Numpy学习笔记——数组操作_append values.squeeze

声明：本文仅作为学习笔记，不作它用

修改形状

numpy.reshape

在不改变数据的条件下修改形状

numpy.reshape(arr, newshape, order)
1

参数：
arr:要修改形状的数组
newshape:整数或者整数数组，新的形状应当兼容原有形状
order:'C’为 C 风格顺序，'F’为 F 风格顺序，'A’为保留原顺序。

import numpy as np
a = np.arange(8)
print '原始数组：'
print a
print '\n'
 
b = a.reshape(4,2)
print '修改后的数组：'
print b
1
2
3
4
5
6
7
8
9

输出结果：

原始数组：
[0 1 2 3 4 5 6 7]
 
修改后的数组：
[[0 1]
 [2 3]
 [4 5]
 [6 7]]
1
2
3
4
5
6
7
8

numpy.ndarray.flat

返回数组上的一维迭代器

import numpy as np 
a = np.arange(8).reshape(2,4) 
print '原始数组：' 
print a 
print '\n' 
 
print '调用 flat 函数之后：' 
# 返回展开数组中的下标的对应元素 
print a.flat[5]
1
2
3
4
5
6
7
8
9

输出结果：

原始数组：
[[0 1 2 3]
 [4 5 6 7]]
 
调用 flat 函数之后：
5
1
2
3
4
5
6

numpy.ndarray.flatten

返回折叠为一维的数组副本

ndarray.flatten(order)
1

参数：
order：‘C’ – 按行，‘F’ – 按列，‘A’ – 原顺序，‘k’ – 元素在内存中的出现顺序。

import numpy as np 
a = np.arange(8).reshape(2,4) 
 
print '原数组：' 
print a 
print '\n'  
# default is column-major 
 
print '展开的数组：' 
print a.flatten() 
print '\n'  
 
print '以 F 风格顺序展开的数组：' 
print a.flatten(order = 'F')
1
2
3
4
5
6
7
8
9
10
11
12
13
14

输出结果：

原数组：
[[0 1 2 3]
 [4 5 6 7]]
 
展开的数组：
[0 1 2 3 4 5 6 7]
 
以 F 风格顺序展开的数组：
[0 4 1 5 2 6 3 7]
1
2
3
4
5
6
7
8
9

numpy.ndarray.ravel

这个函数返回展开的一维数组，并且按需生成副本。返回的数组和输入数组拥有相同数据类型。这个函数接受两个参数。

numpy.ravel(a, order)
1

import numpy as np 
a = np.arange(8).reshape(2,4) 
 
print '原数组：' 
print a 
print '\n'  
 
print '调用 ravel 函数之后：' 
print a.ravel()  
print '\n' 
 
print '以 F 风格顺序调用 ravel 函数之后：' 
print a.ravel(order = 'F')
1
2
3
4
5
6
7
8
9
10
11
12
13

输出结果：

原数组：
[[0 1 2 3]
 [4 5 6 7]]
 
调用 ravel 函数之后：
[0 1 2 3 4 5 6 7]
 
以 F 风格顺序调用 ravel 函数之后：
[0 4 1 5 2 6 3 7]
1
2
3
4
5
6
7
8
9

翻转操作

numpy.transpose

翻转给定数组的维度

numpy.transpose(arr, axes)
1

参数：
arr：要转置的数组
axes：整数的列表，对应维度，通常所有维度都会翻转。

import numpy as np 
a = np.arange(12).reshape(3,4) 
 
print '原数组：' 
print a  
print '\n' 
 
print '转置数组：' 
print np.transpose(a)
1
2
3
4
5
6
7
8
9

输出结果：

原数组：
[[ 0 1 2 3]
 [ 4 5 6 7]
 [ 8 9 10 11]]
 
转置数组：
[[ 0 4 8]
 [ 1 5 9]
 [ 2 6 10]
 [ 3 7 11]]
1
2
3
4
5
6
7
8
9
10

numpy.rollaxis

向后滚动特定的轴，直到一个特定位置

numpy.rollaxis(arr, axis, start)
1

参数：
arr:输入数组
axis:要向后滚动的轴，其他轴的相对位置不会改变
start:默认为零，表示完整的滚动，会滚动到特定位置

# 创建了三维的 ndarray 
import numpy as np 
a = np.arange(8).reshape(2,2,2) 
 
print '原数组：' 
print a 
print '\n'
# 将轴 2 滚动到轴 0（宽度到深度）
 
print '调用 rollaxis 函数：' 
print np.rollaxis(a,2)  
# 将轴 0 滚动到轴 1：（宽度到高度）
print '\n' 
 
print '调用 rollaxis 函数：' 
print np.rollaxis(a,2,1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

