Python數(shù)組變形的幾種實現(xiàn)方法
1.reshape
reshape是重塑，常用的三種寫法如下：
numpy.arange(n).reshape(a, b) # 依次生成 n個自然數(shù)，并且以 a行 b列的數(shù)組形式顯示
numpy.arange(a,b,c) # 從數(shù)字 a起, 步長為 c, 到 b結(jié)束，生成 array
numpy.arange(a,b,c).reshape(m,n) # 將array的維度變?yōu)?m 行 n 列。
例一：
import numpy as np arr=np.arange(1,25.0).reshape(4,6)
關(guān)于order：
order可以是數(shù)組排序的方向不同
（1）order='F'列為主序
（2）order='C'行為主序
一種是以order='F'的方式讓數(shù)組豎著排序：
arr=np.arange(1,25.0).reshape((6,-1),order='F')
一種是以order='C'的方式讓數(shù)組橫著排序：
arr=np.arange(1,25.0).reshape((6,-1),order='C')
reshape與flattern:
前者完成的是從低維到高維的轉(zhuǎn)換，后者則相反，還可以使用reval函數(shù)
2.flatten
numpy.ndarray.flattern()是用來返回一維數(shù)組的函數(shù)。
也可以像reshape一樣使用order
arr2=arr.flatten(order='F')
一般默認(rèn)是使用order='C'，有特定需求則使用order='F'。
且 flatten()返回的是拷貝，意味著改變元素的值不會影響原始數(shù)組。
3.ravel
ravel()方法將數(shù)組維度拉成一維數(shù)組
ravel和flatten的區(qū)別：
- ravel在進(jìn)行扁平化處理的時候沒有復(fù)制原來的數(shù)組，只在列主序打平時復(fù)制原來的數(shù)組
- flatten在所有情況下打平時都復(fù)制了原來的數(shù)組
- ravel()返回的是視圖，意味著改變元素的值會影響原始數(shù)組；
- flatten()返回的是拷貝，意味著改變元素的值不會影響原始數(shù)組。
- 相同點：這兩個函數(shù)的功能都是將多維數(shù)組轉(zhuǎn)換成一維
ravel()返回的是視圖，意味著改變元素的值會影響原始數(shù)組；
4.stack
numpy.stack(arrays, axis=0)：沿著新軸連接數(shù)組的序列。
一系列的stack函數(shù)有：stack()，hstack()，vstack()
（1）concatenate
還有屬性例如：concatenatenumpy.concatenate((a1,a2,…), axis=0)函數(shù)，能夠一次完成多個數(shù)組的拼接。其中a1,a2,…是數(shù)組類型的參數(shù)
arr1=['穿過寒冬擁抱你','反貪風(fēng)暴5：最終章','李茂扮太子','誤殺2'] arr2=['以年為單位的戀愛','愛情神話','黑客帝國：矩陣重啟','雄獅少年'] np.concatenate([arr1,arr2])
注意，兩個list合并的時候需要用到 [ ] ,否則出錯。
axis參數(shù)指定新軸在結(jié)果尺寸中的索引。例如，如果axis=0，它將是第一個維度，如果axis=-1，它將是最后一個維度。
默認(rèn)情況下axis=0
arr1=np.arange(1,25.0).reshape(4,6) arr2=np.arange(26,50.0).reshape(4,6) np.concatenate([arr1,arr2],axis=1) np.concatenate([arr1,arr2],axis=0)
如上圖所示，axis=1是將不同的列串聯(lián)起來，axis=0則類似于append，是合并。
將arr1與arr2進(jìn)行對調(diào)：
（2）vstack
函數(shù)原型：vstack(tup) ，參數(shù)tup可以是元組，列表，或者numpy數(shù)組，返回結(jié)果為numpy的數(shù)組。它是垂直（按照行順序）的把數(shù)組給堆疊起來。
vstack 和concatenate( ),axis=0等價
（3）dstack
dstack是deep stack，即在深度方向進(jìn)行合并。
dstack可以將一維數(shù)組變成三維數(shù)組。
import numpy as np
# vstack
np.vstack([arr1,arr2])
#結(jié)果：
array([[ 1., 2., 3., 4., 5., 6.],
[ 7., 8., 9., 10., 11., 12.],
[13., 14., 15., 16., 17., 18.],
[19., 20., 21., 22., 23., 24.],
[26., 27., 28., 29., 30., 31.],
[32., 33., 34., 35., 36., 37.],
[38., 39., 40., 41., 42., 43.],
[44., 45., 46., 47., 48., 49.]])
