Numpy | 12 数组操作
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
一、修改数组形状
| 函数 | 描述 |
|---|---|
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
numpy.reshape 函数可以在不改变数据的条件下修改形状
numpy.reshape(arr, newshape, order='C')
-
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。
import numpy as np a = np.arange(8) print('原始数组：') print(a) print('\n') b = a.reshape(4, 2) print('修改后的数组：') print(b)
输出结果如下：
原始数组：
[0 1 2 3 4 5 6 7]
修改后的数组：
[[0 1]
[2 3]
[4 5]
[6 7]]
numpy.ndarray.flat
numpy.ndarray.flat 是一个数组元素迭代器
import numpy as np a = np.arange(9).reshape(3, 3) print('原始数组：') for row in a: print(row)
print('\n')
# 对数组中每个元素都进行处理，可以使用flat属性，该属性是一个数组元素迭代器： print('迭代后的数组：') for element in a.flat: print(element)
输出结果如下：
原始数组：
[0 1 2]
[3 4 5]
[6 7 8]
迭代后的数组：
0
1
2
3
4
5
6
7
8
numpy.ndarray.flatten
numpy.ndarray.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。
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。
import numpy as np a = np.arange(8).reshape(2, 4) print('原数组：') print(a) print('\n') # 默认按行 print('展开的数组：') print(a.flatten()) print('\n') print('以 F 风格顺序展开的数组：') print(a.flatten(order='F'))
输出结果如下：
原数组：
[[0 1 2 3]
[4 5 6 7]]
展开的数组：
[0 1 2 3 4 5 6 7]
以 F 风格顺序展开的数组：
[0 4 1 5 2 6 3 7]
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：
原数组：
[[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]
二、翻转数组
| 函数 | 描述 |
|---|---|
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
numpy.transpose 函数用于对换数组的维度，格式如下：
numpy.transpose(arr, axes)
参数说明:
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。
import numpy as np a = np.arange(12).reshape(3,4) print ('原数组：') print (a ) print ('\n') print ('对换数组：') print (np.transpose(a))
输出结果如下：
原数组：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
对换数组：
[[ 0 4 8]
[ 1 5 9]
[ 2 6 10]
[ 3 7 11]]
numpy.ndarray.T
类似 numpy.transpose：
import numpy as np a = np.arange(12).reshape(3,4) print ('原数组：') print (a) print ('\n') print ('转置数组：') print (a.T)
输出结果如下：
原数组：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
转置数组：
[[ 0 4 8]
[ 1 5 9]
[ 2 6 10]
[ 3 7 11]]
numpy.rollaxis
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。
import numpy as np # 创建了三维的 ndarray a = np.arange(8).reshape(2, 2, 2) print('原数组：') print(a) print('\n') # 将轴 2 滚动到轴 0（宽度到深度） print('调用 rollaxis 函数：') print(np.rollaxis(a, 2)) print('\n') # 将轴 0 滚动到轴 1：（宽度到高度） print('调用 rollaxis 函数：') print(np.rollaxis(a, 2, 1))
输出结果如下：
原数组：
[[[0 1]
[2 3]]
[[4 5]
[6 7]]]
调用 rollaxis 函数：
[[[0 2]
[4 6]]
[[1 3]
[5 7]]]
调用 rollaxis 函数：
[[[0 2]
[1 3]]
[[4 6]
[5 7]]]
numpy.swapaxes
numpy.swapaxes 函数用于交换数组的两个轴，格式如下：
numpy.swapaxes(arr, axis1, axis2)
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
import numpy as np # 创建了三维的 ndarray a = np.arange(8).reshape(2,2,2) print ('原数组：') print (a) print ('\n') # 现在交换轴 0（深度方向）到轴 2（宽度方向） print ('调用 swapaxes 函数后的数组：') print (np.swapaxes(a, 2, 0))
输出结果如下：
原数组：
[[[0 1]
[2 3]]
[[4 5]
[6 7]]]
调用 swapaxes 函数后的数组：
[[[0 4]
[2 6]]
[[1 5]
[3 7]]]
三、修改数组维度
| 维度 | 描述 |
|---|---|
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
numpy.broadcast 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
import numpy as np x = np.array([[1], [2], [3]]) y = np.array([4, 5, 6]) print('数组x：') print(x) print('\n') print('数组y：') print(y) print('\n') # 对 y 广播 x b = np.broadcast(x, y) # 它拥有 iterator 属性，基于自身组件的迭代器元组 print(b) print('对 y 广播 x：') r, c = b.iters # shape 属性返回广播对象的形状 print('广播对象的形状：',b.shape) # Python3.x 为 next(context) ，Python2.x 为 context.next() print(next(r), next(c)) print(next(r), next(c)) print(next(r), next(c)) print(next(r), next(c)) 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 相加后的形状：',c.shape,'\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：
数组x：
[[1]
[2]
[3]]
数组y：
[4 5 6]
<numpy.broadcast object at 0x000001F1BA684530>
对 y 广播 x：
广播对象的形状： (3, 3)
1 4
1 5
1 6
2 4
手动使用 broadcast 将 x 与 y 相加后的形状： (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：
原数组：