输出结果：

原数组：
[[[0 1]
 [2 3]]
 [[4 5]
 [6 7]]]
 
调用 rollaxis 函数：
[[[0 2]
 [4 6]]
 [[1 3]
 [5 7]]]
 
调用 rollaxis 函数：
[[[0 2]
 [1 3]]
 [[4 6]
 [5 7]]]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

numpy.swapaxes

交换数组的两个轴

numpy.swapaxes(arr, axis1, axis2)
1

参数：
arr:要交换其轴的输入数组
axis1:对应第一个轴的整数
axis2:对应第二个轴的整数

# 创建了三维的 ndarray 
import numpy as np 
a = np.arange(8).reshape(2,2,2) 
 
print '原数组：'
print a 
print '\n'  
# 现在交换轴 0（深度方向）到轴 2（宽度方向）
 
print '调用 swapaxes 函数后的数组：' 
print np.swapaxes(a, 2, 0)
1
2
3
4
5
6
7
8
9
10
11

输出结果：

原数组：
[[[0 1]
 [2 3]]
 
 [[4 5]
  [6 7]]]
 
调用 swapaxes 函数后的数组：
[[[0 4]
 [2 6]]
 
 [[1 5]
  [3 7]]]
1
2
3
4
5
6
7
8
9
10
11
12
13

修改维度

numpy.broadcast

返回一个对象，该对象封装了将一个数组广播到另一个数组的结果

import numpy as np 
x = np.array([[1], [2], [3]]) 
y = np.array([4, 5, 6])  
   
# 对 y 广播 x
b = np.broadcast(x,y)  
# 它拥有 iterator 属性，基于自身组件的迭代器元组 
 
print '对 y 广播 x：' 
r,c = b.iters 
print r.next(), c.next() 
print r.next(), c.next() 
print '\n'  
# shape 属性返回广播对象的形状
 
print '广播对象的形状：' 
print b.shape 
print '\n'  
# 手动使用 broadcast 将 x 与 y 相加
b = np.broadcast(x,y) 
c = np.empty(b.shape) 
 
print '手动使用 broadcast 将 x 与 y 相加：' 
print c.shape 
print '\n'  
c.flat = [u + v for (u,v) in b] 
 
print '调用 flat 函数：' 
print c 
print '\n'  
# 获得了和 NumPy 内建的广播支持相同的结果
 
print 'x 与 y 的和：' 
print x + y
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

输出结果：

对 y 广播 x：
1 4
1 5
 
广播对象的形状：
(3, 3)
 
手动使用 broadcast 将 x 与 y 相加：
(3, 3)
 
调用 flat 函数：
[[ 5. 6. 7.]
 [ 6. 7. 8.]
 [ 7. 8. 9.]]
 
x 与 y 的和：
[[5 6 7]
 [6 7 8]
 [7 8 9]]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

numpy.broadcast_to

将数组广播到新形状。它在原始数组上返回只读视图，通常不连续

numpy.broadcast_to(array, shape, subok)
1

import numpy as np 
a = np.arange(4).reshape(1,4) 
 
print '原数组：' 
print a 
print '\n'  
 
print '调用 broadcast_to 函数之后：' 
print np.broadcast_to(a,(4,4))
1
2
3
4
5
6
7
8
9

输出结果：

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

numpy.expand_dims

numpy.expand_dims(arr, axis)
1

参数：
arr:输入数组
axis:新轴插入的位置

import numpy as np 
x = np.array(([1,2],[3,4])) 
 
print '数组 x：' 
print x 
print '\n'  
y = np.expand_dims(x, axis = 0) 
 
print '数组 y：' 
print y 
print '\n'
 
print '数组 x 和 y 的形状：' 
print x.shape, y.shape 
print '\n'  
# 在位置 1 插入轴
y = np.expand_dims(x, axis = 1) 
 
print '在位置 1 插入轴之后的数组 y：' 
print y 
print '\n'  
 
print 'x.ndim 和 y.ndim：' 
print x.ndim,y.ndim 
print '\n'  
 