# dstack
np.dstack([arr1,arr2])
# 結(jié)果：
array([[[ 1., 26.],
[ 2., 27.],
[ 3., 28.],
[ 4., 29.],
[ 5., 30.],
[ 6., 31.]],
[[ 7., 32.],
[ 8., 33.],
[ 9., 34.],
[10., 35.],
[11., 36.],
[12., 37.]],
[[13., 38.],
[14., 39.],
[15., 40.],
[16., 41.],
[17., 42.],
[18., 43.]],
[[19., 44.],
[20., 45.],
[21., 46.],
[22., 47.],
[23., 48.],
[24., 49.]]])
（4）hstack
函數(shù)原型：hstack(tup) ，參數(shù)tup可以是元組，列表，或者numpy數(shù)組，返回結(jié)果為numpy的數(shù)組,水平(按列順序)把數(shù)組給堆疊起來，vstack()函數(shù)正好和它相反。
（5）r,c模式
np.r_[arr1,arr2] ，實際上是vstack 與 axis=0 做了一個合并（concatenate）。
np.c_[arr1,arr2] ， hstack 與 axis=1 做了一個合并（concatenate）。
print(np.r_[-2:2:1,[0]*3,5,6])
上面那段代碼由三部分組成，-2:2:1表示從-2~2的數(shù)字，間隔為1，并且2沒有，然后是3個0，接下來是5和6
print((np.r_['r',-2:2:1,[0]*3,5,6])) #二維數(shù)組，以行的方式呈現(xiàn) print((np.r_['c',-2:2:1,[0]*3,5,6])) #二維數(shù)組，以列的方式呈現(xiàn)
默認(rèn)是為r，表示沿著行的方向創(chuàng)建，c則表示以列的方式創(chuàng)建。
注：shape表示矩陣的維度大小。
也可以用'a,b,c'來進(jìn)行表示，a代表軸，沿著軸a來進(jìn)行合并，代表合并后數(shù)組維度至少是b，c是代表在第c維度上做維度提升
print(np.r_['0,2,0',[1,2,3],[4,5,6]],'\n') print(np.r_['0,2,1',[1,2,3],[4,5,6]],'\n') print(np.r_['1,2,0',[1,2,3],[4,5,6]],'\n') print(np.r_['1,2,1',[1,2,3],[4,5,6]])
b:合并后數(shù)組的維度 a=0,沿著軸0合并。(3,)-->(1,3) a=1,沿著軸1合并。(3,1)-->(3,2) c=0,在軸0上上升一維,(3,)-->(3,1) c=1,在軸1上上升一維,(3,)-->(1,3)
5.split
（1）split
split 具體有 split() , hsplit() , vsplit()
arr1=np.arange(1,13.0).reshape(2,6) arr2=np.arange(14,26.0).reshape(2,6) arr=np.concatenate([arr1,arr2]) arr3=np.split(arr,2) # 默認(rèn)情況下是 axis=0
由上圖可知，split分割成為二維數(shù)組
arr4=np.split(arr,3,axis=1) print(arr4[0].shape) arr4
arr5=np.split(arr,4,axis=0) arr6=np.split(arr,[1,2,3],axis=0)
上述代碼塊的兩行表示是相同的，第二行相當(dāng)于使用數(shù)組的切片方式進(jìn)行處理。
（2）vsplit和hsplit
vsplit垂直（按行）將陣列拆分為多個子陣列。hsplit水平（按列）將陣列拆分為多個子陣列。
這部分希望大家看下圖體會~
arrv=np.vsplit(arr,[1,2,3,4]) arrh=np.hsplit(arr,[1,2,3,4,5])
6.repeat
repeat()： 復(fù)制數(shù)組中的每個指定元素。
一維數(shù)組：用整數(shù)型和列表型參考來控制元素被復(fù)制的個數(shù)
多維數(shù)組：用整數(shù)型和列表型來控制元素被復(fù)制的個數(shù)
import numpy as np arr=np.arange(3) print(arr.shape)
（1）標(biāo)量參數(shù)
print(arr.repeat(3)) # 每個元素復(fù)制三次
（2）列表參數(shù)
print(arr) print(arr.repeat([1,2,3])) # 第一個沒有復(fù)制，第二個復(fù)制了兩個，，依次類推