[[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：',x.shape, y.shape) print('\n') # 在位置 1 插入轴 y = np.expand_dims(x, axis=1) print('数组 x 在位置 1 插入轴之后的数组 y：') print(y) print('\n') print('x.ndim 和 y.ndim：',x.ndim, y.ndim) print('\n') print('x.shape 和 y.shape：',x.shape, y.shape)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：',x.shape, y.shape) print('\n') # 在位置 1 插入轴 y = np.expand_dims(x, axis=1) print('数组 x 在位置 1 插入轴之后的数组 y：') print(y) print('\n') print('x.ndim 和 y.ndim：',x.ndim, y.ndim) print('\n') print('x.shape 和 y.shape：',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)
数组 x 在位置 1 插入轴之后的数组 y：
[[[1 2]]
[[3 4]]]
x.ndim 和 y.ndim： 2 3
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)
四、连接数组
| 函数 | 描述 |
|---|---|
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
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))
输出结果如下：
第一个数组：
[[1 2]
[3 4]]
第二个数组：
[[5 6]
[7 8]]
沿轴 0 堆叠两个数组：
[[[1 2]
[3 4]]
[[5 6]
[7 8]]]
沿轴 1 堆叠两个数组：
[[[1 2]
[5 6]]
[[3 4]
[7 8]]]
numpy.hstack
numpy.hstack 是 numpy.stack 函数的变体，它通过水平堆叠来生成数组。
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 ('水平堆叠：') c = np.hstack((a,b)) print (c) print ('\n')
输出结果如下：
第一个数组：
[[1 2]
[3 4]]
第二个数组：
[[5 6]
[7 8]]
水平堆叠：
[[1 2 5 6]
[3 4 7 8]]
numpy.vstack
numpy.vstack 是 numpy.stack 函数的变体，它通过垂直堆叠来生成数组。
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 ('竖直堆叠：') c = np.vstack((a,b)) print (c)
输出结果为：
第一个数组：
[[1 2]
[3 4]]
第二个数组：
[[5 6]
[7 8]]
竖直堆叠：
[[1 2]
[3 4]
[5 6]
[7 8]]
五、分割数组
| 函数 | 数组及操作 |
|---|---|
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
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：如果是一个整数，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
import numpy as np a = np.arange(9) print ('第一个数组：') print (a) print ('\n') print ('将数组分为三个大小相等的子数组：') b = np.split(a,3) print (b) print ('\n') print ('将数组在一维数组中表明的位置分割：') b = np.split(a,[4,7]) print (b)
输出结果为：
第一个数组：
[0 1 2 3 4 5 6 7 8]
将数组分为三个大小相等的子数组：
[array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])]
将数组在一维数组中表明的位置分割：
[array([0, 1, 2, 3]), array([4, 5, 6]), array([7, 8])]
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.]]
拆分后：
[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]])]
六、数组元素的添加与删除
| 函数 | 元素及描述 |
|---|---|
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
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
import numpy as np a = np.array([[1, 2, 3], [4, 5, 6]]) print('第一个数组：') print(a) print('\n') print('第一个数组的形状：',a.shape) print('\n') b = np.resize(a, (3, 2)) print('第二个数组：') print(b) print('\n') print('第二个数组的形状：',b.shape) print('\n') # 要注意 a 的第一行在 b 中重复出现，因为尺寸变大了 print('新第二个数组的大小：') b = np.resize(a, (3, 3)) print(b)
输出结果为：
第一个数组：
[[1 2 3]
[4 5 6]]
第一个数组的形状： (2, 3)
第二个数组：
[[1 2]
[3 4]
[5 6]]
第二个数组的形状： (3, 2)
新第二个数组的大小：
[[1 2 3]
[4 5 6]
[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。 在插入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。 在插入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')
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 4 5 6 7 8 9 10 11]
删除第二列：
[[ 0 2 3]
[ 4 6 7]
[ 8 10 11]]
import numpy as np 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：
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：',a) print('\n') u = np.unique(a) print('第一个数组的去重值：',u) print('\n') u, indices = np.unique(a, return_index=True) print('去重数组的索引数组：',indices) print('\n') print('我们可以看到每个和原数组下标对应的数值：',a) print('\n') u, indices = np.unique(a, return_inverse=True) print('去重数组的下标：',u) print('\n') print('下标为：',indices) print('\n') print('使用下标重构原数组：',u[indices]) print('\n') u, indices = np.unique(a, return_counts=True) print('返回去重元素的重复数量：',u) print(indices)
输出结果为：
第一个数组： [5 2 6 2 7 5 6 8 2 9]
第一个数组的去重值： [2 5 6 7 8 9]
去重数组的索引数组： [1 0 2 4 7 9]
我们可以看到每个和原数组下标对应的数值： [5 2 6 2 7 5 6 8 2 9]
去重数组的下标： [2 5 6 7 8 9]
下标为： [1 0 2 0 3 1 2 4 0 5]
使用下标重构原数组： [5 2 6 2 7 5 6 8 2 9]
返回去重元素的重复数量： [2 5 6 7 8 9]
[3 2 2 1 1 1]
