Numpy 中包含了一些函数用于处理数组，大致如下：
1、修改数组形状
reshape 不改变数据的条件下修改形状， numpy.reshape(arr, newshape, order='C')
-
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' -- 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)
>>> print(a)
[0 1 2 3 4 5 6 7]
>>> a.reshape(2,4)
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
>>> a.reshape(4,2)
array([[0, 1],
[2, 3],
[4, 5],
[6, 7]])flat 数组元素迭代器
>>> a = np.arange(9).reshape(3,3)
>>> for row in a:
print (row)
[0 1 2]
[3 4 5]
[6 7 8]
#对数组中每个元素都进行处理，可以使用flat属性，该属性是一个数组元素迭代器：
>>> for element in a.flat:
print (element)
0
1
2
3
4
5
6
7
8flatten 返回一份数组拷贝，对拷贝所做的修改不会影响原始数组
- order：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'K' -- 元素在内存中的出现顺序。
>>> a = np.arange(8).reshape(2,4)
>>> print(a)
[[0 1 2 3]
[4 5 6 7]]
# 默认按行
>>> print(a.flatten())
[0 1 2 3 4 5 6 7]
#以F风格
>>> print(a.flatten(order = 'F'))
[0 4 1 5 2 6 3 7]
#以C风格
>>> print(a.flatten(order = 'C'))
[0 1 2 3 4 5 6 7]ravel 返回展开数组
numpy.ravel() 展平的数组元素，顺序通常是"C风格"，返回的是数组视图（view，有点类似 C/C++引用reference的意味），修改会影响原始数组。
该函数接收两个参数：
numpy.ravel(a, order='C')- order：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'K' -- 元素在内存中的出现顺序。
>>> a = np.arange(8).reshape(2,4)
>>> a
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
# 默认按行
>>> print(a.ravel())
[0 1 2 3 4 5 6 7]
>>> print(a.ravel(order = 'F'))
[0 4 1 5 2 6 3 7]2、翻转数组
transpose 对换数组的维度
numpy.transpose(arr, axes)-
arr：要操作的数组 -
axes：整数列表，对应维度，通常所有维度都会对换
>>> a = np.arange(12).reshape(3,4)
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> print(np.transpose(a))
[[ 0 4 8]
[ 1 5 9]
[ 2 6 10]
[ 3 7 11]]
>>>ndarray.T 和 self.transpose() 相同
>>> a = np.arange(12).reshape(3,4)
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> a.T
array([[ 0, 4, 8],
[ 1, 5, 9],
[ 2, 6, 10],
[ 3, 7, 11]])rollaxis 向后滚动指定的轴
numpy.rollaxis(arr, axis, start)参数说明：
-
arr：数组 -
axis：要向后滚动的轴，其它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。
>>> a = np.arange(8).reshape(2,2,2)
>>> a
array([[[0, 1],
[2, 3]],
[[4, 5],
[6, 7]]])
>>> print (a)
[[[0 1]
[2 3]]
[[4 5]
[6 7]]]
>>> print(np.where(a==6))
(array([1], dtype=int32), array([1], dtype=int32), array([0], dtype=int32))
>>> print(a[1,1,0]) # 为 6
6
>>> print(np.where(a==0))
(array([0], dtype=int32), array([0], dtype=int32), array([0], dtype=int32))
>>> print(np.where(a==1))
(array([0], dtype=int32), array([0], dtype=int32), array([1], dtype=int32))
