Numpy高级操作大全!!!

admin 2020年11月30日22:04:10评论346 views字数 12425阅读41分25秒阅读模式

(给Python开发者加星标,提升Python技能

来源: CSDN-逐梦er

blog.csdn.net/qq_43328040/article/details/108700665


一.数组上的迭代


NumPy 包含一个迭代器对象numpy.nditer。它是一个有效的多维迭代器对象,可以用于在数组上进行迭代。数组的每个元素可使用 Python 的标准Iterator接口来访问。

import numpy as npa = np.arange(0, 60, 5)a = a.reshape(3, 4)print(a)for x in np.nditer(a):    print(x)
[[ 0  5 10 15] [20 25 30 35] [40 45 50 55]]0510152025303540455055

如果两个数组是可广播的,nditer组合对象能够同时迭代它们。假设数 组a具有维度 3X4,并且存在维度为 1X4 的另一个数组b,则使用以下类型的迭代器(数组b被广播到a的大小)。

import numpy as npa = np.arange(0, 60, 5)a = a.reshape(3, 4)print(a)b = np.array([1, 2, 3, 4], dtype=int)print(b)for x, y in np.nditer([a, b]):    print(x, y)
[[ 0  5 10 15] [20 25 30 35] [40 45 50 55]][1 2 3 4]0 15 210 315 420 125 230 335 440 145 250 355 4

二.数组形状修改函数

1.ndarray.reshape

函数在不改变数据的条件下修改形状,参数如下:

ndarray.reshape(arr, newshape, order)

其中:

import numpy as npa = np.arange(8)print(a)b = a.reshape(4, 2)print(b)

2.ndarray.flat

函数返回数组上的一维迭代器,行为类似 Python 内建的迭代器。

import numpy as npa = np.arange(0, 16, 2).reshape(2, 4)print(a)# 返回展开数组中的下标的对应元素print(list(a.flat))
[[ 0  2  4  6] [ 8 10 12 14]][02468101214]

3.ndarray.flatten

函数返回折叠为一维的数组副本,函数接受下列参数:

ndarray.flatten(order)其中:order:‘C’ — 按行,‘F’ — 按列,‘A’ — 原顺序,‘k’ —元素在内存中的出现顺序。

import numpy as npa = np.arange(8).reshape(2, 4)print(a)# default is column-majorprint(a.flatten())print(a.flatten(order='F'))
[[0 1 2 3] [4 5 6 7]][0 1 2 3 4 5 6 7][0 4 1 5 2 6 3 7]

三.数组翻转操作函数

1.numpy.transpose

函数翻转给定数组的维度。如果可能的话它会返回一个视图。函数接受下列参数:

numpy.transpose(arr, axes)

其中:

• arr:要转置的数组
• axes:整数的列表,对应维度,通常所有维度都会翻转。
import numpy as npa = np.arange(24).reshape(2, 3, 4)print(a)b = np.array(np.transpose(a))print(b)print(b.shape)
[[[ 0  1  2  3]  [ 4  5  6  7]  [ 8  9 10 11]]
[[12 13 14 15] [16 17 18 19] [20 21 22 23]]][[[ 0 12] [ 4 16] [ 8 20]]
[[ 1 13] [ 5 17] [ 9 21]]
[[ 2 14] [ 6 18] [10 22]]
[[ 3 15] [ 7 19] [11 23]]](432)
b = np.array(np.transpose(a, (1, 0, 2)))print(b)print(b.shape
[[[ 0  1  2  3]  [12 13 14 15]]
[[ 4 5 6 7] [16 17 18 19]]
[[ 8 9 10 11] [20 21 22 23]]](3, 2, 4)

2. numpy.ndarray.T

该函数属于ndarray类,行为类似于numpy.transpose.

import numpy as npa = np.arange(12).reshape(3, 4)print(a)print(a.T)
[[ 0  1  2  3] [ 4  5  6  7] [ 8  9 10 11]][[ 0  4  8] [ 1  5  9] [ 2  6 10] [ 3  7 11]]

3.numpy.swapaxes

函数交换数组的两个轴。这个函数接受下列参数:

– numpy.swapaxes(arr, axis1, axis2)

– 参数:

