python之numpy学习（三）

数组基本操作

接上一篇文章，我们了解了如何利用 NumPy 创建各式各样的 ndarray，以及数组形状和维度的概念。接下来，我们将利用学会针对 ndarray 的各种花式操作技巧。

重设形状

reshape 可以在不改变数组数据的同时，改变数组的形状。其中，numpy.reshape() 等效于 ndarray.reshape()。reshape 方法非常简单：

numpy.reshape(a, newshape)

其中，a 表示原数组，newshape 用于指定新的形状(整数或者元组)。

np.arange(10).reshape((5, 2))

数组展开

ravel 的目的是将任意形状的数组扁平化，变为 1 维数组。ravel 方法如下：

numpy.ravel(a, order='C')

其中，a 表示需要处理的数组。order 表示变换时的读取顺序，默认是按照行依次读取，当 order='F' 时，可以按列依次读取排序。

a = np.arange(10).reshape((2, 5))
a
np.ravel(a)
np.ravel(a, order='F')

轴移动

moveaxis 可以将数组的轴移动到新的位置。其方法如下：

numpy.moveaxis(a, source, destination)

其中：

• a：数组。
• source：要移动的轴的原始位置。
• destination：要移动的轴的目标位置。

a = np.ones((1, 2, 3))

np.moveaxis(a, 0, -1)

你可能没有看明白是什么意思，我们可以输出二者的 shape属性：

a.shape, np.moveaxis(a, 0, -1).shape

轴交换

和 moveaxis 不同的是，swapaxes 可以用来交换数组的轴。其方法如下：

numpy.swapaxes(a, axis1, axis2)

其中：

• a：数组。
• axis1：需要交换的轴 1 位置。
• axis2：需要与轴 1 交换位置的轴 1 位置。

a = np.ones((1, 4, 3))

np.swapaxes(a, 0, 2)

数组转置

transpose 类似于矩阵的转置，它可以将 2 维数组的横轴和纵轴交换。其方法如下：

numpy.transpose(a, axes=None)

其中：

• a：数组。
• axis：该值默认为 none，表示转置。如果有值，那么则按照值替换轴。

a = np.arange(4).reshape(2, 2)
np.transpose(a)

维度改变

atleast_xd 支持将输入数据直接视为 x维。这里的 x 可以表示：1，2，3。方法分别为：

numpy.atleast_1d()

numpy.atleast_2d()

numpy.atleast_3d()

print(np.atleast_1d([1, 2, 3]))

print(np.atleast_2d([4, 5, 6]))

print(np.atleast_3d([7, 8, 9]))

类型转换

在 NumPy 中，还有一系列以 as 开头的方法，它们可以将特定输入转换为数组，亦可将数组转换为矩阵、标量，ndarray 等。如下：

• asarray(a，dtype，order)：将特定输入转换为数组。
• asanyarray(a，dtype，order)：将特定输入转换为 ndarray。
• asmatrix(data，dtype)：将特定输入转换为矩阵。
• asfarray(a，dtype)：将特定输入转换为 float 类型的数组。
• asarray_chkfinite(a，dtype，order)：将特定输入转换为数组，检查 NaN 或 infs。
• asscalar(a)：将大小为 1 的数组转换为标量。

这里以 asmatrix(data，dtype) 方法举例：

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

np.asmatrix(a) # 将二维数组转化为矩阵类型

数组连接

concatenate 可以将多个数组沿指定轴连接在一起。其方法为：

numpy.concatenate((a1, a2, ...), axis=0)

其中：

• (a1, a2, ...)：需要连接的数组。
• axis：指定连接轴。

a = np.array([[1, 2], [3, 4], [5, 6]])
b = np.array([[7, 8], [9, 10]])
c = np.array([[11, 12]])
np.concatenate((a, b, c), axis=0)

这里，我们可以尝试沿着横轴连接。但要保证连接处的维数一致，所以这里用到了 .T 转置。

a = np.array([[1, 2], [3, 4], [5, 6]])
b = np.array([[7, 8, 9]])
np.concatenate((a, b.T), axis=1)

数组堆叠

在 NumPy 中，以下方法可用于数组的堆叠：

• stack(arrays，axis)：沿着新轴连接数组的序列。
• column_stack()：将 1 维数组作为列堆叠到 2 维数组中。
• hstack()：按水平方向堆叠数组。
• vstack()：按垂直方向堆叠数组。
• dstack()：按深度方向堆叠数组。

这里以 stack(arrays，axis) 方法举例：

a = np.array([1, 2, 3])

b = np.array([4, 5, 6])

np.stack((a, b))

当然，也可以横着堆叠。

np.stack((a, b), axis=-1)

拆分

split 及与之相似的一系列方法主要是用于数组的拆分，列举如下：

• split(ary，indices_or_sections，axis)：将数组拆分为多个子数组。
• dsplit(ary，indices_or_sections)：按深度方向将数组拆分成多个子数组。
• hsplit(ary，indices_or_sections)：按水平方向将数组拆分成多个子数组。
• vsplit(ary，indices_or_sections)：按垂直方向将数组拆分成多个子数组。

下面，我们看一看 split 到底有什么效果：

a = np.arange(10)

np.split(a, 5)

除了 1 维数组，更高维度也是可以直接拆分的。例如，我们可以将下面的数组按行拆分为 2。

a = np.arange(10).reshape(2, 5)
np.split(a, 2)

NumPy 中还有针对数组元素添加或移除的一些方法。

删除

首先是 delete 删除：

• delete(arr，obj，axis)：沿特定轴删除数组中的子数组。

a = np.arange(12).reshape(3, 4)

np.delete(a, 2, 1)

这里代表沿着横轴，将第 3 列(索引 2)删除。当然，你也可以沿着纵轴，将第三行删除。

np.delete(a, 2, 0)

数组插入

再看一看 insert插入，用法和 delete 很相似，只是需要在第三个参数位置设置需要插入的数组对象：

• insert(arr，obj，values，axis)：依据索引在特定轴之前插入值。

a = np.arange(12).reshape(3, 4)
b = np.arange(4)
np.insert(a, 2, b, 0)

附加

append 的用法也非常简单。只需要设置好需要附加的值和轴位置就好了。它其实相当于只能在末尾插入的 insert，所以少了一个指定索引的参数。

• append(arr，values，axis)：将值附加到数组的末尾，并返回 1 维数组。

a = np.arange(6).reshape(2, 3)
b = np.arange(3)
np.append(a, b)

注意 append方法返回值，默认是展平状态下的 1 维数组。

重设尺寸

resize 就很好理解了，直接举例子吧：

• resize(a，new_shape)：对数组尺寸进行重新设定。

a = np.arange(10)

a.resize(2, 5)

a

你可能会纳闷了，这个 resize 看起来和上面的 reshape一样呢，都是改变数组原有的形状。

其实，它们是有区别的，区别在于对原数组的影响。reshape 在改变形状时，不会影响原数组，相当于对原数组做了一份拷贝。而 resize 则是对原数组执行操作。

翻转数组

在 NumPy 中，我们还可以对数组进行翻转操作：

• fliplr(m)：左右翻转数组。
• flipud(m)：上下翻转数组。

a = np.arange(16).reshape(4, 4)
print(np.fliplr(a))
print(np.flipud(a))