Python Numpy中ndarray的常见操作实例分析
时间：2023-05-10 20:26
NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 NumPy的主要对象是同构多维数组。它是一个元素表（通常是数字），所有类型都相同，由非负整数元组索引。在NumPy维度中称为轴 。 ndarray.ndim ： 数组的轴（维度）的个数。在Python世界中，维度的数量被称为rank。 ndarray.shape ：数组的维度。这是一个整数的元组，表示每个维度中数组的大小。对于有 n 行和 m 列的矩阵，shape 将是 (n,m)。因此，shape 元组的长度就是rank或维度的个数 ndim。 ndarray.size ：数组元素的总数。这等于 shape 的元素的乘积。 ndarray.dtype ：一个描述数组中元素类型的对象。可以使用标准的Python类型创建或指定dtype。另外NumPy提供它自己的类型。例如numpy.int32、numpy.int16和numpy.float64。 ndarray.itemsize ：数组中每个元素的字节大小。例如，元素为 float64 类型的数组的 itemsize 为8（=64/8），而 complex32 类型的数组的 itemsize 为4（=32/8）。它等于 ndarray.dtype.itemsize 。 在同一个ndarray中，存储的是同一类型的数据，ndarray常见的数据类型包括： astype(dtype[, order, casting, subok, copy])：修改ndarray中的数据类型。传入需要修改的数据类型，其他关键字参数可以不关注。 NumPy主要通过 也可以在创建时显式指定数组的类型： 也可以通过使用 通常，数组的元素最初是未知的，但它的大小是已知的。因此，NumPy提供了几个函数来创建具有初始占位符内容的数组。这就减少了数组增长的必要，因为数组增长的操作花费很大。 为了创建数字组成的数组，NumPy提供了一个类似于 与许多矩阵语言不同，乘积运算符 某些操作（例如 当使用不同类型的数组进行操作时，结果数组的类型对应于更一般或更精确的数组（称为向上转换的行为）。 许多一元操作，例如计算数组中所有元素的总和，都是作为 默认情况下，这些操作适用于数组，就像它是一个数字列表一样，无论其形状如何。但是，通过指定axis 参数，您可以沿数组的指定轴应用操作： 一维的数组可以进行索引、切片和迭代操作的，就像列表和其他Python序列类型一样。 多维的数组每个轴可以有一个索引。这些索引以逗号分隔的元组给出： 几个数组可以沿不同的轴堆叠在一起，例如： 使用 以上就是Python Numpy中ndarray的常见操作实例分析的详细内容，更多请关注Gxl网其它相关文章！前言
Numpy中主要使用ndarray来处理N维数组，Numpy中的大部分属性和方法都是为ndarray服务的，所以掌握Numpy中ndarray的常见操作非常有必要！0 Numpy基础知识
下面所示的例子中，数组有2个轴。第一轴的长度为2，第二轴的长度为3。[[ 1., 0., 0.], [ 0., 1., 2.]]
1 ndarray的属性
1.1 输出ndarray的常见属性
>>> import numpy as np>>> a = np.arange(15).reshape(3, 5)>>> aarray([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])>>> a.shape(3, 5)>>> a.ndim2>>> a.dtype.name'int64'>>> a.itemsize8>>> a.size15>>> type(a)<type 'numpy.ndarray'>>>> b = np.array([6, 7, 8])>>> barray([6, 7, 8])>>> type(b)<type 'numpy.ndarray'>
2 ndarray的数据类型
3 修改ndarray的形状和数据类型
3.1 查看和修改ndarray的形状
## 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不能改变ndarray中元素的个数，例如reshape之前为（2，3）,reshape之后为（3，2）/（1，6）...## ndarray转置array_a_2 = array_a.Tprint(array_a_2, array_a_2.shape)## ndarray ravel操作:将ndarray展平a.ravel() # returns the array, flattenedarray([ 1, 2, 3, 4, 5, 6 ])输出：[[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的数据类型
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)输出：[[1 2 3] [4 5 6]] int32[[1 2 3] [4 5 6]] int64
4 ndarray数组创建
np.array()函数来创建ndarray数组。>>> import numpy as np>>> a = np.array([2,3,4])>>> aarray([2, 3, 4])>>> a.dtypedtype('int64')>>> b = np.array([1.2, 3.5, 5.1])>>> b.dtypedtype('float64')>>> c = np.array( [ [1,2], [3,4] ], dtype=complex )>>> carray([[ 1.+0.j, 2.+0.j], [ 3.+0.j, 4.+0.j]])
np.random.random函数来创建随机的ndarray数组。>>> a = np.random.random((2,3))>>> aarray([[ 0.18626021, 0.34556073, 0.39676747], [ 0.53881673, 0.41919451, 0.6852195 ]])
函数zeros创建一个由0组成的数组，函数 ones创建一个完整的数组，函数empty 创建一个数组，其初始内容是随机的，取决于内存的状态。默认情况下，创建的数组的dtype是 float64 类型的。>>> 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 specifiedarray([[[ 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 varyarray([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260], [ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])
range的函数，该函数返回数组而不是列表。>>> np.arange( 10, 30, 5 )array([10, 15, 20, 25])>>> np.arange( 0, 2, 0.3 ) # it accepts float argumentsarray([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])
5 ndarray数组的常见运算
