numpy刪除單行、刪除單列、刪除多列實(shí)現(xiàn)方式
更新時(shí)間：2024年02月22日 10:30:53 作者：嗖100
這篇文章主要介紹了numpy刪除單行、刪除單列、刪除多列實(shí)現(xiàn)方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
numpy刪除單行、刪除單列、刪除多列
import numpy as np
刪除元素
通過index刪除單行、刪除單列、刪除多行
def delFun():
"""
刪除
:return:
"""
source = np.array([[1, 2, 3], [1, 2, 3], [1, 2, 3]])
# 刪除第三行
del_arr_1 = source.copy()
del_row = np.delete(del_arr_1, 2, axis=0)
# 刪除第二列
del_arr_2 = source.copy()
del_col = np.delete(del_arr_2, 1, axis=1)
# 刪除第二、三行
del_arr_3 = source.copy()
del_mult_row = np.delete(del_arr_3, (1, 2), axis=0)
print(del_row)
print(del_col)
print(del_mult_row)
原始數(shù)據(jù)
[ [1 2 3] [1 2 3] [1 2 3] ]
del_row 刪除第三行 返回結(jié)果
[ [1 2 3] [1 2 3] ]
del_col 刪除第二列 返回結(jié)果
[ [1 3] [1 3] [1 3] ]
del_mult_row 刪除第二、三行 返回結(jié)果
[ [1 2 3] ]
Numpy增加和刪除元素
1. delete
numpy.delete(arr, obj, axis=None)：
- arr：類數(shù)組。操作對(duì)象
- obj：切片、整數(shù)或者整數(shù)數(shù)組。指示要沿指定軸（由參數(shù)axis指定）刪除的子數(shù)組的索引
- axis：整數(shù)型，可選參數(shù)。指示刪除子數(shù)組（由參數(shù)obj指定）所沿的軸
- axis = None：arr會(huì)先按行展開，然后按照obj，刪除第obj-1（從0開始）位置的數(shù)，返回一個(gè)展開的arr
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
# obj參數(shù)
>>> np.delete(arr,1,1)
array([[ 1, 3, 4],
[ 5, 7, 8],
[ 9, 11, 12]])
>>> np.delete(arr,[1,2],axis=1)
array([[ 1, 4],
[ 5, 8],
[ 9, 12]])
# axis參數(shù)
>>> np.delete(arr,1,0)
array([[ 1, 2, 3, 4],
[ 9, 10, 11, 12]])
>>> np.delete(arr,1)
array([ 1, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
2. insert
numpy.insert(arr, obj, values, axis=None)：沿著給定的軸（axis），在給定的索引（obj）之前插入值
- arr：類數(shù)組。操作對(duì)象
- obj：切片、整數(shù)或者整數(shù)數(shù)組。指示插入values的位置索引（可以是單個(gè)索引也可以是多個(gè)索引），values插入在這些索引之前。
- values：類數(shù)組。插入到arr中的值
如果values的數(shù)據(jù)類型和arr的數(shù)據(jù)類型不同，values會(huì)被自動(dòng)轉(zhuǎn)換為arr的數(shù)據(jù)類型
values的形狀應(yīng)使 arr[…,obj,…] = values 合法
- axis：整數(shù)，可選參數(shù)。指示values沿著哪個(gè)軸插入
axis = None：arr會(huì)先被展平，類似numpy.delete函數(shù)
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
# obj參數(shù)
>>> np.insert(arr,1,0,axis=1)
array([[ 1, 0, 2, 3, 4],
[ 5, 0, 6, 7, 8],
[ 9, 0, 10, 11, 12]])
>>> np.insert(arr,1,[1,2,3],axis=1) # values的形狀應(yīng)使 arr[...,obj,...] = values 合法
array([[ 1, 1, 2, 3, 4],
[ 5, 2, 6, 7, 8],
[ 9, 3, 10, 11, 12]])
>>> np.insert(arr,[1,2],np.array([[1,2],[3,4],[5,6]]),axis=1) # values的形狀應(yīng)使 arr[...,obj,...] = values 合法
array([[ 1, 1, 2, 2, 3, 4],
[ 5, 3, 6, 4, 7, 8],
[ 9, 5, 10, 6, 11, 12]])
>>> np.insert(arr,[1],[1,2,3],axis=1)
array([[ 1, 1, 2, 3, 2, 3, 4],
[ 5, 1, 2, 3, 6, 7, 8],
[ 9, 1, 2, 3, 10, 11, 12]])
# values參數(shù)
>>> np.insert(arr,1,[1.5,2,True],axis=1)
array([[ 1, 1, 2, 3, 4],
[ 5, 2, 6, 7, 8],
[ 9, 1, 10, 11, 12]])