• arr:要交换其轴的输入数组
• axis1:对应第一个轴的整数
• axis2:对应第二个轴的整数
import numpy as npa = np.arange(8).reshape(2, 2, 2)print(a)print(np.swapaxes(a, 2, 0))
[[[0 1]  [2 3]]
[[4 5] [6 7]]][[[0 4] [2 6]]
[[1 5] [3 7]]]

4.numpy.rollaxis

s 函数向后滚动特定的轴,直到一个特定位置。这个函数

接受三个参数:

– numpy.rollaxis(arr, axis, start)

– 其中:

• arr:输入数组
• axis:要向后滚动的轴,其它轴的相对位置不会改变
start:默认为零,表示完整的滚动。会滚动到特定位置。
import numpy as npa = np.arange(8).reshape(2,2,2)print(a)print(np.rollaxis(a,2))print(np.rollaxis(a,2,1))
[[[0 1]  [2 3]]
[[4 5] [6 7]]][[[0 2] [4 6]]
[[1 3] [5 7]]][[[0 2] [1 3]]
[[4 6]  [5 7]]]

四.数组修改维度函数

1.numpy.broadcast_to

函数将数组广播到新形状。它在原始数组上返回只 读视图。它通常不连续。如果新形状不符合 NumPy 的广播规则,该函数可能会抛出ValueError。该函数接受以下参数:

– numpy.broadcast_to(array, shape, subok)

import numpy as npa = np.arange(4).reshape(1,4)print(a)print(np.broadcast_to(a,(4,4)))
[[0 1 2 3]][[0 1 2 3] [0 1 2 3] [0 1 2 3] [0 1 2 3]]

2.numpy.expand_dims

函数通过在指定位置插入新的轴来扩展数组形状。该函数需要两个参数:

– numpy.expand_dims(arr, axis)

– 其中:

• arr:输入数组• axis:新轴插入的位置
import numpy as npx = np.array(([1, 2], [3, 4]))print(x)y = np.expand_dims(x, axis=0)print(y)print(x.shape, y.shape)y = np.expand_dims(x, axis=1)print(y)print(x.ndim, y.ndim)print(x.shape, y.shape)
[[1 2] [3 4]][[[1 2]  [3 4]]](2, 2) (1, 2, 2)[[[1 2]]
[[3 4]]]2 3(2, 2) (2, 1, 2)

3.numpy.squeeze

函数从给定数组的形状中删除一维条目。此函数需要两 个参数。

– numpy.squeeze(arr, axis)

– 其中:

• arr:输入数组
• axis:整数或整数元组,用于选择形状中单一维度条目的子集
import numpy as npx = np.arange(9).reshape(1, 3, 3)print(x)y = np.squeeze(x)print(y)print(x.shape, y.shape)
[[[0 1 2]  [3 4 5]  [6 7 8]]][[0 1 2] [3 4 5] [6 7 8]](1, 3, 3) (3, 3)

五.数组的连接操作

NumPy中数组的连接函数主要有如下四个:

concatenate 沿着现存的轴连接数据序列
stack 沿着新轴连接数组序列
hstack 水平堆叠序列中的数组(列方向)
vstack 竖直堆叠序列中的数组(行方向)

1.numpy.stack

函数沿新轴连接数组序列,需要提供以下参数:

– numpy.stack(arrays, axis)

– 其中:

• arrays:相同形状的数组序列
• axis:返回数组中的轴,输入数组沿着它来堆叠
import numpy as npa = np.array([[1,2],[3,4]])print(a)b = np.array([[5,6],[7,8]])print(b)print(np.stack((a,b),0))print(np.stack((a,b),1))
[[1 2] [3 4]][[5 6] [7 8]][[[1 2]  [3 4]]
[[5 6] [7 8]]][[[1 2] [5 6]]
[[3 4]  [7 8]]]

2.numpy.hstack

是numpy.stack函数的变体,通过堆叠来生成水平的单个数组。

import numpy as npa = np.array([[1, 2], [3, 4]])print(a)b = np.array([[5, 6], [7, 8]])print(b)print('水平堆叠:')c = np.hstack((a, b))print(c)
[[1 2] [3 4]][[5 6] [7 8]]水平堆叠:[[1 2 5 6] [3 4 7 8]]

