]]])
In [6]: x.shape, y.shape
Out[6]: ((2, 2), (1, 2, 2))
In [7]: y = np.expand_dims(x, axis=1)
In [8]: y
Out[8]:
array([[[1, 2]],
[[3, 4]]])
In [9]: x.ndim,y.ndim
Out[9]: (2, 3)
In [10]: x.shape, y.shape
Out[10]: ((2, 2), (2, 1, 2))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
示例：
In [1]: import numpy as np
In [2]: x = np.arange(9).reshape(1,3,3)
In [3]: x
Out[3]:
array([[[0, 1, 2],
[3, 4, 5],
[6, 7, 8]]])
In [4]: y = np.squeeze(x)
In [5]: y
Out[5]:
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
In [6]: x.shape, y.shape
Out[6]: ((1, 3, 3), (3, 3))连接数组
- concatenate 连接沿现有轴的数组序列
- stack 沿着新的轴加入一系列数组
- hstack 水平堆叠序列中的数组（列方向）
- vstack 竖直堆叠序列中的数组（行方向）
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
示例：
In [1]: import numpy as np
In [2]: x = np.array([[1,2],[3,4]])
In [3]: x
Out[3]:
array([[1, 2],
[3, 4]])
In [4]: y = np.array([[5,6],[7,8]])
In [5]: y
Out[5]:
array([[5, 6],
[7, 8]])
In [6]: np.concatenate((x, y))
Out[6]:
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
In [7]: np.concatenate((x, y), axis=0)
Out[7]:
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
In [8]: np.concatenate((x, y), axis=1)
Out[8]:
array([[1, 2, 5, 6],
[3, 4, 7, 8]])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
示例：
In [1]: import numpy as np
In [2]: x = np.array([[1,2],[3,4]])
In [3]: x
Out[3]:
array([[1, 2],
[3, 4]])
In [4]: y = np.array([[5,6],[7,8]])
In [5]: y
Out[5]:
array([[5, 6],
[7, 8]])
In [6]: np.stack((x, y), 0)
Out[6]:
array([[[1, 2],
[3, 4]],
[[5, 6],
[7, 8]]])
In [7]: np.stack((x, y), 1)
Out[7]:
array([[[1, 2],
[5, 6]],
[[3, 4],
[7, 8]]])numpy.hstack 函数
numpy.hstack 函数是 numpy.stack 函数的变体，它通过水平堆叠来生成数组
In [1]: import numpy as np
In [2]: x = np.array([[1,2],[3,4]])
In [3]: x
Out[3]:
array([[1, 2],
[3, 4]])
In [4]: y = np.array([[5,6],[7,8]])
In [5]: y
Out[5]:
array([[5, 6],
[7, 8]])
In [6]: np.hstack((x, y))
Out[6]:
array([[1, 2, 5, 6],
[3, 4, 7, 8]])numpy.vstack 函数
numpy.vstack 函数是 numpy.stack 函数的变体，它通过垂直堆叠来生成数组
In [1]: import numpy as np
In [2]: x = np.array([[1,2],[3,4]])
In [3]: x
Out[3]:
array([[1, 2],
[3, 4]])
In [4]: y = np.array([[5,6],[7,8]])
In [5]: y
Out[5]:
array([[5, 6],
[7, 8]])
In [6]: np.vstack((x, y))
Out[6]:
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])分割数组
- split 将一个数组分割为多个子数组
- hsplit 将一个数组水平分割为多个子数组（按列）
- vsplit 将一个数组垂直分割为多个子数组（按行）
numpy.split 函数
沿特定的轴将数组分割为子数组，格式如下：
numpy.split(ary, indices_or_sections, axis)参数说明：
- ary：被分割的数组
- indices_or_sections：果是一个整数，就用该数平均切分，如果是一个数组，为沿轴切分的位置（左开右闭）
- axis：沿着哪个维度进行切向，默认为0，横向切分。为1时，纵向切分
示例：
In [1]: import numpy as np
In [2]: num = np.arange(9)
In [3]: num
Out[3]: array([0, 1, 2, 3, 4, 5, 6, 7, 8])
In [4]: np.split(num, 3)
Out[4]: [array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])]
In [5]: np.split(num, [4, 7])
Out[5]: [array([0, 1, 2, 3]), array([4, 5, 6]), array([7, 8])]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
In [1]: import numpy as np
In [2]: num = np.floor(10 * np.random.random((2, 6)))
In [3]: num
Out[3]:
array([[8., 7., 6., 8., 1., 2.],
[3., 9., 5., 3., 8., 5.]])