# axis參數(shù)
>>> np.insert(arr,1,0,axis=0)
array([[ 1, 2, 3, 4],
[ 0, 0, 0, 0],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> np.insert(arr,1,0)
array([ 1, 0, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
注釋：特別注意numpy.insert(obj = some_integer)與numpy.insert(obj = [some_integer])的區(qū)別。
3. append
numpy.append(arr, values, axis=None)：添加值到數(shù)組的末尾
- arr：類數(shù)組。操作對(duì)象
- values：類數(shù)組 values的形狀必須正確
- axis：整數(shù)，可選參數(shù)。指示values沿著哪個(gè)軸添加到arr末尾
- axis = None：arr會(huì)先被展平，類似numpy.delete和numpy.insert函數(shù)
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
# values參數(shù)
>>> np.append(arr,[13,14,15,16],axis=0)
ValueError: all the input arrays must have same number of dimensions, but the array
at index 0 has 2 dimension(s) and the array at index 1 has 1 dimension(s)
>>> np.append(arr,np.array([[13,14,15,16]]),axis=0)
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12],
[13, 14, 15, 16]])
>>> np.append(arr,[5,9,13],axis=1)
ValueError: all the input arrays must have same number of dimensions, but the array
at index 0 has 2 dimension(s) and the array at index 1 has 1 dimension(s)
>>> np.append(arr,np.array([[5],[9],[13]]),axis=1)
array([[ 1, 2, 3, 4, 5],
[ 5, 6, 7, 8, 9],
[ 9, 10, 11, 12, 13]])
# axis參數(shù)
>>> np.append(arr,[13,14,15,16])
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16])
注釋： 特別注意values參數(shù)的形狀。
4. resize
numpy.resize(a, new_shape)：返回具有指定形狀的新數(shù)組
- a：類數(shù)組。操作對(duì)象
- new_shape：整數(shù)或整數(shù)序列。調(diào)整大小后的數(shù)組的形狀
如果新數(shù)組比原始數(shù)組大，那么新數(shù)組會(huì)用重復(fù)的原始數(shù)組來填充，這時(shí)會(huì)按照C語(yǔ)言的順序重復(fù)遍歷數(shù)組
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> np.resize(arr,(4,3))
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
>>> np.resize(arr,(4,4))
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12],
[ 1, 2, 3, 4]])
>>> np.resize(arr,(3,5))
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10],
[11, 12, 1, 2, 3]])
>>> np.resize(arr,(3,3))
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
注釋：
numpy.resize沒有單獨(dú)考慮各個(gè)軸，因此其不適用于插值/外推。所以，numpy.resize不適用于調(diào)整圖像或數(shù)據(jù)的大小，其中每個(gè)軸代表一個(gè)單獨(dú)的不同實(shí)體。
numpy.resize和ndarray.resize的區(qū)別：
- numpy.resize返回原始數(shù)據(jù)的副本，而ndarray.resize是對(duì)原始數(shù)據(jù)原地（in-place）修改
- numpy.resize是用原始數(shù)組來填充，而ndarray是用0來填充
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> np.resize(arr,[3,5])
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10],
[11, 12, 1, 2, 3]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> arr.resize(3,5,refcheck=False)
>>> arr
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10],
[11, 12, 0, 0, 0]])```
numpy.resize和numpy.reshape的區(qū)別：
