主要内容：
一、修改数组的形状
1、重塑数组形状
- reshape()
- resize()
- shape
2、多维数换向一维数组转换
- ravel()
- flatten()
- reshape(-1)
3、增加一维
- newaxis()
4、行列转置
- T
- transpose
- swapaxes
二、数据合并
- np.hstack()
- np.vstack()
- np.concatenate()
三、数组的复制
- np.tile()
首先理解一下numpy中的坐标系
0代表行，1代表列
一、修改数组的形状
1、重塑数组形状
方法 | 作用 |
reshape() | 不修改原数组的形状，返回一个视图，会影响原数组的数据 |
resize() | 直接作用于原数组 |
shape() | 直接作用于原数组 |
若不理解视图，可以通过 视图与拷贝 这篇博客进行了解。
ndarry.reshape()
ndarry.reshape(shape)
shape:填入生成的数组形状（元组）
特点：
1、有返回值，返回一个视图
2、不直接作用于原数组（不改变原数组的形状），但影响原数组的元素代码：
import numpy as np
n1 = np.array([[2,4,3,2],[8,4,2,9],[8,3,4,9]])
# 形状
n1.shape
# (3, 4)
# reshape
n1.reshape((4,3))out:
ndarry.resize()
'''
resize(shape) :谨慎使用!
shape:填入生成的数组形状（元组）
特点：
1、无返回值
2、直接作用于原数组（改变原数组的形状）
'''
n1 = np.array([[2,4,3,2],[8,4,2,9],[8,3,4,9]])
n1.resize(2,2,3)
# n1形状已修改
n1.shape
# (2, 2, 3)
ndarry.shape
'''
shape
通过属性直接赋值修改（改变原数组的形状）
'''
n1 = np.array([[2,4,3,2],[8,4,2,9],[8,3,4,9]])
# 数组的原始形状
n1.shape
# (4, 3)
n1.shape = (2,6)
n1out:
2、多维数换向一维数组转换
ndarry.ravel()
'''
ndarry.ravel(order=)
当不设置参数order，默认将数组横向展平为一维数组
当设置参数order = 'F'，即为将数组纵向展平为一维数组
注意：
使用ravel函数修改形状，得到一个视图，不会改变原数组的形状，但会会改变原数组中的元素！
'''
n1
# array([[2, 4, 3],
# [2, 8, 4],
# [2, 9, 8],
# [3, 4, 9]])
# 横向展平为一维数组
n1.ravel()
# array([2, 4, 3, 2, 8, 4, 2, 9, 8, 3, 4, 9])
# 纵向展平为一维数组
n1.ravel(order='F')
# array([2, 2, 2, 3, 4, 8, 9, 4, 3, 4, 8, 9])
# 原数组形状未改变
n1
# array([[2, 4, 3],
# [2, 8, 4],
# [2, 9, 8],
# [3, 4, 9]])
# 修改元素
n1.ravel()[3] = 77
# 原数组数据被修改
n1
# array([[ 2, 4, 3],
# [77, 8, 4],
# [ 2, 9, 8],
# [ 3, 4, 9]])
ndarry.flatten()
'''
ndarry.flatten(order=)
当不设置参数order，默认为将数组横向展平为一维数组
当设置参数order = 'F'，则将数组纵向展平为一维数组
注意：
使用flatten函数不会对原数组产生任何影响
（原数组形状和元素都不受其影响）
'''
n1
# array([[ 2, 4, 3],
# [77, 8, 4],
# [ 2, 9, 8],
# [ 3, 4, 9]])
# # 将数组横向展平成一维数组
n1.flatten()
# array([ 2, 4, 3, 77, 8, 4, 2, 9, 8, 3, 4, 9])
# 展平时候的形状
n1.flatten().shape
# (12,)
# 将数组纵向展平成一维数组
n1.flatten(order='F')
# array([ 2, 77, 2, 3, 4, 8, 9, 4, 3, 4, 8, 9])
# flatten修改元素数值
n1.flatten()[1] = 6
# 不影响原数组的形状和元素数据
n1
# array([[ 2, 4, 3],
# [77, 8, 4],
# [ 2, 9, 8],
# [ 3, 4, 9]])
ndarry.reshape(-1)
函数说明
'''
