Python Numpy中ndarray的常見操作
前言
NumPy（Numerical Python）是Python的一種開源的數(shù)值計算擴展。這種工具可用來存儲和處理大型矩陣，比Python自身的嵌套列表（nested list structure)結構要高效的多（該結構也可以用來表示矩陣（matrix）），支持大量的維度數(shù)組與矩陣運算，此外也針對數(shù)組運算提供大量的數(shù)學函數(shù)庫。
Numpy中主要使用ndarray來處理N維數(shù)組，Numpy中的大部分屬性和方法都是為ndarray服務的，所以掌握Numpy中ndarray的常見操作非常有必要！
0 Numpy基礎知識
NumPy的主要對象是同構多維數(shù)組。它是一個元素表（通常是數(shù)字），所有類型都相同，由非負整數(shù)元組索引。在NumPy維度中稱為軸 。
下面所示的例子中，數(shù)組有2個軸。第一軸的長度為2，第二軸的長度為3。
[[ 1., 0., 0.], [ 0., 1., 2.]]
1 ndarray的屬性
1.1 輸出ndarray的常見屬性
- ndarray.ndim ： 數(shù)組的軸（維度）的個數(shù)。在Python世界中，維度的數(shù)量被稱為rank。
- ndarray.shape ：數(shù)組的維度。這是一個整數(shù)的元組，表示每個維度中數(shù)組的大小。對于有 n 行和 m 列的矩陣，shape 將是 (n,m)。因此，shape 元組的長度就是rank或維度的個數(shù) ndim。
- ndarray.size ：數(shù)組元素的總數(shù)。這等于 shape 的元素的乘積。
- ndarray.dtype ：一個描述數(shù)組中元素類型的對象。可以使用標準的Python類型創(chuàng)建或指定dtype。另外NumPy提供它自己的類型。例如numpy.int32、numpy.int16和numpy.float64。
- ndarray.itemsize ：數(shù)組中每個元素的字節(jié)大小。例如，元素為 float64 類型的數(shù)組的 itemsize 為8（=64/8），而 complex32 類型的數(shù)組的 itemsize 為4（=32/8）。它等于 ndarray.dtype.itemsize 。
>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype.name
'int64'
>>> a.itemsize
8
>>> a.size
15
>>> type(a)
<type 'numpy.ndarray'>
>>> b = np.array([6, 7, 8])
>>> b
array([6, 7, 8])
>>> type(b)
<type 'numpy.ndarray'>2 ndarray的數(shù)據(jù)類型
在同一個ndarray中，存儲的是同一類型的數(shù)據(jù)，ndarray常見的數(shù)據(jù)類型包括：
3 修改ndarray的形狀和數(shù)據(jù)類型
3.1 查看和修改ndarray的形狀
## ndarray reshape操作 array_a = np.array([[1, 2, 3], [4, 5, 6]]) print(array_a, array_a.shape) array_a_1 = array_a.reshape((3, 2)) print(array_a_1, array_a_1.shape) # note: reshape不能改變ndarray中元素的個數(shù)，例如reshape之前為（2，3）,reshape之后為（3，2）/（1，6）... ## ndarray轉(zhuǎn)置 array_a_2 = array_a.T print(array_a_2, array_a_2.shape) ## ndarray ravel操作:將ndarray展平 a.ravel() # returns the array, flattened array([ 1, 2, 3, 4, 5, 6 ]) 輸出： [[1 2 3] [4 5 6]] (2, 3) [[1 2] [3 4] [5 6]] (3, 2) [[1 4] [2 5] [3 6]] (3, 2)
3.2 查看和修改ndarray的數(shù)據(jù)類型
astype(dtype[, order, casting, subok, copy])：修改ndarray中的數(shù)據(jù)類型。傳入需要修改的數(shù)據(jù)類型，其他關鍵字參數(shù)可以不關注。
array_a = np.array([[1, 2, 3], [4, 5, 6]]) print(array_a, array_a.dtype) array_a_1 = array_a.astype(np.int64) print(array_a_1, array_a_1.dtype) 輸出： [[1 2 3] [4 5 6]] int32 [[1 2 3] [4 5 6]] int64
4 ndarray數(shù)組創(chuàng)建
NumPy主要通過np.array()函數(shù)來創(chuàng)建ndarray數(shù)組。
>>> import numpy as np
>>> a = np.array([2,3,4])
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int64')
>>> b = np.array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64')也可以在創(chuàng)建時顯式指定數(shù)組的類型：
>>> c = np.array( [ [1,2], [3,4] ], dtype=complex )
>>> c
array([[ 1.+0.j, 2.+0.j],
[ 3.+0.j, 4.+0.j]])也可以通過使用np.random.random函數(shù)來創(chuàng)建隨機的ndarray數(shù)組。
>>> a = np.random.random((2,3))
>>> a
array([[ 0.18626021, 0.34556073, 0.39676747],
[ 0.53881673, 0.41919451, 0.6852195 ]])通常，數(shù)組的元素最初是未知的，但它的大小是已知的。因此，NumPy提供了幾個函數(shù)來創(chuàng)建具有初始占位符內(nèi)容的數(shù)組。這就減少了數(shù)組增長的必要，因為數(shù)組增長的操作花費很大。
函數(shù)zeros創(chuàng)建一個由0組成的數(shù)組，函數(shù) ones創(chuàng)建一個完整的數(shù)組，函數(shù)empty 創(chuàng)建一個數(shù)組，其初始內(nèi)容是隨機的，取決于內(nèi)存的狀態(tài)。默認情況下，創(chuàng)建的數(shù)組的dtype是 float64 類型的。
>>> np.zeros( (3,4) )
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
>>> np.ones( (2,3,4), dtype=np.int16 ) # dtype can also be specified
array([[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]],
[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]]], dtype=int16)