- numpy.resize中新數(shù)組的形狀可以和原始數(shù)組不兼容，而numpy.reshape中新數(shù)組的形狀必須和原始數(shù)組兼容
- numpy.resize返回的是原始數(shù)組的副本，而numpy.reshape返回的是原始數(shù)組的視圖
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> id(arr)
2040077636592
>>> arr.ctypes.data
2039348516176
>>> arr_reshape = np.reshape(arr,(4,3))
>>> arr_reshape
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
>>> id(arr_reshape)
2040077636832
>>> arr_reshape.ctypes.data
2039348516176
>>> arr_resize = np.resize(arr,(4,3))
>>> arr_resize
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
>>> id(arr_resize)
2040077636752
>>> arr_resize.ctypes.data
2039348513616
>>> arr[0][0] = 0
>>> arr
array([[ 0, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> arr_reshape
array([[ 0, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
>>> arr_resize
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
5. trim_zeros
numpy.trim_zeros(filt, trim=‘fb’)：修剪一維數(shù)組或序列開頭和/或尾部的0
filt：一維數(shù)組或序列
trim：字符串，可選參數(shù)
- ‘f’：修剪一維數(shù)組或序列開頭的0
- ‘b’：修剪一維數(shù)組或序列尾部的0
- ‘fb’：修剪一維數(shù)組或序列開頭和尾部的0（默認(rèn)值）
>>> arr = np.array([0, 0, 0, 1, 2, 3, 0, 2, 1, 0, 0]) >>> arr array([0, 0, 0, 1, 2, 3, 0, 2, 1, 0, 0]) >>> np.trim_zeros(arr) array([1, 2, 3, 0, 2, 1]) >>> np.trim_zeros(arr,trim='f') array([1, 2, 3, 0, 2, 1, 0, 0]) >>> np.trim_zeros(arr,trim='b') array([0, 0, 0, 1, 2, 3, 0, 2, 1]) >>> list1 = [0, 0, 0, 1, 2, 3, 0, 2, 1, 0, 0] >>> np.trim_zeros(list1) [1, 2, 3, 0, 2, 1] >>> np.trim_zeros(list1,trim='f') [1, 2, 3, 0, 2, 1, 0, 0] >>> np.trim_zeros(list1,trim='b') [0, 0, 0, 1, 2, 3, 0, 2, 1]
6. unique
numpy.unique(ar, return_index=False, return_inverse=False, return_counts=False, axis=None)：查找數(shù)組唯一的元素，返回?cái)?shù)組排序后的唯一的元素
參數(shù)：
- ar：類數(shù)組
- return_index：布爾值，可選參數(shù)
- True：返回一個(gè)一維的數(shù)組unique_indices，其中每個(gè)元素表示每個(gè)排序后的唯一值在原始數(shù)組ar中的索引
- return_inverse：布爾值，可選參數(shù)
- True：返回一個(gè)一維的數(shù)組unique_inverse，其中每個(gè)元素表示原始數(shù)組ar中每個(gè)元素在返回的數(shù)組中的索引，用于重建原始數(shù)組
- return_counts：布爾值，可選參數(shù)
- True：返回一個(gè)一維的數(shù)組unique_counts，其中每個(gè)元素表示每個(gè)排序后的唯一值在原始數(shù)組中出現(xiàn)的次數(shù)
- axis：整數(shù)或None，可選參數(shù)
- None：原始數(shù)組ar會(huì)被展平
返回：
- unique：ndarray對(duì)象，排序后的唯一值
- unique_indices：ndarray對(duì)象（長(zhǎng)度和unique一致），return_index為True時(shí)才返回
- unique_inverse：ndarray對(duì)象（長(zhǎng)度和展品后的原始數(shù)組一致），return_inverse為True時(shí)才返回
- unique_counts：ndarray對(duì)象，return_counts為True時(shí)才返回
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> arr_unique, arr_index, arr_inverse, arr_counts = np.unique(arr, return_index=True, return_inverse=True, return_counts=True)
>>> arr_unique
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
