B10_NumPy数组操作、修改数组形状、翻转数组、修改数组维度、连接数组、分割数组、数组元素的添加与删除

NumPy数组操作

Numpy 中包含了一些函数用于处理数组，大概可分为以下几类：

修改数组形状
翻转数组
修改数组维度
连接数组
分割数组
数组元素的添加与删除

修改数组形状

函数	描述
reshape	不改变数据的条件下修改形状
flat	数组元素迭代器
flatten	返回一份数组拷贝，对拷贝所做的修改不会影响原始数组
ravel	返回展开数组

numpy.reshape

numpy.reshape 函数可以在不改变数据的条件下修改形状，格式如下： 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:order：‘C’ – 按行，‘F’ – 按列，‘A’ – 原顺序，‘k’ – 元素在内存中的出现顺序。

实例：

import numpy as npa = 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)

输出结果如下：

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]]

numpy.ndarray.flat

numpy.ndarray.flat是一个数组元素迭代器，实例如下：
实例：

import numpy as npa = np.arange(9).reshape(3,3)
print('原始数组：')
for row in a:print(row)# 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：
print('迭代后的数组：')
for element in a.flat:print(element)

输出结果如下：

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

numpy.ndarray.flatten

numpy.ndarray.flatten 返回一份数组拷贝，对拷贝所做的修改不会影响原始数组，格式如下：

ndarray.flatten(order='C')

参数说明：
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 npa = np.arange(8).reshape(2, 4)print('原数组：')
print(a)
print('\n')
# 默认按行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'))

输出结果如下：

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]

numpy.ravel

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')

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

实例：

import numpy as npa = 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'))

运行结果：

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]

翻转数组：

函数	描述
transpose	对换数组的维度
ndarray.T	和self.transpose()相同
rollaxis	向后滚动指定的轴
swapaxes	对换数组的两个轴

numpy.transpose

numpy.transpose 函数用于对换数组的维度，格式如下：

numpy.transpose(arr, axes)

参数说明：

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。
实例：

import numpy as npa = np.arange(12).reshape(3,4)print('原数组：')
print(a)
print('\n')print('对换数组：')
print(np.transpose(a))

输出结果如下：

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

numpy.ndarray.T 类似 numpy.transpose：
实例：

import numpy as npa = np.arange(12).reshape(3,4)print('原数组：')
print(a)
print('\n')print('转置数组：')
print(a.T)

输出结果如下：

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]]

numpy.rollaxis

numpy.rollaxis 函数向后滚动特定的轴到一个特定位置，格式如下：

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。

实例：

import numpy as np# 创建了三维的 ndarray
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))

输出结果如下：

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]]]

numpy.swapaxes

numpy.swapaxes 函数用于交换数组的两个轴，格式如下：

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
实例：

import numpy as np#创建了三维的ndarray
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))

输出结果如下:

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]]]

修改数组维度

维度	描述
broadcast	产生模仿广播的对象
broadcast_to	将数组广播到新形状
expand_dims	扩展数组的形状
squeeze	从数组的形状中删除一维条目

numpy.broadcast

numpy.broadcast 用于模仿广播的对象，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：

import numpy as npx = 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# Python3.x 为 next(context) ，Python2.x 为 context.next()
print (next(r), next(c))
print (next(r), next(c))
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)

输出结果为：

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]]

numpy.broadcast_to

numpy.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)

实例：

import numpy as npa = 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)))

输出结果为：

原数组:
[[0 1 2 3]]
调用broadcast_to函数之后：
[[0 1 2 3][0 1 2 3][0 1 2 3][0 1 2 3]]

numpy.expand_dims

numpy.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

import numpy as npx = 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)

输出结果为：

数组 x：
[[1 2][3 4]]数组 y：
[[[1 2][3 4]]]数组 x 和 y 的形状：
(2, 2) (1, 2, 2)在位置 1 插入轴之后的数组 y：
[[[1 2]][[3 4]]]x.ndim 和 y.ndim：
2 3x.shape 和 y.shape：
(2, 2) (2, 1, 2)

numpy.squeeze

numpy.squeeze 函数从给定数组的形状中删除一维的条目，函数格式如下：

numpy.squeeze(arr, axis)

参数说明：

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

import numpy as npx = 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)

输出结果为：

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)

连接数组

函数	描述
concatenate	连接沿现有轴的数组序列
stack	沿着新的轴加入一系列数组。
hstack	水平堆叠序列中的数组（列方向）
vstack	竖直堆叠序列中的数组（行方向）

numpy.concatenate

numpy.concatenate 函数用于沿指定轴连接相同形状的两个或多个数组，格式如下：

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

参数说明：

a1,a2,…:相同类型的数组
axis:沿着它连接数组的轴，默认为0

实例：

import numpy as npa = 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))