>>> print(np.where(a==2))
(array([0], dtype=int32), array([1], dtype=int32), array([0], dtype=int32))
>>> print(np.where(a==3))
(array([0], dtype=int32), array([1], dtype=int32), array([1], dtype=int32))
>>> print(np.where(a==4))
(array([1], dtype=int32), array([0], dtype=int32), array([0], dtype=int32))
>>> print(np.where(a==5))
(array([1], dtype=int32), array([0], dtype=int32), array([1], dtype=int32))
>>> print(np.where(a==6))
(array([1], dtype=int32), array([1], dtype=int32), array([0], dtype=int32))
>>> print(np.where(a==7))
(array([1], dtype=int32), array([1], dtype=int32), array([1], dtype=int32))
# 将轴 2 滚动到轴 0（宽度到深度）
>>> b = np.rollaxis(a,2,0)
>>> print (b)
[[[0 2]
[4 6]]
[[1 3]
[5 7]]]
>>> print(np.where(b==6))
(array([0], dtype=int32), array([1], dtype=int32), array([1], dtype=int32))
# 将轴 2 滚动到轴 1：（宽度到高度）
>>> c = np.rollaxis(a,2,1)
>>> print (c)
[[[0 2]
[1 3]]
[[4 6]
[5 7]]]
# 查看元素 a[1,1,0]，即 6 的坐标，变成 [1, 0, 1]
# 最后的 0 和 它前面的 1 对换位置
>>> print(np.where(c==6))
(array([1], dtype=int32), array([0], dtype=int32), array([1], dtype=int32))swapaxes 对换数组的两个轴
numpy.swapaxes(arr, axis1, axis2)-
arr：输入的数组 -
axis1：对应第一个轴的整数 -
axis2：对应第二个轴的整数
>>> a = np.arange(8).reshape(2,2,2)
>>> print (a)
[[[0 1]
[2 3]]
[[4 5]
[6 7]]]
# 现在交换轴 0（深度方向）到轴 2（宽度方向）
>>> print (np.swapaxes(a, 2, 0))
[[[0 4]
[2 6]]
[[1 5]
[3 7]]]3、修改数组维度
broadcast 产生模仿广播的对象,它返回一个对象，该对象封装了将一个数组广播到另一个数组的结果。
该函数使用两个数组作为输入参数，如下实例：
>>> x = np.array([[1], [2], [3]])
>>> y=np.array([4,5,6])
>>> b = np.broadcast(x,y)
>>> r,c = b.iters
>>> print (next(r), next(c))
1 4
>>> print (next(r), next(c))
1 5
>>> print (next(r), next(c))
1 6
>>> print (next(r), next(c))
2 4
>>> print (next(r), next(c))
2 5
>>> print (next(r), next(c))
2 6
>>> print (next(r), next(c))
3 4
>>> print (next(r), next(c))
3 5
>>> print (next(r), next(c))
3 6
>>> print (b.shape)
(3, 3)
>>> b = np.broadcast(x,y)
>>> c = np.empty(b.shape)
>>> print (c.shape)
(3, 3)
>>> c.flat = [u + v for (u,v) in b]
>>> print (c)
[[5. 6. 7.]
[6. 7. 8.]
[7. 8. 9.]]
>>> print (x + y)
[[5 6 7]
[6 7 8]
[7 8 9]]broadcast_to 函数将数组广播到新形状。它在原始数组上返回只读视图。 它通常不连续。 如果新形状不符合 NumPy 的广播规则，该函数可能会抛出ValueError。
numpy.broadcast_to(array, shape, subok)>>> import numpy as np
>>> a = np.arange(4).reshape(1,4)
>>> a
array([[0, 1, 2, 3]])
>>> print (np.broadcast_to(a,(4,4)))
[[0 1 2 3]
[0 1 2 3]
[0 1 2 3]
[0 1 2 3]]expand_dims 函数通过在指定位置插入新的轴来扩展数组形状，函数格式如下:
numpy.expand_dims(arr, axis)参数说明：
-
arr：输入数组 -
axis：新轴插入的位置
>>> x = np.array(([1,2],[3,4]))
>>> x
array([[1, 2],
[3, 4]])
>>> y = np.expand_dims(x, axis = 0)
>>> y
array([[[1, 2],
[3, 4]]])
>>> print (x.shape, y.shape)
(2, 2) (1, 2, 2)
>>> y = np.expand_dims(x, axis = 1)
>>> print (y)
[[[1 2]]
[[3 4]]]
>>> print (x.ndim,y.ndim)
2 3
>>> print (x.shape, y.shape)
(2, 2) (2, 1, 2)squeeze 从数组的形状中删除一维条目
numpy.squeeze(arr, axis)-
arr：输入数组 -
axis：整数或整数元组，用于选择形状中一维条目的子集
>>> x = np.arange(9).reshape(1,3,3)
>>> x
array([[[0, 1, 2],
[3, 4, 5],
[6, 7, 8]]])
>>> y = np.squeeze(x)
>>> y
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> print (x.shape, y.shape)
(1, 3, 3) (3, 3)4、连接数组
concatenate 连接沿现有轴的数组序列
numpy.concatenate((a1, a2, ...), axis)
-
a1, a2, ...：相同类型的数组 -
axis：沿着它连接数组的轴，默认为 0
>>> a = np.array([[1,2],[3,4]])
>>> a
array([[1, 2],
[3, 4]])
>>> b = np.array([[5,6],[7,8]])
>>> print (np.concatenate((a,b)))
[[1 2]
[3 4]
[5 6]
[7 8]]
>>> print (np.concatenate((a,b),axis = 1))
[[1 2 5 6]
[3 4 7 8]]stack 沿着新的轴加入一系列数组。
numpy.stack(arrays, axis)-
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 (a)
[[1 2]
[3 4]]
>>> b = np.array([[5,6],[7,8]])
>>> b
array([[5, 6],
[7, 8]])
>>> print (np.stack((a,b),0))
[[[1 2]
[3 4]]
[[5 6]
[7 8]]]
>>> print (np.stack((a,b),1))
[[[1 2]
[5 6]]
[[3 4]
[7 8]]]hstack 水平堆叠序列中的数组（列方向）
>>> a = np.array([[1,2],[3,4]])
>>> b = np.array([[5,6],[7,8]])
>>> c = np.hstack((a,b))
>>> a
array([[1, 2],
[3, 4]])
>>> b
array([[5, 6],
[7, 8]])
>>> c
array([[1, 2, 5, 6],
[3, 4, 7, 8]])vstack 竖直堆叠序列中的数组（行方向）
numpy.vstack 是 numpy.stack 函数的变体，它通过垂直堆叠来生成数组。
>>> a = np.array([[1,2],[3,4]])
>>> print (a)
[[1 2]
[3 4]]
>>> b = np.array([[5,6],[7,8]])
>>> print (b)
[[5 6]
[7 8]]
>>> c = np.vstack((a,b))
>>> print (c)
[[1 2]
[3 4]
[5 6]
[7 8]]5、分割数组
split 将一个数组分割为多个子数组
numpy.split(ary, indices_or_sections, axis)-
ary：被分割的数组 -
indices_or_sections：果是一个整数，就用该数平均切分，如果是一个数组，为沿轴切分的位置（左开右闭） -
axis：沿着哪个维度进行切向，默认为0，横向切分。为1时，纵向切分
>>> a = np.arange(9)
>>> print (a)
[0 1 2 3 4 5 6 7 8]
>>> b = np.split(a,3)
>>> print (b)
[array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])]
>>> b = np.split(a,[4,7])
>>> print (b)
[array([0, 1, 2, 3]), array([4, 5, 6]), array([7, 8])]
>>> b[0]
array([0, 1, 2, 3])hsplit 将一个数组水平分割为多个子数组（按列）
>>> harr = np.floor(10 * np.random.random((2, 6)))
>>> print(harr)
[[5. 4. 5. 2. 6. 8.]
[4. 0. 9. 0. 0. 6.]]