當(dāng)列表的元素少于數(shù)組元素，或者多余數(shù)組元素，都會報錯，就如下圖所示。
上面是一維數(shù)組的，接下來再看看二維數(shù)組中利用標(biāo)量參數(shù)和軸參數(shù)：
print(arr.repeat(2)) # 此時二維數(shù)組變成一維的了 print(arr.repeat(2,1)) print(arr.repeat(2,axis=0)) # 在行上面進(jìn)行復(fù)制
再來看看二維數(shù)組中的列表參數(shù)和軸參數(shù)：
7.tile
關(guān)于repeat和title，二者的本質(zhì)都是復(fù)制，而repeat是在元素層面進(jìn)行賦值，title是在數(shù)組層面進(jìn)行賦值。
（1）標(biāo)量參數(shù)
print(np.tile(arr,2)) print(np.repeat(arr,2))
（2）元組參數(shù)
元組參數(shù)即括號里面用相關(guān)參數(shù)進(jìn)行分割。
print(np.tile(arr,(2,3)))
print(np.tile(arr,(2,3,4)))
在軸0上面復(fù)制兩遍，行復(fù)制3遍，列復(fù)制4遍。
8.sort
排序分為：
- 直接排序
- 間接排序
直接排序sort() :在原來的數(shù)組上進(jìn)行排序操作，而不重新創(chuàng)建一個數(shù)組
（1）一維數(shù)組排序方法
arr=np.array([9,1,5,7,2,3,8,6]) # 先創(chuàng)建一個無序數(shù)組 arr
print('排序之前的數(shù)組:',arr)
arr.sort()
print('排序之后的數(shù)組:',arr)
arr[::-1] # 使用倒序的方法顯示
（2）多維數(shù)組排序方法
先使用random隨機(jī)生成一個二維數(shù)組：（每次）
import numpy as np np.random.seed(1000) arr=np.random.randint(40,size=(3,4)) arr
以上的方法在每次重新刷新了之后會變化數(shù)組的數(shù)字。
如果對二維數(shù)組直接使用arr.sort()，則會直接對行進(jìn)行排序。
對列進(jìn)行排序：
print('排序之前的數(shù)組:')
print(arr)
arr[:,0].sort()
print('排序之后的數(shù)組:')
print(arr)
np.sort(arr[:,2]) # 選擇第三列進(jìn)行排序
arr.sort(axis=1) # 橫著排序，原來數(shù)組改變 np.sort(arr,axis=1) # 橫著排序，但原來的數(shù)組不會改變 arr.sort(axis=0) # 豎著排序，原來數(shù)組改變 np.sort(arr,axis=0) # 豎著排序，但原來的數(shù)組不會改變
（3）argsort函數(shù)
接下來看看間接排序：
間接排序：利用特定的參數(shù)進(jìn)行排序，按需排序，需要使用argsort( )函數(shù)argsort函數(shù)：返回的是數(shù)組值從小到大的索引值。
score=np.array([100,65,76,89,58]) idx=score.argsort() idx
因此如果打印數(shù)組的時候帶上下標(biāo)就相當(dāng)于排序了：
print(score[idx]) # 利用索引標(biāo)簽來打印
arr[:,arr[0].argsort()] #按第一行從低到高進(jìn)行排序，并且對應(yīng)的列也會跟著變化 arr#由于使用的是argsort,因此原數(shù)組不會改變
（4）lexsort函數(shù)
numpy.lexsort() 用于對多個序列進(jìn)行排序。把它想象成對電子表格進(jìn)行排序，每一列代表一個序列，排序時優(yōu)先照顧靠后的列。
這里舉一個應(yīng)用場景：小升初考試，重點班錄取學(xué)生按照總成績錄取。在總成績相同時，數(shù)學(xué)成績高的優(yōu)先錄取，在總成績和數(shù)學(xué)成績都相同時，按照英語成績錄取…… 這里，總成績排在電子表格的最后一列，數(shù)學(xué)成績在倒數(shù)第二列，英語成績在倒數(shù)第三列。
arr1=np.array(['E','B','C','A','D']) arr2=np.array(['4','1','3','2','5']) idx=np.lexsort((arr1,arr2))
9.insert
insert 是插入，但原數(shù)組不會改變。