输出结果为：

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]]

numpy.stack

numpy.stack 函数用于沿新轴连接数组序列，格式如下：

numpy.stack(arrays, axis)

参数说明：

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

实例：

import numpy as npa = 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))

输出结果如下：

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]]]

numpy.hstack

numpy.hstack 是 numpy.stack 函数的变体，它通过水平堆叠来生成数组。

import numpy as npa = 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')

输出结果如下：

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]]

numpy.vstack

numpy.vstack 是 numpy.stack 函数的变体，它通过垂直堆叠来生成数组。
实例：

import numpy as npa = 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)

输出结果为：

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]]

分割数组

函数	数组及操作
split	将一个数组分割为多个子数组
hsplit	将一个数组水平分割为多个子数组（按列）
vsplit	将一个数组垂直分割为多个子数组（按行）

numpy.split

numpy.split 函数沿特定的轴将数组分割为子数组，格式如下：

numpy.split(ary, indices_or_sections, axis)

参数说明：

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

实例：

import numpy as npa = 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)

输出结果为：

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])]

numpy.hsplit

numpy.hsplit 函数用于水平分割数组，通过指定要返回的相同形状的数组数量来拆分原数组。

import numpy as np# 生成一个2行，6列的数组
harr = np.floor(10 * np.random.random((2,6)))
print('原array:')
print(harr)print('拆分后：')
print(np.hsplit(harr,3))

输出结果为：

原array:
[[2. 2. 6. 4. 6. 7.][0. 9. 2. 8. 3. 5.]]
拆分后：
[array([[2., 2.],[0., 9.]]), array([[6., 4.],[2., 8.]]), array([[6., 7.],[3., 5.]])]

numpy.vsplit

numpy.vsplit 沿着垂直轴分割，其分割方式与hsplit用法相同。

import numpy as npa = 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)

输出结果为：

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]])]

数组元素的添加与删除

函数	元素及描述
resize	返回指定形状的新数组
append	将值添加到数组末尾
insert	沿指定轴将值插入到指定下标之前
delete	删掉某个轴的子数组，并返回删除后的新数组
unique	查找数组内的唯一元素

numpy.resize

numpy.resize 函数返回指定大小的新数组。
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。

numpy.resize(arr, shape)

参数说明：

arr:要修改大小的数组
shape:返回数组的新形状

import numpy as npa = 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)

输出结果为：

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]]

numpy.append

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）。

实例：

import numpy as npa = 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))

输出结果为：

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]]

numpy.insert

numpy.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

import numpy as npa = 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))

输出结果如下：

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]]

numpy.delete

numpy.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
实例：

import numpy as npa = np.arange(12).reshape(3,4)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.delete(a,5))
print ('\n')print ('删除第二列：')
print (np.delete(a,1,axis = 1))
print ('\n')print ('包含从数组中删除的替代值的切片：')
a = np.array([1,2,3,4,5,6,7,8,9,10])
print (np.delete(a, np.s_[::2]))

输出结果为：

第一个数组：
[[ 0  1  2  3][ 4  5  6  7][ 8  9 10 11]]未传递 Axis 参数。 在插入之前输入数组会被展开。
[ 0  1  2  3  4  6  7  8  9 10 11]删除第二列：
[[ 0  2  3][ 4  6  7][ 8 10 11]]包含从数组中删除的替代值的切片：
[ 2  4  6  8 10]

numpy.unique

numpy.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

实例：

import numpy as npa = 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(u)
#即：留下来的元素在原来数组中的值
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(表示：[5 2 6 2 7 5 6 8 2 9]，在u中的位置)：')
print(indices)
print('\n')print('使用下标重构原数组（通过u和在u中的坐标重新构造原来的数组）：')
print(u[indices])print('返回去重元素的重复数量：')
u,indices = np.unique(a,return_counts=True)
print(u)
# 表示u中出现了重复了元素的次数
print(indices)

输出结果为：

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：
[2 5 6 7 8 9]
[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(表示：[5 2 6 2 7 5 6 8 2 9]，在u中的位置)：
[1 0 2 0 3 1 2 4 0 5]
使用下标重构原数组（通过u和在u中的坐标重新构造原来的数组）：
[5 2 6 2 7 5 6 8 2 9]
返回去重元素的重复数量：
[2 5 6 7 8 9]
[3 2 2 1 1 1]