*在NumPy数组中按元素进行运算。矩阵乘积可以使用@运算符（在python> = 3.5中）或dot函数或方法执行：>>> A = np.array( [[1,1],... [0,1]] )>>> B = np.array( [[2,0],... [3,4]] )>>> A * B # elementwise productarray([[2, 0], [0, 4]])>>> A @ B # matrix productarray([[5, 4], [3, 4]])>>> A.dot(B) # another matrix productarray([[5, 4], [3, 4]])
+=和 *=）会更直接更改被操作的矩阵数组而不会创建新矩阵数组。>>> a = np.ones((2,3), dtype=int)>>> b = np.random.random((2,3))>>> a *= 3>>> aarray([[3, 3, 3], [3, 3, 3]])>>> b += a>>> barray([[ 3.417022 , 3.72032449, 3.00011437], [ 3.30233257, 3.14675589, 3.09233859]])>>> a += b # b is not automatically converted to integer typeTraceback (most recent call last): ...TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'>>> a = np.ones(3, dtype=np.int32)>>> b = np.linspace(0,pi,3)>>> b.dtype.name'float64'>>> c = a+b>>> carray([ 1. , 2.57079633, 4.14159265])>>> c.dtype.name'float64'>>> d = np.exp(c*1j)>>> darray([ 0.54030231+0.84147098j, -0.84147098+0.54030231j, -0.54030231-0.84147098j])>>> d.dtype.name'complex128'
ndarray类的方法实现的。>>> a = np.random.random((2,3))>>> aarray([[ 0.18626021, 0.34556073, 0.39676747], [ 0.53881673, 0.41919451, 0.6852195 ]])>>> a.sum()2.5718191614547998>>> a.min()0.1862602113776709>>> a.max()0.6852195003967595
>>> b = np.arange(12).reshape(3,4)>>> barray([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])>>>>>> b.sum(axis=0) # 计算每一列的和array([12, 15, 18, 21])>>>>>> b.min(axis=1) # 计算每一行的和array([0, 4, 8])>>>>>> b.cumsum(axis=1) # cumulative sum along each rowarray([[ 0, 1, 3, 6], [ 4, 9, 15, 22], [ 8, 17, 27, 38]])解释：以第一行为例，0=0，1=1+0，3=2+1+0，6=3+2+1+0
6 ndarray数组的索引、切片和迭代
>>> a = np.arange(10)**3>>> aarray([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729])>>> a[2]8>>> a[2:5]array([ 8, 27, 64])>>> a[:6:2] = -1000 # 等价于 a[0:6:2] = -1000; 从0到6的位置, 每隔一个设置为-1000>>> aarray([-1000, 1, -1000, 27, -1000, 125, fan 216, 343, 512, 729])>>> a[ : :-1] # 将a反转array([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000])
>>> barray([[ 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 barray([ 1, 11, 21, 31, 41])>>> b[ : ,1] # equivalent to the previous examplearray([ 1, 11, 21, 31, 41])>>> b[1:3, : ] # each column in the second and third row of barray([[10, 11, 12, 13], [20, 21, 22, 23]])>>> b[-1] # the last row. Equivalent to b[-1,:]array([40, 41, 42, 43])
7 ndarray数组的堆叠、拆分
np.vstack()函数和np.hstack()函数>>> a = np.floor(10*np.random.random((2,2)))>>> aarray([[ 8., 8.], [ 0., 0.]])>>> b = np.floor(10*np.random.random((2,2)))>>> barray([[ 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()函数将1D数组作为列堆叠到2D数组中。>>> from numpy import newaxis>>> a = np.array([4.,2.])>>> b = np.array([3.,8.])>>> np.column_stack((a,b)) # returns a 2D arrayarray([[ 4., 3.], [ 2., 8.]])>>> np.hstack((a,b)) # the result is differentarray([ 4., 2., 3., 8.])>>> a[:,newaxis] # this allows to have a 2D columns vectorarray([[ 4.], [ 2.]])>>> np.column_stack((a[:,newaxis],b[:,newaxis]))array([[ 4., 3.], [ 2., 8.]])>>> np.hstack((a[:,newaxis],b[:,newaxis])) # the result is the samearray([[ 4., 3.], [ 2., 8.]])
hsplit()，可以沿数组的水平轴拆分数组，方法是指定要返回的形状相等的数组的数量，或者指定应该在其之后进行分割的列：
同理，使用vsplit()，可以沿数组的垂直轴拆分数组，方法同上。################### np.hsplit ###################>>> a = np.floor(10*np.random.random((2,12)))>>> aarray([[ 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)>>> xarray([[[0., 1.], [2., 3.]], [[4., 5.], [6., 7.]]])################### np.vsplit ###################>>> np.vsplit(x, 2)[array([[[0., 1.], [2., 3.]]]), array([[[4., 5.], [6., 7.]]])]