>>> print(np.hsplit(harr, 3))
[array([[5., 4.],
[4., 0.]]), array([[5., 2.],
[9., 0.]]), array([[6., 8.],
[0., 6.]])]vsplit 将一个数组垂直分割为多个子数组（按行）
>>> a = np.arange(16).reshape(4,4)
>>> print (a)
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
>>> b = np.vsplit(a,2)
>>> print (b)
[array([[0, 1, 2, 3],
[4, 5, 6, 7]]), array([[ 8, 9, 10, 11],
[12, 13, 14, 15]])]6、数组元素的添加与删除
resize 返回指定形状的新数组
如果新数组大小大于原始大小，则包含原始数组中的元素的副本。
>>> a = np.array([[1,2,3],[4,5,6]])
>>> print (a)
[[1 2 3]
[4 5 6]]
>>> print (a.shape)
(2, 3)
>>> b = np.resize(a, (3,2))
>>>
>>> print (b)
[[1 2]
[3 4]
[5 6]]
>>> print (b.shape)
(3, 2)
#尺寸变大，第一行重复
>>> b = np.resize(a,(3,3))
>>> print (b)
[[1 2 3]
[4 5 6]
[1 2 3]]
>>>append 将值添加到数组末尾
numpy.append 函数在数组的末尾添加值。 追加操作会分配整个数组，并把原来的数组复制到新数组中。 此外，输入数组的维度必须匹配否则将生成ValueError。
append 函数返回的始终是一个一维数组。
numpy.append(arr, values, axis=None)参数说明：
-
arr：输入数组 -
values：要向arr添加的值，需要和arr形状相同（除了要添加的轴） -
axis：默认为 None。当axis无定义时，是横向加成，返回总是为一维数组！当axis有定义的时候，分别为0和1的时候。当axis有定义的时候，分别为0和1的时候（列数要相同）。当axis为1时，数组是加在右边（行数要相同）
>>> a = np.array([[1,2,3],[4,5,6]])
>>> print (a)
[[1 2 3]
[4 5 6]]
>>> print (np.append(a, [7,8,9]))
[1 2 3 4 5 6 7 8 9]
>>> print (np.append(a, [[7,8,9]],axis = 0))
[[1 2 3]
[4 5 6]
[7 8 9]]
>>> print (np.append(a, [[5,5,5],[7,8,9]],axis = 1))
[[1 2 3 5 5 5]
[4 5 6 7 8 9]]
insert 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)参数说明：
-
arr：输入数组 -
obj：在其之前插入值的索引 -
values：要插入的值 -
axis：沿着它插入的轴，如果未提供，则输入数组会被展开
>>> a = np.array([[1,2],[3,4],[5,6]])
>>> print (a)
[[1 2]
[3 4]
[5 6]]
#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]))
[ 1 2 3 11 12 4 5 6]
>>> print (np.insert(a,1,[11],axis = 0))
[[ 1 2]
[11 11]
[ 3 4]
[ 5 6]]
>>> print (np.insert(a,1,11,axis = 1))
[[ 1 11 2]
[ 3 11 4]
[ 5 11 6]]delete 函数返回从输入数组中删除指定子数组的新数组。 与 insert() 函数的情况一样，如果未提供轴参数，则输入数组将展开。
Numpy.delete(arr, obj, axis)参数说明：
-
arr：输入数组 -
obj：可以被切片，整数或者整数数组，表明要从输入数组删除的子数组 -
axis：沿着它删除给定子数组的轴，如果未提供，则输入数组会被展开
>>> a = np.arange(12).reshape(3,4)
>>> print (a)
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
>>> print (np.delete(a,5))
[ 0 1 2 3 4 6 7 8 9 10 11]
>>> print (np.delete(a,1,axis = 1))
[[ 0 2 3]
[ 4 6 7]
[ 8 10 11]]
>>> a = np.array([1,2,3,4,5,6,7,8,9,10])
>>> print (np.delete(a, np.s_[::2]))
[ 2 4 6 8 10]unique 函数用于去除数组中的重复元素。
numpy.unique(arr, return_index, return_inverse, return_counts)-
arr：输入数组，如果不是一维数组则会展开 -
return_index：如果为true，返回新列表元素在旧列表中的位置（下标），并以列表形式储 -
return_inverse：如果为true，返回旧列表元素在新列表中的位置（下标），并以列表形式储 -
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
>>> a = np.array([5,2,6,2,7,5,6,8,2,9])
>>> print (a)
[5 2 6 2 7 5 6 8 2 9]
>>> u = np.unique(a)
>>> print (u)
[2 5 6 7 8 9]
>>> u,indices = np.unique(a, return_index = True)
>>> print (indices)
[1 0 2 4 7 9]
>>> print (a)
[5 2 6 2 7 5 6 8 2 9]
>>> u,indices = np.unique(a,return_inverse = True)
>>> print (u)
[2 5 6 7 8 9]
>>> print (indices)
[1 0 2 0 3 1 2 4 0 5]
#使用下标重构原数组
>>> print (u[indices])
[5 2 6 2 7 5 6 8 2 9]
#返回去重元素的重复数量
>>> u,indices = np.unique(a,return_counts = True)
>>> print (u)
[2 5 6 7 8 9]
>>> print (indices)
[3 2 2 1 1 1]
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