n1.reshape(-1)
-1：表示自动计算
n1.reshape(m,-1)
指定行为m，列自动计算
n1.reshape(-1,n)
指定列为n，行自动计算
注意：
1、不影响原数组的形状
2、影响原数组的元素
'''代码：
n1
# array([[ 2, 4, 3],
# [77, 8, 4],
# [ 2, 9, 8],
# [ 3, 4, 9]])
# 横向展平
n1.reshape(-1)
# array([ 2, 4, 3, 77, 8, 4, 2, 9, 8, 3, 4, 9])
# 同n1.reshape(-1) 数组只有一个维度，自动计算长度
n1.reshape(-1,)
# array([ 2, 4, 3, 77, 8, 4, 2, 9, 8, 3, 4, 9])
# 指定列数，自动计算行数
n1.reshape(-1,6)
# array([[ 2, 4, 3, 77, 8, 4],
# [ 2, 9, 8, 3, 4, 9]])
# 指定行数
n1.reshape(3,-1)
# array([[ 2, 4, 3, 77],
# [ 8, 4, 2, 9],
# [ 8, 3, 4, 9]])
# 不改变原数组的形状
n1
# array([[ 2, 4, 3],
# [77, 8, 4],
# [ 2, 9, 8],
# [ 3, 4, 9]])
# 通过reshape修改元素，原数组元素数据产生变化
n1.reshape(-1,)[0] = 12
n1
# array([[12, 4, 3],
# [77, 8, 4],
# [ 2, 9, 8],
# [ 3, 4, 9]])
3、 增加一个维度
np.newaxis() 所在位置增加一个维度
一维扩展为二维
# 一维度数组
n2 = np.arange(10)
n2
# array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
n2.shape
# (10,)
# 行方向增加一个维度
n2[np.newaxis,:]
# array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])
n2[np.newaxis,:].shape
# (1, 10)
# 列方向增加一个维度
n2[:,np.newaxis]
# array([[0],
# [1],
# [2],
# [3],
# [4],
# [5],
# [6],
# [7],
# [8],
# [9]])
n2[:,].shape
# (10, 1)二维扩展为三维
# 二维度数组
n2 = np.arange(10).reshape(2,5)
n2.shape
# (2, 5)
n2[np.newaxis,:,:]
# array([[[0, 1, 2, 3, 4],
# [5, 6, 7, 8, 9]]])
n2[np.newaxis,:,:].shape
# (1, 2, 5)以此类推，将小维度数组扩展成更多维的数组。
4、数组行列转置
ndarray.T 属性
n2
# array([[0, 1, 2, 3, 4],
# [5, 6, 7, 8, 9]])
'''
ndarray.T 将数据按照对角线进行行列倒置，行变成了列，列变成了行
'''
n2.T
# array([[0, 5],
# [1, 6],
# [2, 7],
# [3, 8],
# [4, 9]])
ndarray.transpose()
# 同ndarray.T
n2.transpose()
# array([[0, 5],
# [1, 6],
# [2, 7],
# [3, 8],
# [4, 9]])
ndarray.swapaxes(1,0)
# 必须填入两个参数，进行行列转换
n2.swapaxes(1,0)
# array([[0, 5],
# [1, 6],
# [2, 7],
# [3, 8],
# [4, 9]])
二、数据的拼接（合并）
np.hstack() 水平拼接
'''
np.hstack(tup) 数组的水平拼接
水平拼接即为横向拼接，数组的行数要一致
tup：ndarray序列
'''
# 准备数组1
a1 = np.array([[3,4,5],[2,4,1],[8,9,4]])
a1
# array([[3, 4, 5],
# [2, 4, 1],
# [8, 9, 4]])
# 准备数组2
a2 = np.array([[7,3,1,5],[3,9,4,1],[2,8,7,4]])
a2
# array([[7, 3, 1, 5],
# [3, 9, 4, 1],
# [2, 8, 7, 4]])
# 进行水平拼接
np.hstack([a1,a2])
# array([[3, 4, 5, 7, 3, 1, 5],
# [2, 4, 1, 3, 9, 4, 1],
# [8, 9, 4, 2, 8, 7, 4]])
np.vstack() 竖直拼接