print 'x.shape 和 y.shape：' 
print x.shape, y.shape
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

numpy.squeeze

从给定数组的形状中删除一维条目

numpy.squeeze(arr, axis)
1

参数：
arr:输入数组
axis:整数或整数元组，用于选择形状中单一维度条目的子集

import numpy as np  
x = np.arange(9).reshape(1,3,3) 
 
print '数组 x：' 
print x 
print '\n'  
y = np.squeeze(x) 
 
print '数组 y：' 
print y 
print '\n'  
 
print '数组 x 和 y 的形状：' 
print x.shape, y.shape
1
2
3
4
5
6
7
8
9
10
11
12
13
14

输出结果：

数组 x：
[[[0 1 2]
 [3 4 5]
 [6 7 8]]]
 
数组 y：
[[0 1 2]
 [3 4 5]
 [6 7 8]]
 
数组 x 和 y 的形状：
(1, 3, 3) (3, 3)
1
2
3
4
5
6
7
8
9
10
11
12

数组的连接

numpy.concatenate

用于沿指定轴连接相同形状的两个或多个数组

numpy.concatenate((a1, a2, ...), axis)
1

参数：
a1,a2:相同类型的数组序列
axis:沿着它连接数组的轴，默认为0

import numpy as np 
a = np.array([[1,2],[3,4]]) 
 
print '第一个数组：' 
print a 
print '\n'  
b = np.array([[5,6],[7,8]]) 
 
print '第二个数组：' 
print b 
print '\n'  
# 两个数组的维度相同 
 
print '沿轴 0 连接两个数组：' 
print np.concatenate((a,b)) 
print '\n'  
 
print '沿轴 1 连接两个数组：' 
print np.concatenate((a,b),axis = 1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

输出结果：

第一个数组：
[[1 2]
 [3 4]]
 
第二个数组：
[[5 6]
 [7 8]]
 
沿轴 0 连接两个数组：
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
 
沿轴 1 连接两个数组：
[[1 2 5 6]
 [3 4 7 8]]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

numpy.stack

沿新轴连接数组序列

numpy.stack(arrays, axis)
1

参数：
arrays:相同形状的数组序列
axis:返回数组中的轴，输入数组沿着它来堆叠

import numpy as np 
a = np.array([[1,2],[3,4]]) 
 
print '第一个数组：' 
print a 
print '\n'
b = np.array([[5,6],[7,8]]) 
 
print '第二个数组：' 
print b 
print '\n'  
 
print '沿轴 0 堆叠两个数组：' 
print np.stack((a,b),0) 
print '\n'  
 
print '沿轴 1 堆叠两个数组：' 
print np.stack((a,b),1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

输出结果：

第一个数组：
[[1 2]
 [3 4]]
 
第二个数组：
[[5 6]
 [7 8]]
 
沿轴 0 堆叠两个数组：
[[[1 2]
 [3 4]]
 [[5 6]
 [7 8]]]
 
沿轴 1 堆叠两个数组：
[[[1 2]
 [5 6]]
 [[3 4]
 [7 8]]]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

numpy.hstack

通过堆叠来生成水平的单个数组

import numpy as np 
a = np.array([[1,2],[3,4]]) 
 
print '第一个数组：' 
print a 
print '\n'  
b = np.array([[5,6],[7,8]]) 
 
print '第二个数组：' 
print b 
print '\n'  
 
print '水平堆叠：' 
c = np.hstack((a,b)) 
print c 
print '\n'
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

输出结果：

第一个数组：
[[1 2]
 [3 4]]
 
第二个数组：
[[5 6]
 [7 8]]
 
水平堆叠：
[[1 2 5 6]
 [3 4 7 8]]
1
2
3
4
5
6
7
8
9
10
11

numpy.vstack

通过堆叠来生成竖直的单个数组

import numpy as np 
a = np.array([[1,2],[3,4]]) 
 
print '第一个数组：' 
print a 
print '\n'  
b = np.array([[5,6],[7,8]]) 
 
print '第二个数组：' 
print b 
print '\n'
 
print '竖直堆叠：' 
c = np.vstack((a,b)) 
print c
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

输出结果：

第一个数组：
[[1 2]
 [3 4]]
 
第二个数组：
[[5 6]
 [7 8]]
 
竖直堆叠：
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
1
2
3
4
5
6
7
8
9
10
11
12
13