3.numpy.vstack

是numpy.stack函数的变体,通过堆叠来生成竖直的单个数组。

import numpy as npa = np.array([[1, 2], [3, 4]])print(a)b = np.array([[5, 6], [7, 8]])print(b)print('竖直堆叠:')c = np.vstack((a, b))print(c)
[[1 2] [3 4]][[5 6] [7 8]]竖直堆叠:[[1 2] [3 4] [5 6] [7 8]]

4.numpy.concatenate

函数用于沿指定轴连接相同形状的两个或多个数组。

该函数接受以下参数。

– numpy.concatenate((a1, a2, …), axis)

– 其中:

• a1, a2, ...:相同类型的数组序列
• axis:沿着它连接数组的轴,默认为 0

import numpy as npa = np.array([[1,2],[3,4]])print(a)b = np.array([[5,6],[7,8]])print(b)print(np.concatenate((a,b)))print(np.concatenate((a,b),axis = 1))
[[1 2] [3 4]][[5 6] [7 8]][[1 2] [3 4] [5 6] [7 8]][[1 2 5 6] [3 4 7 8]]

六.数组的分割操作

NumPy中数组的数组分割函数主要如下:

split 将一个数组分割为多个子数组– hsplit 将一个数组水平分割为多个子数组(按列) – vsplit 将一个数组竖直分割为多个子数组(按行)

1.numpy.split

该函数沿特定的轴将数组分割为子数组。函数接受三个参数:

– numpy.split(ary, indices_or_sections, axis)

• ary:被分割的输入数组
• indices_or_sections:可以是整数,表明要从输入数组创建的,等大小的子数组的数量。如果此参数是一维数组,则其元素表明要创建新子数组的点。
• axis:默认为 0
import numpy as npa = np.arange(9)print(a)print('将数组分为三个大小相等的子数组:')b = np.split(a,3)print(b)print('将数组在一维数组中表明的位置分割:')b = np.split(a,[4,7])print(b)

2.numpy.hsplit

split()函数的特例,其中轴为 1 表示水平分割。

import numpy as npa = np.arange(16).reshape(4,4)print(a)print('水平分割:')b = np.hsplit(a,2)print(b)
[[ 0  1  2  3] [ 4  5  6  7] [ 8  9 10 11] [12 13 14 15]]水平分割:[array([[ 0,  1],       [ 4,  5],       [ 8,  9],       [12, 13]]), array([[ 2,  3],       [ 6,  7],       [10, 11],       [14, 15]])]

3.numpy.vsplit

split()函数的特例,其中轴为 0 表示竖直分割,无论输入数组的维度是什么。

import numpy as npa = np.arange(16).reshape(4,4)print(a)print('竖直分割:')b = np.vsplit(a,2)print(b)
[[ 0  1  2  3] [ 4  5  6  7] [ 8  9 10 11] [12 13 14 15]]竖直分割:[array([[0, 1, 2, 3],       [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],       [12, 13, 14, 15]])]

七.数组元素操作

NumPy中数组操作函数主要如下:

– resize 返回指定形状的新数组
– append 将值添加到数组末尾
insert 沿指定轴将值插入到指定下标之前
delete 返回删掉某个轴的子数组的新数组
unique 寻找数组内的唯一元素

1.numpy.resize

函数返回指定大小的新数组。如果新大小大于原始大小,则包含原始数组中的元素的重复副本。如果小于则去掉原始数组的部分数据。该函数接受以下参数:

– numpy.resize(arr, shape)

– 其中:

• arr:要修改大小的输入数组• shape:返回数组的新形状
import numpy as npa = np.array([[1,2,3],[4,5,6]])print(a)print(a.shape)b = np.resize(a, (3,2))print(b)print(b.shape)print('修改第二个数组的大小:')b = np.resize(a,(3,3))print(b)print('修改第三个数组的大小:')b = np.resize(a,(2,2))print(b)
[[1 2 3] [4 5 6]](2, 3)[[1 2] [3 4] [5 6]](3, 2)修改第二个数组的大小:[[1 2 3] [4 5 6] [1 2 3]]修改第三个数组的大小:[[1 2] [3 4]]

