Python的一些常见内置函数说明

背景

最近，碰到了一些Python的内置函数，有些呢网上说的很清楚，有些网上就说的不怎么清楚了（个人觉得），所以打算按照自己的理解，把一些常见的内置函数，记下来，持续更新哈，=_=。

一些常见的python内置函数

1、np.digitize（x, bins, right=False）

函数原型：

def digitize(x, bins, right=False):

函数源码如下：

def digitize(x, bins, right=False):
	x = _nx.asarray(x)
    bins = _nx.asarray(bins)

    # here for compatibility, searchsorted below is happy to take this
    if np.issubdtype(x.dtype, _nx.complexfloating):
        raise TypeError("x may not be complex")

    mono = _monotonicity(bins)
    if mono == 0:
        raise ValueError("bins must be monotonically increasing or decreasing")

    # this is backwards because the arguments below are swapped
    side = 'left' if right else 'right'
    if mono == -1:
        # reverse the bins, and invert the results
        return len(bins) - _nx.searchsorted(bins[::-1], x, side=side)
    else:
        return _nx.searchsorted(bins, x, side=side)

（这里不打算分析源码，因为笔者是Python小白，刚入坑哈，=_=，附上源码主要是为了有兴趣的大佬可以康康，嘻嘻）

np.digitize（x, bins, right=False）
—输入参数：（中文自己理解，英文摘自源码）：
x :输入预统计数组 /矩阵，可以为浮点型/整型混合
array_like
Input array to be binned. Prior to NumPy 1.10.0, this array had to
be 1-dimensional, but can now have any shape.

bins : 输入升序或降序数组， 注意：必须为升序或降序，否则会报错。可以为浮点型/整型混合
array_like
Array of bins. It has to be 1-dimensional and monotonic.

right=False：a<=x —返回值：
x同维度的[0，len(bins)]中的整数数组/矩阵（看不懂没关系，后面会有解释）
returns
indices : ndarray of ints
Output array of indices, of same shape as ‘x’.

只说下功能，如何使用，自己做个记录，方便以后查阅。
使用说明例子如下：

import cv2
import numpy as np

num = np.array([2,6,2,1,3,7,9,8,12,15,-1])
bins = np.array([0.0,1.0,2.5,4.0,12])
inds = np.digitize(num,bins)
print(inds)

if cv2.waitKey(0) & 0xFF ==ord('q'):
    cv2.destroyAllWindows()

代码运行后，打印结果如下：

可以看出，
打印的结果，和num的维度是一样的，1×11
接下来，再依次解释结果[2 4 2 2 3 4 4 4 5 5 0]中的值是怎么来的：
2：是num=[2,6,2,1,3,7,9,8,12,15,-1]中的第一个2，因为1.0<=2<2.5，这个[1.0，2.5）（默认right=False，左闭右开）是bins = [0.0,1.0,2.5,4.0,12]的第二个区间，所以第一个数为2；
4：同理，4.0<=4<12，在bins = [0.0,1.0,2.5,4.0,12]的第四个区间[4.0，12)，所以第二个数为4；
…（依次同理）
再说一下，特殊一点的，比如，
num=[2,6,2,1,3,7,9,8,12,15,-1]中的15：因为12<=15，位于(12,+∞）的第5区间，所以15对应的结果为5；
num=[2,6,2,1,3,7,9,8,12,15,-1]中的-1：因为-1<2，位于(-∞,0.0）的第0区间，所以-1对应的结果为0。

最后，得出结论，np.digitize（x, bins, right=False）也就是将数组/矩阵x按照bins的区间，将x转为相同维度的整数，整数取值为[0,len(bins)]，具体取哪个整数值，取决于你定的bins区间和x对应位置的值的大小关系。

所以，在做图像处理的时候，np.digitize（x, bins, right=False）有一个很好的用途就是它可以对灰度级数进行一个降级：

import cv2
import numpy as np
bins = np.array([0, 16, 32, 48, 64, 80, 96, 112, 128, 144, 160, 176, 192, 208, 224, 240, 255])
inds = np.digitize(grayImage,bins)

输入的是256级的灰度图像，使用np.digitize通过bins区间进行区分，可将其降为0-16级的灰度，减少后续的图像计算，我也是在做图像处理这一块儿的时候碰到的，=。=。

2、np.flatten()

碰到这个函数的原因，主要是用Python绘图的时候，多维数组（不知道是不是这么说，反正是很多个括号，下面例子里有），会报错，不能绘图，所以网上查了下，找到了这个函数，能用，暂时先说如何使用，不深究其源码实现。

例子如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt

a = [[[1]],[[1]],[[1]],[[1]],[[1]],[[1]],[[1]]]
plt.plot(a,'k--')
plt.show()

if cv2.waitKey(0) & 0xFF ==ord('q'):
    cv2.destroyAllWindows()

这样直接绘图，是要报错的，报错如下：

报错原因就是方括号多了（不知道是不是叫多维数组）的原因，然后我就从网上找到去除方括号的办法，就是用python的内置函数np.flatten()，代码如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt

a = [[[1]],[[1]],[[1]],[[1]],[[1]],[[1]],[[1]]]
#np.flatten()不能直接作用于list，只能作用于array，所以需转换一下类型
a = np.array(a).flatten()
#再把类型转换回来
a = list(a)
print(a)
print(type(a))

plt.plot(a,'k--')
plt.show()

if cv2.waitKey(0) & 0xFF ==ord('q'):
    cv2.destroyAllWindows()

代码执行结果：


去除方括号后，运行就没问题。

需要注意的是，np.flatten()不能直接作用于list，只能作用于array，所以再使用前需要进行类型转换，代码注释中也有说明。

另外，从网上也查到，np.ravel()也有类似功能，区别在于使用np.ravel()返回的是视图，会对原数据修改；使用np.flatten()返回的是拷贝，不会对原数据修改。

两者区别详见：https://blog.csdn.net/hanshuobest/article/details/78882425，就不另外验证了。

3、Python数据的强制类型转换：data = data.astype(np.uint8)

查看数据类型：

print(type(test_result))
print(test_result.dtype)

type(var)表示var是list、tuple还是np.array的那种数据类型；
var.dtype表示var是int、float的那种数据类型。

强制类型转换

1、data = data.astype(np.uint8)的格式，括号内为你想强制转换为的数据类型。

lbp = local_binary_pattern(grayImage, n_points, radius, method='default')
# 类型转换，lbp为int32，将其转为uint8，为了符合cv2.calcHist()的数据类型要求
lbpInt = lbp.astype(np.uint8)

2、data = int(data)
data = float(data)
data = np.float32(data)
第二种方法没试过，但估计可以。

4、保留矩阵数据的小数点位数设置：mat= np.around(mat,4)

opencv_hist = originLBP(grayImage,radius = 1,n_points = 8)
opencv_hist = opencv_hist.flatten()#np.array(opencv_hist).flatten()
print(opencv_hist)

原始数据打印如下（部分）：

加入opencv_hist = np.around(opencv_hist,4)后：

opencv_hist = originLBP(grayImage,radius = 1,n_points = 8)
opencv_hist = opencv_hist.flatten()#np.array(opencv_hist).flatten()
#只保留小数点后四位
# opencv_hist = np.around(opencv_hist,4)
print(opencv_hist)

打印数据如下（部分）：

mat= np.around(mat,4)，括号内的数字为矩阵元素打算保留的小数点位数。
mat= np.around(mat,num)和一般数据保留小数点位数的方法一致：data=round(data,num)。