Python Numpy中ndarray的常見操作
更新時間：2022年07月26日 15:22:27 作者：亦嵐君
這篇文章主要介紹了Python Numpy中ndarray的常見操作，NumPy是Python的一種開源的數值計算擴展，更多詳細內容需要的朋友可以參考一下
前言
NumPy（Numerical Python）是Python的一種開源的數值計算擴展。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）），支持大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。
Numpy中主要使用ndarray來處理N維數組，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組。它是一個元素表（通常是數字），所有類型都相同，由非負整數元組索引。在NumPy維度中稱為軸 。
下面所示的例子中，數組有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 ： 數組的軸（維度）的個數。在Python世界中，維度的數量被稱為rank。
- ndarray.shape ：數組的維度。這是一個整數的元組，表示每個維度中數組的大小。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 ndim。
- ndarray.size ：數組元素的總數。這等于 shape 的元素的乘積。
- ndarray.dtype ：一個描述數組中元素類型的對象?？梢允褂脴藴实腜ython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 ：數組中每個元素的字節(jié)大小。例如，元素為 float64 類型的數組的 itemsize 為8（=64/8），而 complex32 類型的數組的 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的數據類型
在同一個ndarray中，存儲的是同一類型的數據，ndarray常見的數據類型包括：
3 修改ndarray的形狀和數據類型
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，例如reshape之前為（2，3）,reshape之后為（3，2）/（1，6）... ## ndarray轉置 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的數據類型
astype(dtype[, order, casting, subok, copy])：修改ndarray中的數據類型。傳入需要修改的數據類型，其他關鍵字參數可以不關注。
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數組創(chuàng)建
NumPy主要通過np.array()函數來創(chuàng)建ndarray數組。
>>> 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函數來創(chuàng)建隨機的ndarray數組。
>>> a = np.random.random((2,3))
>>> a
array([[ 0.18626021, 0.34556073, 0.39676747],
[ 0.53881673, 0.41919451, 0.6852195 ]])通常，數組的元素最初是未知的，但它的大小是已知的。因此，NumPy提供了幾個函數來創(chuàng)建具有初始占位符內容的數組。這就減少了數組增長的必要，因為數組增長的操作花費很大。
函數zeros創(chuàng)建一個由0組成的數組，函數 ones創(chuàng)建一個完整的數組，函數empty 創(chuàng)建一個數組，其初始內容是隨機的，取決于內存的狀態(tài)。默認情況下，創(chuàng)建的數組的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)建數字組成的數組，NumPy提供了一個類似于range的函數，該函數返回數組而不是列表。
>>> 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數組的常見運算
與許多矩陣語言不同，乘積運算符*在NumPy數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組而不會創(chuàng)建新矩陣數組。
>>> 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組進行操作時，結果數組的類型對應于更一般或更精確的數組（稱為向上轉換的行為）。
>>> 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，例如計算數組中所有元素的總和，都是作為ndarray類的方法實現的。
>>> 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，這些操作適用于數組，就像它是一個數字列表一樣，無論其形狀如何。但是，通過指定axis 參數，您可以沿數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數組的索引、切片和迭代
一維的數組可以進行索引、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 array([ 729, 512, 343, 216, 125, -1000, 27, -1000, 1, -1000])
多維的數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數組的堆疊、拆分
幾個數組可以沿不同的軸堆疊在一起，例如：np.vstack()函數和np.hstack()函數
>>> 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()函數將1D數組作為列堆疊到2D數組中。
>>> 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()，可以沿數組的水平軸拆分數組，方法是指定要返回的形狀相等的數組的數量，或者指定應該在其之后進行分割的列：
同理，使用vsplit()，可以沿數組的垂直軸拆分數組，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格式化文本段落之textwrap庫,文中有非常詳細的代碼示例,對正在學習python的小伙伴們有很大的幫助喲，需要的朋友可以參考下2021-05-05
Pip是用于管理Python軟件包的常用命令,Pip命令還用于更新/升級已經安裝的Python軟件包,下面這篇文章主要給大家介紹了關于Python?pip更新的兩種方式,需要的朋友可以參考下2023-02-02
今天小編就為大家分享一篇Python實現Restful API的例子，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2019-08-08
zip() 函數用于將可迭代的對象作為參數，將對象中對應的元素打包成一個個元組，然后返回由這些元組組成的列表。這篇文章主要介紹了Python中zip()函數的解釋和可視化,需要的朋友可以參考下2020-02-02
這篇文章主要介紹了python腳本內運行l(wèi)inux命令的方法,實例分析了Python基于subprocess模塊操作Linux命令的相關技巧,需要的朋友可以參考下2015-07-07
本文主要記述了使用Python將list重點整數求平均值之后在進行排列的過程，并把代碼分享給大家，希望大家能給鼓鼓掌~~~2014-09-09
Pywebview是一個用于構建網頁的Python庫,類似于Flask框架,但主要使用Python編寫而非HTML或JS,通過簡單的命令即可安裝和使用,支持創(chuàng)建自制或調用外部網頁界面,需要的朋友可以參考下2024-09-09
webargs是一個用于解析和驗證HTTP請求對象的Python庫，今天通過本文給大家介紹Python?webargs?模塊的安裝使用，感興趣的朋友一起看看吧2022-01-01
本篇文章主要介紹了Python 快速實現CLI 應用程序的腳手架，小編覺得挺不錯的，現在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-12-12
壓縮 PDF 文件能有效減小文件大小并提高文件傳輸的效率,同時還能節(jié)省計算機存儲空間,除了使用一些專業(yè)工具對PDF文件進行壓縮,我們還可以通過 Python 來執(zhí)行該操作,本文將分享一個簡單有效的使用 Python 壓縮 PDF 文件的方法,需要的朋友可以參考下2024-06-06