In [4]: np.hsplit(num, 3)
Out[4]:
[array([[8., 7.],
[3., 9.]]), array([[6., 8.],
[5., 3.]]), array([[1., 2.],
[8., 5.]])]numpy.vsplit 函数
沿着垂直轴分割，其分割方式与 hsplit 用法相同
In [1]: import numpy as np
In [2]: num = np.arange(16).reshape(4, 4)
In [3]: num
Out[3]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
In [4]: np.vsplit(num, 2)
Out[4]:
[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
- resize 返回指定形状的新数组
- append 将值添加到数组末尾
- insert 沿指定轴将值插入到指定下标之前
- delete 删掉某个轴的子数组，并返回删除后的新数组
- unique 查找数组内的唯一元素
numpy.resize 函数
返回指定大小的新数组，如果新数组大小大于原始大小，则包含原始数组中的元素的副本
numpy.resize(arr, shape)参数说明：
- arr：要修改大小的数组
- shape：返回数组的新形状
示例：
In [1]: import numpy as np
In [2]: x = np.array([[1,2,3],[4,5,6]])
In [3]: x
Out[3]:
array([[1, 2, 3],
[4, 5, 6]])
In [4]: x.shape
Out[4]: (2, 3)
In [5]: y = np.resize(x, (3,2))
In [6]: y
Out[6]:
array([[1, 2],
[3, 4],
[5, 6]])
In [7]: y.shape
Out[7]: (3, 2)
In [8]: y = np.resize(x, (3,3))
In [9]: y
Out[9]:
array([[1, 2, 3],
[4, 5, 6],
[1, 2, 3]])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）
示例：
In [1]: import numpy as np
In [2]: num = np.array([[1,2,3],[4,5,6]])
In [3]: num
Out[3]:
array([[1, 2, 3],
[4, 5, 6]])
In [4]: np.append(num, [7,8,9])
Out[4]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])
In [5]: np.append(num, [[7,8,9]], axis=0)
Out[5]:
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
In [6]: np.append(num, [[5,5,5], [7,8,9]], axis=1)
Out[6]:
array([[1, 2, 3, 5, 5, 5],
[4, 5, 6, 7, 8, 9]])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
示例：
In [1]: import numpy as np
In [2]: num = np.array([[1,2],[3,4],[5,6]])
In [3]: num
Out[3]:
array([[1, 2],
[3, 4],
[5, 6]])
In [4]: np.insert(num, 3, [11,12])
Out[4]: array([ 1, 2, 3, 11, 12, 4, 5, 6])
In [5]: np.insert(num, 1, [11], axis=0)
Out[5]:
array([[ 1, 2],
[11, 11],
[ 3, 4],
[ 5, 6]])
In [6]: np.insert(num, 1, 11, axis=1)
Out[6]:
array([[ 1, 11, 2],
[ 3, 11, 4],
[ 5, 11, 6]])
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
示例:
In [1]: import numpy as np
In [2]: num = np.arange(12).reshape(3,4)
In [3]: num
Out[3]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
In [4]: np.delete(num, 5)
Out[4]: array([ 0, 1, 2, 3, 4, 6, 7, 8, 9, 10, 11])
In [5]: np.delete(num, 1, axis=1)
Out[5]:
array([[ 0, 2, 3],
[ 4, 6, 7],
[ 8, 10, 11]])
In [6]: num = np.array([1,2,3,4,5,6,7,8,9,10])
In [7]: num
Out[7]: array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
In [8]: np.delete(num, np.s_[::2])
Out[8]: array([ 2, 4, 6, 8, 10])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
示例：
In [1]: import numpy as np
In [2]: num = np.array([5,2,6,2,7,5,6,8,2,9])
In [3]: num
Out[3]: array([5, 2, 6, 2, 7, 5, 6, 8, 2, 9])
In [4]: np.unique(num)
Out[4]: array([2, 5, 6, 7, 8, 9])
In [5]: np.unique(num, return_index=True)
Out[5]: (array([2, 5, 6, 7, 8, 9]), array([1, 0, 2, 4, 7, 9]))
In [6]: x, y = np.unique(num, return_index=True)
In [7]: y
Out[7]: array([1, 0, 2, 4, 7, 9])
In [8]: np.unique(num, return_inverse=True)
Out[8]: (array([2, 5, 6, 7, 8, 9]), array([1, 0, 2, 0, 3, 1, 2, 4, 0, 5]))
In [9]: x, y = np.unique(num, return_inverse=True)
In [10]: x
Out[10]: array([2, 5, 6, 7, 8, 9])
In [11]: y
Out[11]: array([1, 0, 2, 0, 3, 1, 2, 4, 0, 5])
In [12]: x[y]
Out[12]: array([5, 2, 6, 2, 7, 5, 6, 8, 2, 9])
In [13]: x, y = np.unique(num, return_counts=True)
In [14]: x
Out[14]: array([2, 5, 6, 7, 8, 9])
In [15]: y
Out[15]: array([3, 2, 2, 1, 1, 1])
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
