numpy的学习-03
数组操作
更改数组的shape
- np.ndarry.shape可返回数组的维度
- 修改维度可通过为shape赋值
- np.ndarray.flat将数组转换为一维的 迭代器（首地址/数组名），并且返回的是视图（共享空间）
- np.ndarray.flatten([order=‘C/F/A/K’])将数组转换为一维数组，并且返回的是拷贝（copy）；其中C表示按行平铺，F表示按列平铺，A表示按顺序平铺，K表示按元素在内存中出现的顺序平铺
- np.ravel(arrayname[,order='C])将数组转换为一维数组，并且返回的是视图；C/F/A/K含义同上；当order='F’时，返回的是拷贝。
- np.reshape(arrayname,newshape[,order=‘C’])表示在不更改数据的情况下改变数组的形状，且返回视图；其中参数newshape=[rows,-1]/[-1,cols]时，形状会根据已知的行数或列数确定，参数newshape=-1时，表示数组降至一维。
例：一维数组变二维数组
x = np.array([1, 2, 9, 4, 5, 6, 7, 8])
print(x.shape) # (8,) 获取维度
x.shape = [2, 4] #修改维度
print(x)
# [[1 2 9 4]
# [5 6 7 8]]例：二维数组平铺化
import numpy as np
x = np.array([[11, 12, 13, 14, 15],
[16, 17, 18, 19, 20],
[21, 22, 23, 24, 25],
[26, 27, 28, 29, 30],
[31, 32, 33, 34, 35]])
y = x.flat
print(y)
# 数组的转置
- np.transpose(arrayname[,axes=None])/np.ndarray.T 都表示对数组进行转置
更改数组维度
-
使用np.newaxis参数来增加一个维度，该维度的维数必为1
-
np.squeeze(arrayname[,axis=None])表示把shape中为1的维度删除；axis用于指定需要删除的维度，且该维度必为1。
数组的组合
注意：维度(一个number)指的是数组是几维，而不是形状（形状是m×n×k…）
-
np.concatenate([arrayname1,arrayname2,……],axis=0,out=None)表示对数组进行拼接；若原数组的维数相同，则拼接后维度不变；当参数axis=1时，表示按行拼接，默认情况下axis=0,表示按列拼接；拼接的数组维度必须相同。见下图例子
-
np.stack(arraynamen,axis=0,out=None)表示沿着新的轴加入一系列数组；并且维度会增加！其实也是进行数组的拼接；axis表示增加的新维度位置，默认为0，表示增加在第一维。
下图解释：x/y都是2*3的，x与y使用stack拼接必定会增加一个维度（该新维度的维数是2，由于是两个数组拼接）；当x=0时，新的维度增加在第一个维度上，同理x=2,增加在第二个维度上，x=3则增加在第三个维度上；
- vstack(arraynames)竖直方向合并= np.concatenate(arraynames,axis=0)
- np.hstack(arraynames)水平方向合并=np.concatenate(arraynames,axis=1)
- 注意：hstack可合并维度不同的，concatenate不可合并不同维度的。
数组拆分
- np.split(arrayname,indices_or_sections,axis=0/1)进行数组拆分jia
- np.vsplit(arrayname,indices_or_sections)垂直切分即按高度切分=np.split(arrayname,axis=0)
- np.hsplit(arrayname,indices_or_sections)水平切分即按宽度切分=np.split(arrayname,axis=1)
个人觉得：如果是indices=n，表示在array[n]之前切一刀；如果sections=[m,n]，表示在array[m]之前切一刀，在array[n]之前切一刀，根据axis的取值切的方向不同。
x = np.array([[[11, 12, 13, 14],
[16, 17, 18, 19],
[21, 22, 23, 24]],
[[1, 2, 3, 4],
[6, 7, 8, 9],
[2, 2, 2, 2]],
[[111, 112, 113, 114],
[116, 117, 118, 119],
[211, 212, 213, 214]]])#3*3*4
y = np.split(x, [1, 3])
print(y)
[array([[[11, 12, 13, 14],
[16, 17, 18, 19],
[21, 22, 23, 24]]]), #x[0]
array([[[ 1, 2, 3, 4],
[ 6, 7, 8, 9],
[ 2, 2, 2, 2]],
[[111, 112, 113, 114],
[116, 117, 118, 119],
[211, 212, 213, 214]]]), #x[1],x[2]
array([], shape=(0, 3, 4), dtype=int32 #x[3]其实为空
]数组平铺
- np.title(arrayname,reps)其中reps=(m,n)意为把arrayname数组看成一个整体，构造一个拥有m*n个arragname数组 的大数组.
- np.repeat(arrayname,repeats,axis=None)进行数组的复制；repeats=n时，表示复制n遍，repeats=[m,n]时，表示某行/某列复制m遍，而剩下的某行/列复制n遍；axis=0表示沿着y轴复制，增加了行数，axis=1表示沿着x轴复制，增加了列数，默认情况下axis=None时，会flatten该矩阵，变为行向量。