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]  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]  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 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]



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  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:

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]

 

 

你可能感兴趣的:(Numpy | 12 数组操作)