Numpy数组形状调整相关函数总结

漫谈大数据与数据分析 2020-04-27

664

数组形状

In [1]: %pylab
Using matplotlib backend: TkAgg
Populating the interactive namespace from numpy and matplotlib

修改数组的形状

In [2]:
a = arange(6)
a
Out[2]:
array([0, 1, 2, 3, 4, 5])

将形状修改为2乘3：

In [3]:
a.shape = 2,3
a


Out[3]:
array([[0, 1, 2],
       [3, 4, 5]])

与之对应的方法是 reshape
，但它不会修改原来数组的值，而是返回一个新的数组：

In [4]:
a.reshape(3,2)
Out[4]:
array([[0, 1],
       [2, 3],
       [4, 5]])




In [5]:a
Out[5]:array([[0, 1, 2],
       [3, 4, 5]])

shape
和 reshape
方法不能改变数组中元素的总数，否则会报错：

例如a.reshape(4,2)会报出：

ValueError: cannot reshape array of size 3 into shape (4,2)

使用 newaxis 增加数组维数

In [7]:
a = arange(3)
shape(a)
Out[7]: (3,)
In [8]:
y = a[newaxis, :]
shape(y)
Out[8]: (1, 3)

根据插入位置的不同，可以返回不同形状的数组：

In [9]:
y = a[:, newaxis]
shape(y)
Out[9]:
(3, 1)

插入多个新维度：

In [10]:
y = a[newaxis, newaxis, :]
shape(y)
Out[10]:(1, 1, 3)

squeeze 方法去除多余的轴

In [11]:
a = arange(6)
a.shape = (2,1,3)
In [12]:
b = a.squeeze()
b.shape
Out[12]:
(2, 3)

squeeze 返回一个将所有长度为1的维度去除的新数组。

数组转置

使用 transpose
返回数组的转置，本质上是将所有维度反过来：

In [13]: a
Out[13]:
array([[[0, 1, 2]],
         [[3, 4, 5]]])

对于二维数组，这相当于交换行和列：

In [14]: a.transpose()
Out[14]:
array([[[0, 3]],
       [[1, 4]],
       [[2, 5]]])

或者使用缩写属性：

In [15]: a.T
Out[15]:
array([[[0, 3]],
       [[1, 4]],
       [[2, 5]]])

注意：

对于复数数组，转置并不返回复共轭，只是单纯的交换轴的位置
转置可以作用于多维数组

In [16]:
a = arange(60)
a
Out[16]:
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
       34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,
       51, 52, 53, 54, 55, 56, 57, 58, 59])


In [17]:
a.shape = 3,4,5
a
Out[17]:
array([[[ 0,  1,  2,  3,  4],
        [ 5,  6,  7,  8,  9],
        [10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19]],
       [[20, 21, 22, 23, 24],
        [25, 26, 27, 28, 29],
        [30, 31, 32, 33, 34],
        [35, 36, 37, 38, 39]],
       [[40, 41, 42, 43, 44],
        [45, 46, 47, 48, 49],
        [50, 51, 52, 53, 54],
        [55, 56, 57, 58, 59]]])


In [18]:
b = a.T
b.shape
Out[18]:
(5, 4, 3)

转置只是交换了轴的位置。

另一方面，转置返回的是对原数组的另一种view，所以改变转置会改变原来数组的值。

In [19]:
a = arange(6)
a.shape = (2,3)
a
Out[19]:
array([[0, 1, 2],
       [3, 4, 5]])

修改转置：

In [20]:
b = a.T
b[0,1] = 30

原数组的值也改变：

In [21]: a
Out[21]:
array([[ 0,  1,  2],
       [30,  4,  5]])

数组连接

有时我们需要将不同的数组按照一定的顺序连接起来：

concatenate((a0,a1,...,aN), axis=0)

注意，这些数组要用 ()
包括到一个元组中去。

除了给定的轴外，这些数组其他轴的长度必须是一样的。

In [22]:
x = array([
        [0,1,2],
        [10,11,12]
    ])
y = array([
        [50,51,52],
        [60,61,62]
    ])
x.shape
Out[22]:
(2, 3)


