numpy知识点汇总

文章目录

  • numpy数组
    • 数组的创建
      • 1.arange函数
      • 2.array函数
      • 3.zeros函数
      • 4.ones函数
      • 5.empty()函数(注意)
    • 数组的维度
      • 1.shape函数
      • 2.reshape函数
      • 3.resize函数
      • 4.ravel函数与flatten函数
    • 数组的组合方法
      • 1.vstack函数
      • 2.hstack函数
      • 3.dstack函数
      • 4.stack函数
      • 5.concatenate函数
    • 数组的分割方法
      • 1.hsplit函数
      • 2.vsplit函数
      • 3.dsplit函数
    • 其他属性
      • 1.transpose()
      • 2.flat
      • 3.tolist()
      • 4.astype()

numpy数组

数组的创建

1.arange函数

辅助reshape函数可以创建任意维度的数组

print(np.arange(5))  # 创建一维数组
print(np.arange(9).reshape(3, 3))  # 创建二维及更高数组以此类推
print(np.arange(10, step=2))  # 指定步长

输出

[0 1 2 3 4]
[[0 1 2]
 [3 4 5]
 [6 7 8]]
[0 2 4 6 8]

2.array函数

可以自定义创建数组

print(np.array([1, 2, 3, 4]))
print(np.array([[1, 2], [3, 4]]))
print(np.array([1, 2, 3, 4], dtype = 'str'))

输出

[1 2 3 4]
[[1 2]
 [3 4]]
['1' '2' '3' '4']

3.zeros函数

创建元素全为0的一维及更高数组

print(np.zeros(5))
print(np.zeros((3, 3)))

输出

[0. 0. 0. 0. 0.]
[[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]

4.ones函数

与zeros函数差不多,ones函数创建元素全为1的一维及更高数组

print(np.ones(5))
print(np.ones((3, 3)))

输出

[1. 1. 1. 1. 1.]
[[1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]]

5.empty()函数(注意)

empty函数是创建一个空的数组,但是要注意的是,它创建的数组里面的元素是不为空的,使用时需要将它里面的元素全部替换,否则可能影响使用结果

print(np.empty(11))
print(np.empty((2, 4)))

输出

[6.23042070e-307 7.56587584e-307 1.37961302e-306 6.23053614e-307
 6.23053954e-307 1.78020169e-306 1.78021527e-306 1.69118787e-306
 2.22522596e-306 2.41910790e-312 0.00000000e+000]
[[0.00000000e+000 0.00000000e+000 0.00000000e+000 0.00000000e+000]
 [0.00000000e+000 4.52564132e-321 1.78021527e-306 6.95358498e-308]]

数组的维度

1.shape函数

shape函数可以检查数组的形状,同时也可以改变数组的形状,而且会对数组本身造成影响(改变形状会直接改变原数组)。
使用方法

a = np.arange(12)
print(a.shape)  # 返回数组形状
a.shape = (2,3,2)  # 修改数组形状
print(a.shape)

输出

(12,)
(2, 3, 2)

2.reshape函数

reshape函数可以设置数组的形状,但是不会影响到原来的数组

a = np.arange(12)
print(a.shape)
b = a.reshape(2,3,2)
print(a.shape)
print(b.shape)

输出

(12,)
(12,)
(2, 3, 2)

3.resize函数

resize函数也是修改数组的形状,但是会直接改变原来的数组

a = np.arange(12)
print(a.shape)
a.resize(2,3,2)
print(a.shape)

输出

(12,)
(2, 3, 2)

4.ravel函数与flatten函数

这两个函数的功能是展平数组,将一个多维的数组有序的展开成为一个一维数组,但是ravel只是返回数组的视图,而flatten会请求分配内存来保存结果
ravel函数:

a = np.arange(12).reshape(2,3,2)
print(a.shape)
a = a.ravel()
print(a.shape)

输出

(2, 3, 2)
(12,)

flatten函数:

a = np.arange(12).reshape(2,3,2)
print(a.shape)
a = a.flatten()
print(a.shape)

输出

(2, 3, 2)
(12,)

效果一样,并且都不会直接改变原数组

数组的组合方法

1.vstack函数

将多个数组垂直组合成为一个新的数组,新数组的行数会发生变化,但是组合的数组列数必须相同

a = np.arange(6).reshape(2,3)
b = np.arange(6).reshape(2,3)
c = np.arange(6).reshape(2,3)
print(a)
print(b)
print(c)
print('--')
d = np.vstack((a,b,c))
print(d)

输出

[[0 1 2]
 [3 4 5]]
[[0 1 2]
 [3 4 5]]
[[0 1 2]
 [3 4 5]]
--
[[0 1 2]
 [3 4 5]
 [0 1 2]
 [3 4 5]
 [0 1 2]
 [3 4 5]]

2.hstack函数

将多个数组水平组合成为一个新的数组,新数组的列数数会发生变化,但是组合的数组行数必须相同

a = np.arange(6).reshape(2,3)
b = np.arange(6).reshape(2,3)
c = np.arange(6).reshape(2,3)
print(a)
print(b)
print(c)
print('--')
d = np.hstack((a,b,c))
print(d)