arr=np.arange(6) np.insert(arr,1,100) # 在下標(biāo)為1的位置插入100
arr=np.arange(6) np.insert(arr,1,100) # 在下標(biāo)為1的位置插入100
10.delete
delete是刪除，但原數(shù)組同樣不會改變。
arr=np.arange(6) np.delete(arr,1) np.delete(arr,[1,2])
11.copy
關(guān)于copy和view ,這里需要了解一下數(shù)組切片和列表切片的區(qū)別：
- 數(shù)組切片得到的是原數(shù)組的一個view(視圖)，修改切片中的內(nèi)容會改變原來數(shù)組
- 列表切片得到的是原列表的一個copy(復(fù)制)，修改切片后的列表不會改變原列表
arr=np.arange(6) arr_copy=arr.copy() arr_copy[0]=100 arr_copy
12.view
arr=np.arange(6) arr_view=arr.view() arr_view[0]=100 arr_view
講了以上12種數(shù)組變形，那么如何使用容器型數(shù)據(jù)的特性和數(shù)組相關(guān)函數(shù)的方法對字符串或者其他對象進(jìn)行去重呢？
s='數(shù)組切片得到的是原數(shù)組的一個,修改切片中的內(nèi)容會改變原來數(shù)組'
假設(shè)現(xiàn)在要對s進(jìn)行去重：
方法一：使用set
sets=set(s)
方法二：使用unique
sarr=np.array(s) np.unique(list(s))
到此這篇關(guān)于Python數(shù)組變形的幾種實現(xiàn)方法的文章就介紹到這了,更多相關(guān)Python數(shù)組變形內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
本文討論了 Python 中套接字的超時功能，該功能對于緩解無限期等待套接字接受的問題是必要的，下面通過本文給大家大家介紹Python 套接字 Accept 超時問題,需要的朋友可以參考下2023-06-06
今天小編就為大家分享一篇使用 tf.nn.dynamic_rnn 展開時間維度方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
socket建立連接的時候是三次握手，這個大家都很清楚，但是socket關(guān)閉連接的時候，需要進(jìn)行四次揮手，但很多人對于這四次揮手的具體流程不清楚，吃了很多虧，本文來為大家進(jìn)行分析2022-01-01
這篇文章主要介紹了Python基于Tensor FLow的圖像處理操作,結(jié)合實例形式分析了Python基于Tensor FLow操作圖像解碼、縮放、剪切、翻轉(zhuǎn)、調(diào)整對比度、明度、飽和度等相關(guān)操作技巧,需要的朋友可以參考下2020-01-01
這篇文章主要介紹了Selenium chrome配置代理Python版的方法，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2018-11-11
這篇文章主要介紹了python獲取本機(jī)mac地址和ip地址的方法,涉及Python獲取系統(tǒng)相關(guān)信息的技巧,需要的朋友可以參考下2015-04-04
python之np.argmax()及對axis=0或者1的理解
這篇文章主要介紹了python之np.argmax()及對axis=0或者1的理解，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-06-06
這篇文章主要介紹了Matlab中如何實現(xiàn)將長字符串換行寫問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-01-01
基于python的圖片修復(fù)程序（實現(xiàn)水印去除）
這篇文章主要給大家介紹了關(guān)于python圖片修復(fù)程序的相關(guān)資料，可以用于實現(xiàn)圖片中水印去除，主要利用的是OpenCV這個框架實現(xiàn)的，文中通過示例代碼介紹的非常詳細(xì)，需要的朋友可以參考借鑒，下面來一起看看吧2018-06-06
這篇文章主要介紹了Python集合的基礎(chǔ)操作，Python中的集合和數(shù)學(xué)上的集合基本是沒有區(qū)別的，是無序的，即不可以使用索引訪問的，集合中是不能出現(xiàn)重復(fù)元素的。想著情了解具體內(nèi)容的小伙伴可以參考下面文章內(nèi)容2021-11-11