2.numpy.append

函数在输入数组的末尾添加值。附加操作不是原地的,而是分配新的数组。此外,输入数组的维度必须匹配否则将生成ValueError。函数接受下列函数:

– numpy.append(arr, values, axis)

– 其中:

• arr:输入数组• values:要向arr添加的值,比如和arr形状相同(除了要添加的轴) • axis:沿着它完成操作的轴。如果没有提供,两个参数都会被展开。
import numpy as npa = np.array([[1,2,3],[4,5,6]])print(a)print(np.append(a, [[7,8,9]],axis = 0))print(np.append(a, [[5,5,5],[7,8,9]],axis = 1))
[[1 2 3] [4 5 6]][[1 2 3] [4 5 6] [7 8 9]][[1 2 3 5 5 5] [4 5 6 7 8 9]]

3.numpy.insert

函数在给定索引之前,沿给定轴在输入数组中插入值。如果值的类型转换为要插入,则它与输入数组不同。插入没有原地的,函数会返回一个新数组。此外,如果未提供轴,则输入数组会被展开。

insert()函数接受以下参数:

– numpy.insert(arr, obj, values, axis)

• arr:输入数组• obj:在其之前插入值的索引• values:要插入的值• axis:沿着它插入的轴
import numpy as npa = np.array([[1,2],[3,4],[5,6]])print(a)print(np.insert(a,3,[11,12]))print(np.insert(a,1,[11],axis = 0))print(np.insert(a,1,[11],axis = 1))
[[1 2] [3 4] [5 6]][ 1  2  3 11 12  4  5  6][[ 1  2] [11 11] [ 3  4] [ 5  6]][[ 1 11  2] [ 3 11  4] [ 5 11  6]]

4.numpy.delete

函数返回从输入数组中删除指定子数组的新数组。与insert()函数的情况一样,如果未提供轴参数,则输入数组将展开。该函 数接受以下参数:

– Numpy.delete(arr, obj, axis)

• arr:输入数组• obj:可以被切片,整数或者整数数组,表明要从输入数组删除的子数组• axis:沿着它删除给定子数组的轴
import numpy as npa = np.array([[1,2],[3,4],[5,6]])print(a)print(np.delete(a,5))print(np.delete(a,1,axis = 1))
[[1 2] [3 4] [5 6]][1 2 3 4 5][[1] [3] [5]]

5.numpy.unique

函数返回输入数组中的去重元素数组。该函数能够返回一个元组,包含去重数组和相关索引的数组。索引的性质取决于函数调用中返回参数的类型。

– numpy.unique(arr, return_index, return_inverse, return_counts)

• arr:输入数组,如果不是一维数组则会展开• return_index:如果为true,返回输入数组中的元素下标• return_inverse:如果为true,返回去重数组的下标,它可以用于重构输入数组• return_counts:如果为true,返回去重数组中的元素在原数组中的出现次数
import numpy as npa = np.array([5,2,6,2,7,5,6,8,2,9])u = np.unique(a)print(u)u,indices = np.unique(a, return_index = True)print(u, indices)u,indices = np.unique(a,return_inverse = True)print(u, indices)u,indices = np.unique(a,return_counts = True)print(u, indices)
[2 5 6 7 8 9][2 5 6 7 8 9] [1 0 2 4 7 9][2 5 6 7 8 9] [1 0 2 0 3 1 2 4 0 5][2 5 6 7 8 9] [3 2 2 1 1 1]

八.NumPy - 字符串函数

以下函数用于对dtype为numpy.string_或numpy.unicode_的数组执行向量 化字符串操作。它们基于 Python 内置库中的标准字符串函数。字符数组类(numpy.char)中定义

Numpy高级操作大全!!!