>>> arr_index
array([ 0, 1, 2, 3, 4, 5, 6, 7, 12, 13, 14, 15], dtype=int64)
>>> arr_inverse
array([ 0, 1, 2, 3, 4, 5, 6, 7, 4, 5, 6, 7, 8, 9, 10, 11],
dtype=int64)
>>> arr_counts
array([1, 1, 1, 1, 2, 2, 2, 2, 1, 1, 1, 1], dtype=int64)
# unique = arr.flatten()[index]
>>> arr.flatten()[arr_index]
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
# arr = unique[inverse].reshape(arr.shape)
>>> arr_unique[arr_inverse].reshape(arr.shape)
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> arr_unique_0, arr_index_0, arr_inverse_0, arr_counts_0 = np.unique(arr, return_index=True, return_inverse=True, return_counts=True,axis=0)
>>> arr_unique_0
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> arr_index_0
array([0, 1, 3], dtype=int64)
>>> arr_inverse_0
array([0, 1, 1, 2], dtype=int64)
>>> arr_counts_0
array([1, 2, 1], dtype=int64)
>>> arr_unique_1, arr_index_1, arr_inverse_1, arr_counts_1 = np.unique(arr, return_index=True, return_inverse=True, return_counts=True,axis=1)
>>> arr_unique_1
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> arr_index_1
array([0, 1, 2, 3], dtype=int64)
>>> arr_inverse_1
array([0, 1, 2, 3], dtype=int64)
>>> arr_counts_1
array([1, 1, 1, 1], dtype=int64)
注釋： 本篇中所有函數(shù)都會(huì)先對(duì)待操作數(shù)組進(jìn)行拷貝，再進(jìn)行操作。
總結(jié)
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
這篇文章主要介紹了python快速排序的代碼實(shí)例，大家參考使用吧2013-11-11
這篇文章主要為大家介紹了python計(jì)算RPKM操作示例詳解，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(jìn)步，早日升職加薪2023-07-07
這篇文章主要為大家詳細(xì)介紹了Python如何實(shí)現(xiàn)簡(jiǎn)易版停車管理系統(tǒng)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2019-08-08
這篇文章主要給大家分享了Pytorch獲取中間層輸出的3種方法，文章內(nèi)容介紹詳細(xì)，需要的小伙伴可以參考一下，希望對(duì)你的學(xué)習(xí)或工作有所幫助2022-03-03
這篇文章主要為大家詳細(xì)介紹了python抓取京東手機(jī)配置信息，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-11-11
深入理解Python虛擬機(jī)之進(jìn)程、線程和協(xié)程區(qū)別詳解
在本篇文章當(dāng)中深入分析在 Python 當(dāng)中 進(jìn)程、線程和協(xié)程的區(qū)別,這三個(gè)概念會(huì)讓人非常迷惑,如果沒有深入了解這三者的實(shí)現(xiàn)原理,只是看一些文字說明,也很難理解,在本篇文章當(dāng)中我們將通過分析部分源代碼來詳細(xì)分析一下這三者根本的區(qū)別是什么,需要的朋友可以參考下2023-10-10
Python中chinesecalendar簡(jiǎn)介、安裝、使用方法詳細(xì)講解
這篇文章主要介紹了Python中chinesecalendar簡(jiǎn)介、安裝、使用方法詳細(xì)講解,該庫(kù)是判斷某年某月某一天是不是工作日/節(jié)假日。 支持 2004年 至 2023年，包括 2020年 的春節(jié)延長(zhǎng)，需要的朋友可以參考下2023-03-03
Python turtle庫(kù)繪制菱形的3種方式小結(jié)
今天小編就為大家分享一篇Python turtle庫(kù)繪制菱形的3種方式小結(jié)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-11-11
CairoSVG是一個(gè)強(qiáng)大的Python庫(kù),用于將SVG圖像轉(zhuǎn)換為PNG、PDF、PS等格式,本文就來介紹一下Python中CairoSVG庫(kù)的使用教程,感興趣的可以了解一下2025-01-01
Python?Pygame實(shí)現(xiàn)可控制的煙花游戲
大家好，本篇文章主要講的是Python?Pygame實(shí)現(xiàn)可控制的煙花游戲，感興趣的同學(xué)趕快來看一看吧，對(duì)你有幫助的話記得收藏一下2022-01-01