'''
np.vstack(tup) 数组的水平拼接
竖直拼接即为纵向拼接，数组的列数要一致
tup：ndarray序列
'''
# 准备数组1
a2 = np.array([[7,3,1,5],[3,9,4,1],[2,8,7,4]])
a2
# array([[7, 3, 1, 5],
# [3, 9, 4, 1],
# [2, 8, 7, 4]])
# 准备数组2
a3=np.arange(12).reshape(3,4)
# array([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11]])
# 进行竖直拼接
np.vstack((a3,a2))
# array([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11],
# [ 7, 3, 1, 5],
# [ 3, 9, 4, 1],
# [ 2, 8, 7, 4]])
np.concatenate() 指定数组的拼接方向
'''
np.concatenate((a1, a2, ...), axis=0, out=None)
axis = 0 ：按照行的方向进行拼接，竖直拼接
axis = 1 ：按照列的方向进行拼接，横向拼接
'''
# 准备数组1
a1 = np.array([[3,4,5],[2,4,1],[8,9,4]])
a1
# array([[3, 4, 5],
# [2, 4, 1],
# [8, 9, 4]])
# 准备数组2
a2 = np.array([[7,3,1,5],[3,9,4,1],[2,8,7,4]])
a2
# array([[7, 3, 1, 5],
# [3, 9, 4, 1],
# [2, 8, 7, 4]])
# 按照列的方向进行拼接，横向拼接
np.concatenate((a1,a2),axis = 1)
# array([[3, 4, 5, 7, 3, 1, 5],
# [2, 4, 1, 3, 9, 4, 1],
# [8, 9, 4, 2, 8, 7, 4]])
# 准备数组3
a3=np.arange(12).reshape(3,4)
# array([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11]])
# 按照行的方向进行拼接，竖直拼接
np.concatenate((a3,a2),axis = 0)
# array([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11],
# [ 7, 3, 1, 5],
# [ 3, 9, 4, 1],
# [ 2, 8, 7, 4]])
（ 三）、数据的复制
np.tile(ndarry,(m,n)) 指定数组的方向复制
'''
np.tile(ndarry,(m,n))
tile是瓷砖的意思，顾名思义，这个函数就是把数组像瓷砖一样铺展开来。
m：表示按照行的方向进行复制，铺展m次
m：表示按照列的方向进行复制，铺展n次
'''
a2
# array([[7, 3, 1, 5],
# [3, 9, 4, 1],
# [2, 8, 7, 4]])
# 按照行的方向进行复制，铺展3次，竖直铺展
np.tile(a2,(3,1))
# array([[7, 3, 1, 5],
# [3, 9, 4, 1],
# [2, 8, 7, 4],
# [7, 3, 1, 5],
# [3, 9, 4, 1],
# [2, 8, 7, 4],
# [7, 3, 1, 5],
# [3, 9, 4, 1],
# [2, 8, 7, 4]])
# 按照列的方向进行复制，铺展2次，横向铺展
np.tile(a2,(1,2))
# array([[7, 3, 1, 5, 7, 3, 1, 5],
# [3, 9, 4, 1, 3, 9, 4, 1],
# [2, 8, 7, 4, 2, 8, 7, 4]])
# 分别按照行列方向进行铺展
np.tile(a2,(2,3))
# array([[7, 3, 1, 5, 7, 3, 1, 5, 7, 3, 1, 5],
# [3, 9, 4, 1, 3, 9, 4, 1, 3, 9, 4, 1],
# [2, 8, 7, 4, 2, 8, 7, 4, 2, 8, 7, 4],
# [7, 3, 1, 5, 7, 3, 1, 5, 7, 3, 1, 5],
# [3, 9, 4, 1, 3, 9, 4, 1, 3, 9, 4, 1],
# [2, 8, 7, 4, 2, 8, 7, 4, 2, 8, 7, 4]])
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。
