Numpy库基础
-
- 一维数组的索引与切片
- 多维数组的切片与索引
- 数组的维度改变
- 数组的组合
- 上篇文章介绍了Numpy库的基础（数组，数组的创建，数据类型）需要回顾的可以查看：python数据分析基础之Numpy库详解（一）
- 一维数组的切片操作与Python列表的切片操作很相似。例如，我们可以用下标2~6来选取元素
2，3，4，5
import numpy as np
arr=np.arange(7)
arr[2:6]
文章图片
- 也可以用下标0~7，以2为步长选取元素：
arr[0:7:2]
文章图片
- 和Python中使用列表一样，我们也可以利用负数下标翻转数组：
arr[::-1]
【数据分析基础|python数据分析基础之Numpy库详解（二）】
文章图片
多维数组的切片与索引
- ndarray支持在多维数组上的切片操作。为了方便起见，我们可以用一个省略号（…）来表示遍历剩下的维度
- 如下举例：首先我们使用arange函数创建一个数组并改变其维度，使之变成一个三维数组：
arr = np.arange(24).reshape((2, 3, 4))
arr.shape
文章图片
arr
文章图片
- 多维数组arr中有0~23的整数，共24个元素，是一个2×3×4的三维数组。我们可以形象地把它看做一个两层楼建筑，每层楼有12个房间，并排列成3行4列。或者，我们也可以将其看成是excel表格中工作表（sheet）、行和列的关系。可以看出，reshape函数的作用是改变数组的“形状”，也就是改变数组的维度，其参数为一个正整数元组，分别指定数组在每个维度上的大小
- 如果指定的维度和数组的元素数目不相吻合，函数将抛出异常
- 我们可以用三维坐标来选定任意一个房间，即楼层、行号和列号。例如，选定第1层楼、 第1行、第1列的房间（也可以说是第0层楼、第0行、第0列，这只是习惯问题），可以这样表示：
arr[0,0,0]
文章图片
- 如果我们不关心楼层，也就是说要选取所有楼层的第1行、第1列的房间，那么可以将第1 个下标用英文标点的冒号:来代替：
arr[:,0,0]
文章图片
- 选取第一层的所有房间：
arr[0]
文章图片
- 我们还可以这样写，选取第1层楼的所有房间：
arr[0,:,:
]
文章图片
- 多个冒号可以用一个省略号（…）来代替，因此上面的代码等价于：
arr[0,...]
文章图片
- 进而我们可以选取第1层楼、第2排的所有房间：
arr[0,1]
文章图片
- 再进一步，我们可以在上面的数组切片中间隔地选定元素：
arr[0, 1, ::2]
文章图片
- 如果要选取所有楼层的位于第2列的房间，即不指定楼层和行号，用如下代码即可：
arr[..., 1]
文章图片
- 类似地，我们可以选取所有位于第2行的房间，而不指定楼层和列号：
arr[:, 1]
文章图片
- 如果要选取第1层楼的所有位于第2列的房间，在对应的两个维度上指定即可：
arr[0, :, 1]
文章图片
- 如果要反向选取第1层楼的最后一列的所有房间，使用如下代码：
arr[0, ::-1, -1]
文章图片
- 在该数组切片中间隔地选定元素：
arr[0, ::2, -1]
文章图片
- 如果在多维数组中执行翻转一维数组的命令，将在最前面的维度上翻转元素的顺序，在我们的例子中将把第1层楼和第2层楼的房间交换：
arr[::-1]
文章图片
数组的维度改变 在上面我们已经学习怎样使用reshape函数来改变数组的形状，现在来学习一下怎样将数组展平
- （一）：ravel函数 、我们可以用ravel函数完成展平的操作：
arr.ravel()
文章图片
- （二）：flatten函数、这个函数恰如其名，flatten就是展平的意思，与ravel函数的功能相同。 不过，flatten函数会请求分配内存来保存结果，而ravel函数只是返回数组的一个视图（view）：
arr.flatten()
文章图片
- （3）用元组设置数组维度 除了可以使用reshape函数，我们也可以直接用一个正整数元组来设置数组的维度，如下所示：
arr.shape=(4,6)
arr
文章图片
- 正如你所看到的，这样的做法将直接改变所操作的数组，现在数组arr成了一个4×6的多维数组
- (4) transpose在线性代数中，转置矩阵是很常见的操作。对于多维数组，我们也可以这样做：
arr.transpose()
文章图片
- (5) resizeresize和reshape函数的功能一样，但resize会直接修改所操作的数组：
arr.resize((2, 12))
arr
文章图片
数组的组合
- 首先创建两个3×3的二维数组
arr_one = np.arange(9).reshape((3,3))
arr_two = 2 * arr_one
文章图片
- (1) 水平组合 我们先从水平组合开始学习。将ndarray对象构成的元组作为参数，传给
hstack函数。如下所示：
np.hstack((arr_one,arr_two))
文章图片
- 我们也可以用concatenate函数来实现同样的效果，如下所示：
np.concatenate((arr_one,arr_two),axis=1)
文章图片
文章图片
- (2) 垂直组合 垂直组合同样需要构造一个元组作为参数，使用vstack函数。如下所示：
np.vstack((arr_one,arr_two))
文章图片
- 同样，我们将concatenate函数的axis参数设置为0即可实现同样的效果。这也是axis参数的默认值：
np.concatenate((arr_one,arr_two),axis=0)
文章图片
文章图片
- (3) 深度组合 将相同的元组作为参数传给dstack函数，即可完成数组的深度组合。所谓深度组合，就是将一系列数组沿着纵轴（深度）方向进行层叠组合。举个例子，有若干张二维平 面内的图像点阵数据，我们可以将这些图像数据沿纵轴方向层叠在一起，这就形象地解释了什么是深度组合
np.dstack((arr_one, arr_two))
文章图片
- (4) 列组合 column_stack函数对于一维数组将按列方向进行组合，如下所示：
np.column_stack((arr_one,arr_two))
文章图片
- 而对于二维数组，column_stack与hstack的效果是相同的：
文章图片
- 我们可以用==运算符来比较两个NumPy数组是否完全相同！！
np.hstack((arr_one, arr_two)) == np.column_stack((arr_one, arr_two))
文章图片
- (5) 行组合 当然，NumPy中也有按行方向进行组合的函数，它就是row_stack函数。对于两个一维数组，将直接层叠起来组合成一个二维数组
- 对于二维数组，row_stack与vstack的效果是相同的：
np.vstack((arr_one, arr_two))
np.row_stack((arr_one, arr_two))
文章图片
- 使用 ==运算符 对比两个数组
np.row_stack((arr_one, arr_two)) == np.vstack((arr_one, arr_two))
文章图片
推荐阅读
- python|python数据分析基础003 -numpy的使用（详解)
- Python|【Opencv实战】这是我见过的最强大“美颜滤镜”，代码美颜傻瓜式一键操作~（附源码）
- 图像处理|【OpenCv】图像分割——聚类算法
- 区块链|教程丨三分钟教你制作专属NFT智能合约
- github|github太慢了（两种方式解决这个痛！.）
- 编程语言|宁愿“大小周”、每天只写 200 行代码、月薪 8k-17k 人群再涨！揭晓中国开发者真实现状...
- 算法|复现经典（《统计学习方法》第21章 PageRank算法）
- 神经网络|（翻译）60分钟入门深度学习工具-PyTorch
- 数据结构与算法|【蓝桥杯】国奖学长带你复盘第十三届蓝桥杯模拟赛