>>> np.empty( (2,3) ) # uninitialized, output may vary
array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260],
[ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])為了創(chuàng)建數(shù)字組成的數(shù)組，NumPy提供了一個類似于range的函數(shù)，該函數(shù)返回數(shù)組而不是列表。
>>> np.arange( 10, 30, 5 ) array([10, 15, 20, 25]) >>> np.arange( 0, 2, 0.3 ) # it accepts float arguments array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])
5 ndarray數(shù)組的常見運算
與許多矩陣語言不同，乘積運算符*在NumPy數(shù)組中按元素進行運算。矩陣乘積可以使用@運算符（在python> = 3.5中）或dot函數(shù)或方法執(zhí)行：
>>> A = np.array( [[1,1],
... [0,1]] )
>>> B = np.array( [[2,0],
... [3,4]] )
>>> A * B # elementwise product
array([[2, 0],
[0, 4]])
>>> A @ B # matrix product
array([[5, 4],
[3, 4]])
>>> A.dot(B) # another matrix product
array([[5, 4],
[3, 4]])某些操作（例如+=和 *=）會更直接更改被操作的矩陣數(shù)組而不會創(chuàng)建新矩陣數(shù)組。
>>> a = np.ones((2,3), dtype=int)
>>> b = np.random.random((2,3))
>>> a *= 3
>>> a
array([[3, 3, 3],
[3, 3, 3]])
>>> b += a
>>> b
array([[ 3.417022 , 3.72032449, 3.00011437],
[ 3.30233257, 3.14675589, 3.09233859]])
>>> a += b # b is not automatically converted to integer type
Traceback (most recent call last):
...
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'當使用不同類型的數(shù)組進行操作時，結果數(shù)組的類型對應于更一般或更精確的數(shù)組（稱為向上轉(zhuǎn)換的行為）。
>>> a = np.ones(3, dtype=np.int32)
>>> b = np.linspace(0,pi,3)
>>> b.dtype.name
'float64'
>>> c = a+b
>>> c
array([ 1. , 2.57079633, 4.14159265])
>>> c.dtype.name
'float64'
>>> d = np.exp(c*1j)
>>> d
array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
-0.54030231-0.84147098j])
>>> d.dtype.name
'complex128'許多一元操作，例如計算數(shù)組中所有元素的總和，都是作為ndarray類的方法實現(xiàn)的。
>>> a = np.random.random((2,3))
>>> a
array([[ 0.18626021, 0.34556073, 0.39676747],
[ 0.53881673, 0.41919451, 0.6852195 ]])
>>> a.sum()
2.5718191614547998
>>> a.min()
0.1862602113776709
>>> a.max()
0.6852195003967595默認情況下，這些操作適用于數(shù)組，就像它是一個數(shù)字列表一樣，無論其形狀如何。但是，通過指定axis 參數(shù)，您可以沿數(shù)組的指定軸應用操作：
>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>>
>>> b.sum(axis=0) # 計算每一列的和
array([12, 15, 18, 21])
>>>
>>> b.min(axis=1) # 計算每一行的和
array([0, 4, 8])
>>>
>>> b.cumsum(axis=1) # cumulative sum along each row
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]])
解釋：以第一行為例，0=0，1=1+0，3=2+1+0，6=3+2+1+06 ndarray數(shù)組的索引、切片和迭代
一維的數(shù)組可以進行索引、切片和迭代操作的，就像列表和其他Python序列類型一樣。
>>> a = np.arange(10)**3 >>> a array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729]) >>> a[2] 8 >>> a[2:5] array([ 8, 27, 64]) >>> a[:6:2] = -1000 # 等價于 a[0:6:2] = -1000; 從0到6的位置, 每隔一個設置為-1000 >>> a array([-1000, 1, -1000, 27, -1000, 125, fan 216, 343, 512, 729]) >>> a[ : :-1] # 將a反轉(zhuǎn) array([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000])
多維的數(shù)組每個軸可以有一個索引。這些索引以逗號??分隔的元組給出：
>>> b
array([[ 0, 1, 2, 3],
[10, 11, 12, 13],
[20, 21, 22, 23],
[30, 31, 32, 33],
[40, 41, 42, 43]])
>>> b[2,3]
23
>>> b[0:5, 1] # each row in the second column of b
array([ 1, 11, 21, 31, 41])
>>> b[ : ,1] # equivalent to the previous example
array([ 1, 11, 21, 31, 41])
>>> b[1:3, : ] # each column in the second and third row of b
array([[10, 11, 12, 13],
[20, 21, 22, 23]])
>>> b[-1] # the last row. Equivalent to b[-1,:]
array([40, 41, 42, 43])7 ndarray數(shù)組的堆疊、拆分
幾個數(shù)組可以沿不同的軸堆疊在一起，例如：np.vstack()函數(shù)和np.hstack()函數(shù)
>>> a = np.floor(10*np.random.random((2,2)))
>>> a
array([[ 8., 8.],
[ 0., 0.]])