In [23]:
y.shape
Out[23]:
(2, 3)

默认沿着第一维进行连接：

In [24]:
z = concatenate((x,y))
z
Out[24]:
array([[ 0,  1,  2],
       [10, 11, 12],
       [50, 51, 52],
       [60, 61, 62]])


In [25]: z.shape
Out[25]: (4, 3)

沿着第二维进行连接：

In [26]:
z = concatenate((x,y), axis=1)
z
Out[26]:
array([[ 0,  1,  2, 50, 51, 52],
       [10, 11, 12, 60, 61, 62]])


In [27]: z.shape
Out[27]: (2, 6)

注意到这里 x
和 y
的形状是一样的，还可以将它们连接成三维的数组，但是 concatenate
不能提供这样的功能，不过可以这样：

In [28]: z = array((x,y))
In [29]: z.shape
Out[29]: (2, 2, 3)

事实上，Numpy提供了分别对应这三种情况的函数：

vstack
hstack
dstack

In [30]: vstack((x, y)).shape
Out[30]: (4, 3)
In [31]: hstack((x, y)).shape
Out[31]: (2, 6)
In [32]: dstack((x, y)).shape
Out[32]: (2, 3, 2)

Flatten 数组

flatten
方法的作用是将多维数组转化为1维数组：

In [33]:
a = array([[0,1],
           [2,3]])
b = a.flatten()
b
Out[33]:
array([0, 1, 2, 3])

返回的是数组的复制，因此，改变 b
并不会影响 a
的值：

In [34]:
b[0] = 10
b
Out[34]:
array([10,  1,  2,  3])


In [35]:
a
Out[35]:
array([[0, 1],
       [2, 3]])

flat 属性

还可以使用数组自带的 flat
属性：

In [36]:
a.flat
Out[36]:
<numpy.flatiter at 0xc9e4d40>

a.flat
相当于返回了所有元组组成的一个迭代器：

In [37]:
b = a.flat
b[0]
Out[37]:
0

但此时修改 b
的值会影响 a
：

In [38]:
b[0] = 10
a
Out[38]:
array([[10,  1],
       [ 2,  3]])
       
In [39]: a.flat[:]
Out[39]: array([10,  1,  2,  3])

ravel 方法

除此之外，还可以使用 ravel
方法，ravel
使用高效的表示方式：

In [40]:
a = array([[0,1],
           [2,3]])
b = a.ravel()
b
Out[40]:
array([0, 1, 2, 3])

修改 b
会改变 a
：

In [41]:
b[0] = 10
a
Out[41]:
array([[10,  1],
       [ 2,  3]])

但另一种情况下：

In [42]:
a = array([[0,1],
           [2,3]])
aa = a.transpose()
b = aa.ravel()
b
Out[42]:
array([0, 2, 1, 3])


In [43]: b[0] = 10
In [44]: aa
Out[44]:
array([[0, 2],
       [1, 3]])
       
In [45]: a
Out[45]:
array([[0, 1],
       [2, 3]])

可以看到，在这种情况下，修改 b
并不会改变 aa
的值，原因是我们用来 ravel
的对象 aa
本身是 a
的一个view。

atleast_xd 函数

保证数组至少有 x
维：

In [46]:
x = 1
atleast_1d(x)
Out[46]: array([1])


In [47]:
a = array([1,2,3])
b = atleast_2d(a)
b.shape
Out[47]: (1, 3)


In [48]: b
Out[48]: array([[1, 2, 3]])


In [49]: c = atleast_3d(b)
In [50]: c.shape
Out[50]: (1, 3, 1)

x
可以取值 1，2，3。

在Scipy库中，这些函数被用来保证输入满足一定的条件：“

用法	Scipy中出现次数
value.flaten() value.flat value.ravel()	~2000次
atleast_1d(value) atleast_2d(value)	~700次
asarray(value)	~4000次

数据库

文章转载自漫谈大数据与数据分析，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。