输出

[[0 1 2]
 [3 4 5]]
[[0 1 2]
 [3 4 5]]
[[0 1 2]
 [3 4 5]]
--
[[0 1 2 0 1 2 0 1 2]
 [3 4 5 3 4 5 3 4 5]]

3.dstack函数

dstack函数针对的是axis=2也就是第三个维度(shape函数显示的第三个维度)进行组合,不能用行列的关系来解释了。
对2个低于三维的数组进行拼接

a = np.arange(6).reshape(2,3)
b = np.arange(6).reshape(2,3)
print(a)
print(b)
print('--')
d = np.dstack((a,b))
print(d)
print(d.shape)

输出

[[0 1 2]
 [3 4 5]]
[[0 1 2]
 [3 4 5]]
--
[[[0 0]
  [1 1]
  [2 2]]

 [[3 3]
  [4 4]
  [5 5]]]
(2, 3, 2)

对2个三维数组进行拼接

a = np.arange(6).reshape(2,3,1)
b = np.arange(6).reshape(2,3,1)
print(a)
print(b)
print('--')
d = np.dstack((a,b))
print(d)
print(d.shape)

输出

[[[0]
  [1]
  [2]]

 [[3]
  [4]
  [5]]]
[[[0]
  [1]
  [2]]

 [[3]
  [4]
  [5]]]
--
[[[0 0]
  [1 1]
  [2 2]]

 [[3 3]
  [4 4]
  [5 5]]]
(2, 3, 2)

4.stack函数

用stack函数组合后数组的维度会+1,它有一个axis参数,代表数组沿着某个轴堆叠
当axis=0时,stack函数会直接将两个数组上下堆叠起来,相当于直接在两个数组外面套上一对[],结果就像是array(数组1,数组2)
axis=0时

a = np.array([1, 2, 3])
b = np.array([2, 3, 4])
c = np.stack((a, b), axis=0)
print(c)
print(c.shape)

输出

[[1 2 3]
 [2 3 4]]
(2, 3)

5.concatenate函数

concatenate函数有axis参数,当axis=0时,效果与vstack函数相同,当axis=1时,效果与hstack相同,当axis=2时,效果与dstack相同,但是不能完全代替,concatenate函数对于组合数组形状的要求更加严格

a = np.arange(4).reshape(2,2,1)
b = np.arange(4).reshape(2,2,1)
c = np.dstack((a, b))
print(c)
print('-----')
d = np.concatenate((a,b), axis=2)
print(d)

输出

[[[0 0]
  [1 1]]

 [[2 2]
  [3 3]]]
-----
[[[0 0]
  [1 1]]

 [[2 2]
  [3 3]]]

上面这种情况正常运行
将b的形状改变一下

b = np.arange(4).reshape(2,2)

输出

[[[0 0]
  [1 1]]

 [[2 2]
  [3 3]]]
-----
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
 in 
      6 print(c)
      7 print('-----')
----> 8 d = np.concatenate((a,b), axis=2)
      9 print(d)

ValueError: all the input arrays must have same number of dimensions

报错了,因为concatenate函数组合的两个数组除了指定的轴以外的形状必须相同

数组的分割方法

要将数组分割n份,那么分割的数组必须能等分成n份,且分割后的数组放在一个列表中

1.hsplit函数

行分割

a = np.arange(9).reshape(3,3)
d1 = np.hsplit(a, 3)
print(d1)

输出

[array([[0],
       [3],
       [6]]), array([[1],
       [4],
       [7]]), array([[2],
       [5],
       [8]])]

2.vsplit函数

列分割

a = np.arange(9).reshape(3,3)
d1 = np.vsplit(a, 3)
print(d1)

输出

[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

3.dsplit函数

a = np.arange(12).reshape(2, 2, 3)
l = np.dsplit(a, 3)
print(l[0].shape)
print(l[1].shape)
print(l[2].shape)
print(l)

输出

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

       [[6],
        [9]]]), array([[[ 1],
        [ 4]],

       [[ 7],
        [10]]]), array([[[ 2],
        [ 5]],

       [[ 8],
        [11]]])]

其他属性

1.transpose()

转置数组效果与T一样

a = np.arange(9).reshape(3,3)
print(a)
print(a.T)
print(a.transpose())

输出

[[0 1 2]
 [3 4 5]
 [6 7 8]]
[[0 3 6]
 [1 4 7]
 [2 5 8]]
[[0 3 6]
 [1 4 7]
 [2 5 8]]

2.flat

flat 属性将返回一个可迭代对象,可以让我们像遍历一维数组一样去遍历任意的多维数组

a = np.arange(9).reshape(3,3)
f = a.flat
for i in f:
    print(i, end=',')

输出

0,1,2,3,4,5,6,7,8,

3.tolist()

tolist函数numpy数组转换成python列表

a = np.arange(9).reshape(3,3)
b = a.tolist()
print(b)

输出

[[0, 1, 2], [3, 4, 5], [6, 7, 8]]

4.astype()

astype函数可以将数组转换成指定数据类型

a = np.arange(9).reshape(3,3)
b = a.astype(str)
print(b)

输出

[['0' '1' '2']
 ['3' '4' '5']
 ['6' '7' '8']]

你可能感兴趣的:(python)