import numpy as npprint(np.char.add(['hello'],[' xyz']))print(np.char.add(['hello', 'hi'],[' abc', ' xyz']))print(np.char.multiply('Hello ',3))print(np.char.center('hello', 20,fillchar = '*'))print(np.char.capitalize('hello world'))print(np.char.title('hello how are you?'))print(np.char.lower(['HELLO','WORLD']))print(np.char.lower('HELLO'))print(np.char.upper('hello'))print(np.char.upper(['hello','world']))print(np.char.split ('hello how are you?'))print(np.char.split ('YiibaiPoint,Hyderabad,Telangana', sep = ','))print(np.char.splitlines('hellonhow are you?'))print(np.char.splitlines('hellorhow are you?'))print(np.char.strip('ashok arora','a'))print(np.char.strip(['arora','admin','java'],'a'))print(np.char.join(':','dmy'))print(np.char.join([':','-'],['dmy','ymd']))print(np.char.replace ('He is a good boy', 'is', 'was'))a = np.char.encode('hello', 'cp500')print(a)print(np.char.decode(a,'cp500'))
['hello xyz']['hello abc' 'hi xyz']Hello Hello Hello *******hello********Hello worldHello How Are You?['hello' 'world']helloHELLO['HELLO' 'WORLD']['hello', 'how', 'are', 'you?']['YiibaiPoint', 'Hyderabad', 'Telangana']['hello', 'how are you?']['hello', 'how are you?']shok aror['ror' 'dmin' 'jav']d:m:y['d:m:y' 'y-m-d']He was a good boyb'x88x85x93x93x96'hello

九.NumPy - 算数函数

NumPy 包含大量的各种数学运算功能。NumPy 提供标准的三角函数,算术运算的函数,复数处理函数等。

– 三角函数– 舍入函数– 算数函数

1. NumPy -三角函数

NumPy 拥有标准的三角函数,它为弧度制单位的给定角度返回三角函
数比值。arcsin,arccos,和arctan函数返回给定角度的sin,cos和tan的反
三角函数。这些函数的结果可以通过numpy.degrees()函数通过将弧度制 转换为角度制来验证。

import numpy as npa = np.array([0,30,45,60,90])# 通过乘 pi/180 转化为弧度print(np.sin(a*np.pi/180))print(np.cos(a*np.pi/180))print(np.tan(a*np.pi/180))
[ 0.          0.5         0.70710678  0.8660254   1.        ][  1.00000000e+00   8.66025404e-01   7.07106781e-01   5.00000000e-01   6.12323400e-17][  0.00000000e+00   5.77350269e-01   1.00000000e+00   1.73205081e+00   1.63312394e+16]

2.NumPy -舍入函数

• numpy.around()这个函数返回四舍五入到所需精度的值

numpy.around(a,decimals) – a 输入数组– decimals 要舍入的小数位数。 默认值为0。 如果为负,整数将四舍五入到小数点左侧的位置 

• numpy.floor() 函数返回不大于输入参数的最大整数。

• numpy.ceil() 函数返回输入值的上限,大于输入参数的最小整数。

import numpy as npa = np.array([1.0, 5.55, 123, 0.567, 25.532])print(np.around(a))print(np.around(a, decimals=1))print(np.floor(a))print(np.ceil(a))
[   1.    6.  123.    1.   26.][   1.     5.6  123.     0.6   25.5][   1.    5.  123.    0.   25.][   1.    6.  123.    1.   26.]

3.NumPy - 算数运算

用于执行算术运算(如add(),subtract(),multiply()和divide())的输入数组必须具有相同的形状或符合数组广播规则。

numpy.reciprocal() 函数返回参数逐元素的倒数。numpy.power() 函数将第一个输入数组中的元素作为底数,计算它与第二个输入数组中相应元素的幂。– numpy.mod() 函数返回输入数组中相应元素的除法余数。
import numpy as npa = np.array([0.25, 2, 1, 0.2, 100])print(np.reciprocal(a))print(np.power(a,2))a = np.array([10,20,30])b = np.array([3,5,7])print(np.mod(a,b))
[ 4.    0.5   1.    5.    0.01][  6.25000000e-02   4.00000000e+00   1.00000000e+00   4.00000000e-02   1.00000000e+04][1 0 2]