数组分割

numpy.split

沿特定的轴将数组分割为子数组

numpy.split(ary, indices_or_sections, axis)
1

参数：
ary:被分割的输入数组
indices_or_sections:可以是整数，表明要从输入数组创建的，等大小的子数组的数量。 如果此参数是一维数组，则其元素表明要创建新子数组的点。
axis：默认为 0

import numpy as np 
a = np.arange(9) 
 
print '第一个数组：' 
print a 
print '\n'  
 
print '将数组分为三个大小相等的子数组：' 
b = np.split(a,3) 
print b 
print '\n'  
 
print '将数组在一维数组中表明的位置分割：' 
b = np.split(a,[4,7])
print b 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

输出结果：

第一个数组：
[0 1 2 3 4 5 6 7 8]
 
将数组分为三个大小相等的子数组：
[array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])]
 
将数组在一维数组中表明的位置分割：
[array([0, 1, 2, 3]), array([4, 5, 6]), array([7, 8])]
1
2
3
4
5
6
7
8

numpy.hsplit

split()函数的特例，其中轴为 1 表示水平分割，无论输入数组的维度是什么。

import numpy as np 
a = np.arange(16).reshape(4,4) 
 
print '第一个数组：' 
print a 
print '\n'  
 
print '水平分割：' 
b = np.hsplit(a,2) 
print b 
print '\n'
1
2
3
4
5
6
7
8
9
10
11

输出结果：

第一个数组：
[[ 0 1 2 3]
 [ 4 5 6 7]
 [ 8 9 10 11]
 [12 13 14 15]]
 
水平分割：                                                         
[array([[ 0,  1],                                                             
       [ 4,  5],                                                              
       [ 8,  9],                                                              
       [12, 13]]), 
array([[ 2,  3],                                           
       [ 6,  7],                                                              
       [10, 11],                                                              
       [14, 15]])] 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

numpy.vsplit

是split()函数的特例，其中轴为 0 表示竖直分割，无论输入数组的维度是什么。

import numpy as np 
a = np.arange(16).reshape(4,4) 
 
print '第一个数组：' 
print a 
print '\n'
 
print '竖直分割：' 
b = np.vsplit(a,2) 
print b
1
2
3
4
5
6
7
8
9
10

输出结果：

第一个数组：
[[ 0 1 2 3]
 [ 4 5 6 7]
 [ 8 9 10 11]
 [12 13 14 15]]
 
竖直分割：                                                           
[array([[0, 1, 2, 3],                                                         
       [4, 5, 6, 7]]), 
array([[ 8,  9, 10, 11],                               
       [12, 13, 14, 15]])] 
1
2
3
4
5
6
7
8
9
10
11

添加/删除元素

numpy.resize

此函数返回指定大小的新数组。如果新大小大于原始大小，则包含原始数组中的元素的重复副本。

numpy.resize(arr, shape)
1

import numpy as np 
a = np.array([[1,2,3],[4,5,6]]) 
 
print '第一个数组：' 
print a 
print '\n'
 
print '第一个数组的形状：' 
print a.shape 
print '\n'  
b = np.resize(a, (3,2)) 
 
print '第二个数组：' 
print b 
print '\n'  
 
print '第二个数组的形状：' 
print b.shape 
print '\n'  
# 要注意 a 的第一行在 b 中重复出现，因为尺寸变大了 
 
print '修改第二个数组的大小：' 
b = np.resize(a,(3,3)) 
print b
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

输出结果：

第一个数组：
[[1 2 3]
 [4 5 6]]
 
第一个数组的形状：
(2, 3)
 
第二个数组：
[[1 2]
 [3 4]
 [5 6]]
 
第二个数组的形状：
(3, 2)
 
修改第二个数组的大小：
[[1 2 3]
 [4 5 6]
 [1 2 3]]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

numpy.append

此函数在输入数组的末尾添加值。 附加操作不是原地的，而是分配新的数组。 此外，输入数组的维度必须匹配否则将生成ValueError。

numpy.append(arr, values, axis)
1

参数：
arr：输入数组
values：要向arr添加的值，比如和arr形状相同（除了要添加的轴）
axis：沿着它完成操作的轴。如果没有提供，两个参数都会被展开。

import numpy as np 
a = np.array([[1,2,3],[4,5,6]]) 
 
print '第一个数组：' 
print a 
print '\n'  
 
print '向数组添加元素：' 
print np.append(a, [7,8,9]) 
print '\n'  
 
print '沿轴 0 添加元素：' 
print np.append(a, [[7,8,9]],axis = 0) 
print '\n'  
 
print '沿轴 1 添加元素：' 
print np.append(a, [[5,5,5],[7,8,9]],axis = 1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

