【Python数据分析系列】一文帮你全面梳理数组的维度转化和堆叠操作(案例+源码)

这是Python数据分析系列原创文章,我的第184篇原创文章。

一、问题

       在做数据分析和机器学习任务的时候,经常会遇到数据的重组,这就涉及到关于数组的维度转化和堆叠问题,本文将详细总结数据的堆叠操作方法。希望读者自己能够感悟其中的区别。

二、数组的属性和方法

数据准备

import numpy as np

X1 = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
X2 = np.array([[1, 2, 3, 4],
              [5, 6, 7, 8],
              [9, 10, 11, 12]])

2.1 尺寸、形状、长度

print('元素数量', X2.size)  # 输出数组元素的个数
print('行数', np.size(X2, 0), '列数', np.size(X2, 1)) # 输出行数和列数
print("维度:", X2.shape)   # 输出数组的形状(维度)
print('行数', X2.shape[0], '列数', X2.shape[1])  # 输出行数和列数
print('长度', len(X2))  # 输出数组的长度

输出结果:

【Python数据分析系列】一文帮你全面梳理数组的维度转化和堆叠操作(案例+源码)_第1张图片

2.2 一维数组转二维

X3 = X1.reshape(len(X1), 1)
X4 = np.reshape(X1, (-1, 1))

以上两种方法等价,np.reshape函数可以在不改变数组元素的情况下改变数组的形状,但是需要确保新的形状与原数组的元素数量匹配。

【Python数据分析系列】一文帮你全面梳理数组的维度转化和堆叠操作(案例+源码)_第2张图片

2.3 二维数组转一维

X5 = X2.flatten()

np.flatten方法返回一个展平后的一维数组,其中元素按照原数组的顺序排列。

图片

三、创建数组

3.1 根据一组索引号创建数组

# 索引和数据
l1 = [0, 1, 2]
l2 = [0, 5, 2]
data = [55, 58, 58]
indices = list(zip(l1, l2))
# 确定二维数组的大小
max_index = np.max(indices, axis=0)
rows, cols = max_index[0] + 1, max_index[1] + 1
# 创建初始的二维数组
arr = np.zeros((rows, cols))
# 根据索引和数据填充二维数组
for idx, value in zip(indices, data):
    arr[idx] = value
print(arr)
# 绘制数据的热力图
# ax = sns.heatmap(arr)
# plt.show()

arr如下:arr[0][0]=55;arr[1][5]=55;arr[2][2]=55;

【Python数据分析系列】一文帮你全面梳理数组的维度转化和堆叠操作(案例+源码)_第3张图片

3.2 np.random()随机数生成数组

np.random.seed(0)
data = np.random.rand(10, 12)

np.random.rand()返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1),不包括1。np.random.randn()返回一个或一组服从标准正态分布的随机样本值。

np.random.seed(0)
data = np.random.randint(2, high=10, size=(2,3))

numpy.random.randint()返回一个随机整型数

np.random.seed(0)
data = np.random.random((3, 4))

np.random.random()返回[0,1)之间的浮点数

三、数组堆叠操作

准备数据

a1 = np.array([1, 3, 4])    # shape (3,)
a2 = np.array([4, 6, 7])    # shape (3,)
a3 = np.array([8, 10, 14])    # shape (3,)
b1 = np.array([[1,2,3],[4,5,6]])  # shape (3, 3)
b2 = np.array([[11,21,31],[7,8,9]])  # shape (3, 3)

3.1 stack()

c1 = np.stack((a1, a2, a3), axis=0)
c2 = np.stack((a1, a2, a3), axis=1)

np.stack是NumPy库中的一个函数,用于沿新的轴将多个数组堆叠在一起。它可以用于在新的维度上将多个数组进行堆叠,从而创建一个更高维度的数组。需要注意的是,堆叠的数组必须具有相同的形状。

图片

以上是在第一个维度上(行)进行堆叠的结果

图片

以上是在第二个维度(列)上进行堆叠的结果

3.2 vstack()

d1 = np.vstack((a1, a2, a3))

np.vstack是NumPy库中的一个函数,用于沿垂直方向(行方向)将多个数组堆叠在一起。它可以将多个数组垂直堆叠成一个更大的数组。需要注意的是,堆叠的数组在除了垂直方向(行方向)以外的其他维度上必须具有相同的形状。

图片

以上是堆叠的结果,沿行方向,列数不变。

3.3 hstack()

e1 = np.hstack((a1, a2, a3))

np.hstack是NumPy库中的一个函数,用于沿水平方向(列方向)将多个数组堆叠在一起。它可以将多个数组水平堆叠成一个更大的数组。需要注意的是,堆叠的数组在除了水平方向(列方向)以外的其他维度上必须具有相同的形状。

图片

以上是堆叠的结果,沿列方向,行数不变。

3.4 dstack()

f1 = np.dstack((a1, a2, a3))

np.dstack是NumPy库中的一个函数,用于沿深度方向(第三维度)将多个数组堆叠在一起。它可以将多个二维数组沿深度方向堆叠成一个更大的三维数组。需要注意的是,堆叠的数组在除了深度方向(第三维度)以外的其他维度上必须具有相同的形状。

图片

3.5 row_stack()

g1 = np.row_stack((a1, a2, a3))

np.row_stack是NumPy库中的一个函数,用于沿行方向将多个数组堆叠在一起。它可以将多个数组按行堆叠成一个更大的数组。需要注意的是,堆叠的数组在除了行方向以外的其他维度上必须具有相同的形状。

图片

以上是堆叠的结果

3.6 column_stack()

h1 = np.column_stack((a1, a2, a3))

np.column_stack是NumPy库中的一个函数,用于沿列方向将多个数组堆叠在一起。它可以将多个数组按列堆叠成一个更大的数组。需要注意的是,堆叠的数组在除了列方向以外的其他维度上必须具有相同的形状。

图片

以上是堆叠的结果

3.7 concatenate()

i1 = np.concatenate((a1, a2, a3), axis=0)
i2 = np.concatenate((b1, b2), axis=1)

np.concatenate是NumPy库中的一个函数,用于沿指定轴将多个数组连接在一起。它可以将多个数组在指定的轴上进行连接,生成一个更大的数组。需要注意的是,连接的数组在除了指定轴以外的其他维度上必须具有相同的形状。

i1结果:

图片

i2结果:

图片

本期内容就到这里,我们下期再见!需要数据集和源码的小伙伴关注底部公众号添加作者微信!

作者简介:

读研期间发表6篇SCI数据挖掘相关论文,现在某研究院从事数据算法相关科研工作,结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创,以最简单的方式理解和学习,关注我一起交流成长。

你可能感兴趣的:(数据分析,python,数据分析,numpy)