4.NumPy - 统计函数

NumPy 有很多有用的统计函数,用于从数组中给定的元素中查找最小,最大,百分标准差和方差等。

numpy.amin() , numpy.amax() 从给定数组中的元素沿指定轴返回最小值和最大值。numpy.ptp() 函数返回沿轴的值的范围(最大值 - 最小值)。numpy.percentile() 表示小于这个值得观察值占某个百分比 numpy.percentile(a, q, axis)a 输入数组;q 要计算的百分位数,在 0 ~ 100 之间;axis 沿着它计算百分位数的轴numpy.median() 返回数据样本的中位数。numpy.mean() 沿轴返回数组中元素的算术平均值。– numpy.average() 返回由每个分量乘以反映其重要性的因子得到的加权平均值
import numpy as npa = np.array([[3,7,5],[8,4,3],[2,4,9]])print(np.amin(a,1))print(np.amax(a,1))print(np.ptp(a))print(np.percentile(a,50))print(np.median(a))print(np.mean(a))print(np.average(a))print(np.std([1,2,3,4])) #返回数组标准差print(np.var([1,2,3,4])) #返回数组方差
[3 3 2][7 8 9]74.04.05.05.01.118033988751.25

十.NumPy排序、搜索和计数函数

NumPy中提供了各种排序相关功能。

– numpy.sort函数返回输入数组的排序副本。numpy.sort(a, axis, kind, order)    • a 要排序的数组;     • axis 沿着它排序数组的轴,如果没有数组会被展开,沿着最后的轴排序; • kind 默认为'quicksort'(快速排序);    • order 如果数组包含字段,则是要排序的字段– numpy.argsort() 函数对输入数组沿给定轴执行间接排序,并使用指定排序类型返回数据的索引数组。这个索引数组用于构造排序后的数组。– numpy.lexsort()函数使用键序列执行间接排序。键可以看作是电子表格中的一列。该函数返回一个索引数组,使用它可以获得排序数据。注意,最后一个键恰好是 sort 的主键。– numpy.argmax() 和 numpy.argmin()这两个函数分别沿给定轴返回最大和最小元素的索引。– numpy.nonzero() 函数返回输入数组中非零元素的索引。– numpy.where() 函数返回输入数组中满足给定条件的元素的索引。– numpy.extract() 函数返回满足任何条件的元素。
import numpy as npa = np.array([[3, 7, 3, 1], [9, 7, 8, 7]])print(np.sort(a))print(np.argsort(a))print(np.argmax(a))print(np.argmin(a))print(np.nonzero(a))print(np.where(a > 3))nm = ('raju', 'anil', 'ravi', 'amar')dv = ('f.y.', 's.y.', 's.y.', 'f.y.')print(np.lexsort((dv, nm)))
[[1 3 3 7] [7 7 8 9]][[3 0 2 1] [1 3 2 0]]43(array([0, 0, 0, 0, 1, 1, 1, 1], dtype=int64), array([0, 1, 2, 3, 0, 1, 2, 3], dtype=int64))(array([0, 1, 1, 1, 1], dtype=int64), array([1, 0, 1, 2, 3], dtype=int64))[3 1 0 2]

十一.NumPy IO文件操作

ndarray对象可以保存到磁盘文件并从磁盘文件加载。可用的 IO 功能有:

numpy.save() 文件将输入数组存储在具有npy扩展名的磁盘文件中。numpy.load() 从npy文件中重建数组。– numpy.savetxt()和numpy.loadtxt() 函数以简单文本文件格式存储和获取数组数据。
import numpy as npa = np.array([1,2,3,4,5])np.save('outfile',a)b = np.load('outfile.npy')print(b)a = np.array([1,2,3,4,5])np.savetxt('out.txt',a)b = np.loadtxt('out.txt')print(b)
[1 2 3 4 5]1.  2.  3.  4.  5.]



- EOF -

推荐阅读  点击标题可跳转

1、15年!NumPy 论文终出炉,还登上了 Nature

2、70 道 NumPy 测试题

3、5 个高效 & 简洁的 Numpy 函数


觉得本文对你有帮助?请分享给更多人

关注「Python开发者」加星标,提升Python技能

Numpy高级操作大全!!!

点赞和在看就是最大的支持❤️

本文始发于微信公众号(Python开发者):Numpy高级操作大全!!!

  • 左青龙
  • 微信扫一扫
  • weinxin
  • 右白虎
  • 微信扫一扫
  • weinxin
admin
  • 本文由 发表于 2020年11月30日22:04:10
  • 转载请保留本文链接(CN-SEC中文网:感谢原作者辛苦付出):
                   Numpy高级操作大全!!!https://cn-sec.com/archives/160521.html

发表评论

匿名网友 填写信息