输出结果：

第一个数组：
[[1 2 3]
 [4 5 6]]
 
向数组添加元素：
[1 2 3 4 5 6 7 8 9]
 
沿轴 0 添加元素：
[[1 2 3]
 [4 5 6]
 [7 8 9]]
 
沿轴 1 添加元素：
[[1 2 3 5 5 5]
 [4 5 6 7 8 9]]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

numpy.insert

此函数在给定索引之前，沿给定轴在输入数组中插入值。 如果值的类型转换为要插入，则它与输入数组不同。 插入没有原地的，函数会返回一个新数组。 此外，如果未提供轴，则输入数组会被展开。

numpy.insert(arr, obj, values, axis)
1

参数：
obj:在其之前插入值的索引

import numpy as np 
a = np.array([[1,2],[3,4],[5,6]]) 
 
print '第一个数组：' 
print a 
print '\n'  
 
print '未传递 Axis 参数。 在插入之前输入数组会被展开。' 
print np.insert(a,3,[11,12]) 
print '\n'  
print '传递了 Axis 参数。 会广播值数组来配输入数组。' 
 
print '沿轴 0 广播：' 
print np.insert(a,1,[11],axis = 0) 
print '\n'  
 
print '沿轴 1 广播：' 
print np.insert(a,1,11,axis = 1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

输出结果：

第一个数组：
[[1 2]
 [3 4]
 [5 6]]


未传递 Axis 参数。 在插入之前输入数组会被展开。
[ 1  2  3 11 12  4  5  6]


传递了 Axis 参数。 会广播值数组来配输入数组。
沿轴 0 广播：
[[ 1  2]
 [11 11]
 [ 3  4]
 [ 5  6]]


沿轴 1 广播：
[[ 1 11  2]
 [ 3 11  4]
 [ 5 11  6]]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

numpy.unique

此函数返回输入数组中的去重元素数组。 该函数能够返回一个元组，包含去重数组和相关索引的数组。 索引的性质取决于函数调用中返回参数的类型。

numpy.unique(arr, return_index, return_inverse, return_counts)
1

参数：
arr：输入数组，如果不是一维数组则会展开
return_index：如果为true，返回输入数组中的元素下标
return_inverse：如果为true，返回去重数组的下标，它可以用于重构输入数组
return_counts：如果为true，返回去重数组中的元素在原数组中的出现次数

import numpy as np 
a = np.array([5,2,6,2,7,5,6,8,2,9]) 
 
print '第一个数组：' 
print a 
print '\n'  
 
print '第一个数组的去重值：' 
u = np.unique(a) 
print u 
print '\n'  
 
print '去重数组的索引数组：' 
u,indices = np.unique(a, return_index = True) 
print indices 
print '\n'  
 
print '我们可以看到每个和原数组下标对应的数值：' 
print a 
print '\n'  
 
print '去重数组的下标：' 
u,indices = np.unique(a,return_inverse = True) 
print u 
print '\n' 
 
print '下标为：' 
print indices 
print '\n'  
 
print '使用下标重构原数组：' 
print u[indices] 
print '\n'  
 
print '返回去重元素的重复数量：' 
u,indices = np.unique(a,return_counts = True) 
print u 
print indices
1
2
3
4
5
6
7
8
9
10
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
36
37
38

输出结果：

第一个数组：
[5 2 6 2 7 5 6 8 2 9]
 
第一个数组的去重值：
[2 5 6 7 8 9]
 
去重数组的索引数组：
[1 0 2 4 7 9]
 
我们可以看到每个和原数组下标对应的数值：
[5 2 6 2 7 5 6 8 2 9]
 
去重数组的下标：
[2 5 6 7 8 9]
 
下标为：
[1 0 2 0 3 1 2 4 0 5]
 
使用下标重构原数组：
[5 2 6 2 7 5 6 8 2 9]
 
返回唯一元素的重复数量：
[2 5 6 7 8 9]
 [3 2 2 1 1 1]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

引用

Python之Numpy详细教程