>>> b = np.floor(10*np.random.random((2,2)))
>>> b
array([[ 1., 8.],
[ 0., 4.]])
>>> np.vstack((a,b))
array([[ 8., 8.],
[ 0., 0.],
[ 1., 8.],
[ 0., 4.]])
>>> np.hstack((a,b))
array([[ 8., 8., 1., 8.],
[ 0., 0., 0., 4.]])column_stack()函數(shù)將1D數(shù)組作為列堆疊到2D數(shù)組中。
>>> from numpy import newaxis
>>> a = np.array([4.,2.])
>>> b = np.array([3.,8.])
>>> np.column_stack((a,b)) # returns a 2D array
array([[ 4., 3.],
[ 2., 8.]])
>>> np.hstack((a,b)) # the result is different
array([ 4., 2., 3., 8.])
>>> a[:,newaxis] # this allows to have a 2D columns vector
array([[ 4.],
[ 2.]])
>>> np.column_stack((a[:,newaxis],b[:,newaxis]))
array([[ 4., 3.],
[ 2., 8.]])
>>> np.hstack((a[:,newaxis],b[:,newaxis])) # the result is the same
array([[ 4., 3.],
[ 2., 8.]])使用hsplit()，可以沿數(shù)組的水平軸拆分數(shù)組，方法是指定要返回的形狀相等的數(shù)組的數(shù)量，或者指定應該在其之后進行分割的列：
同理，使用vsplit()，可以沿數(shù)組的垂直軸拆分數(shù)組，方法同上。
################### np.hsplit ###################
>>> a = np.floor(10*np.random.random((2,12)))
>>> a
array([[ 9., 5., 6., 3., 6., 8., 0., 7., 9., 7., 2., 7.],
[ 1., 4., 9., 2., 2., 1., 0., 6., 2., 2., 4., 0.]])
>>> np.hsplit(a,3) # Split a into 3
[array([[ 9., 5., 6., 3.],
[ 1., 4., 9., 2.]]), array([[ 6., 8., 0., 7.],
[ 2., 1., 0., 6.]]), array([[ 9., 7., 2., 7.],
[ 2., 2., 4., 0.]])]
>>> np.hsplit(a,(3,4)) # Split a after the third and the fourth column
[array([[ 9., 5., 6.],
[ 1., 4., 9.]]), array([[ 3.],
[ 2.]]), array([[ 6., 8., 0., 7., 9., 7., 2., 7.],
[ 2., 1., 0., 6., 2., 2., 4., 0.]])]
>>> x = np.arange(8.0).reshape(2, 2, 2)
>>> x
array([[[0., 1.],
[2., 3.]],
[[4., 5.],
[6., 7.]]])
################### np.vsplit ###################
>>> np.vsplit(x, 2)
[array([[[0., 1.],
[2., 3.]]]), array([[[4., 5.],
[6., 7.]]])]到此這篇關于Python Numpy中ndarray的常見操作的文章就介紹到這了,更多相關Python ndarray操作內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了Python pymongo模塊用法,結合實例形式分析了Python中pymongo模塊的安裝與簡單使用相關操作技巧,需要的朋友可以參考下2018-03-03
這篇文章主要介紹了matlab?atan2函數(shù)解析,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2023-09-09
這篇文章主要介紹了Python在線和離線安裝第三方庫的方法,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2020-10-10
如何將matlab數(shù)據(jù)導入到Python中使用
這篇文章主要介紹了如何將matlab數(shù)據(jù)導入到Python中使用,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-12-12
這篇文章主要介紹了Python中獲取對象信息的方法,是Python學習當中的基礎知識,需要的朋友可以參考下2015-04-04
卡爾曼濾波數(shù)據(jù)處理技巧通俗理解及python實現(xiàn)
這篇文章主要為大家介紹了卡爾曼濾波數(shù)據(jù)處理技巧的通俗理解及python實現(xiàn)，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2022-05-05
這篇文章主要介紹了python 模擬登陸github的示例代碼，幫助大家更好的理解和學習python 爬蟲的相關知識，感興趣的朋友可以了解下2020-12-12
這篇文章主要為大家詳細介紹了python學生信息管理系統(tǒng)的完整版本代碼，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-10-10
pytorch動態(tài)網(wǎng)絡以及權重共享實例
今天小編就為大家分享一篇pytorch動態(tài)網(wǎng)絡以及權重共享實例，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
這篇文章主要介紹了Python SMTP發(fā)送電子郵件的示例，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-09-09