【NumPy学习指南】day5 改变数组的维度

我们已经学习了怎样使用reshape函数，现在来学习一下怎样将数组展平。

(1) ravel 我们可以用ravel函数完成展平的操作：

In: b

Out:

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]]])

In: b.ravel()

Out:

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])

(2) flatten 这个函数恰如其名，flatten就是展平的意思，与ravel函数的功能相同。

不过，flatten函数会请求分配内存来保存结果，而ravel函数只是返回数组的一个视图（view）：

In: b.flatten()

Out:

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])

(3) 用元组设置维度 除了可以使用reshape函数，我们也可以直接用一个正整数元组来设

置数组的维度，如下所示：

In: b.shape = (6,4)

In: b

Out:

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]],

正如你所看到的，这样的做法将直接改变所操作的数组，现在数组b成了一个6×4的多维数组。

(4) transpose 在线性代数中，转置矩阵是很常见的操作。对于多维数组，我们也可以这样做：

In: b.transpose()

Out:

array([[ 0, 4, 8, 12, 16, 20],

[ 1, 5, 9, 13, 17, 21],

[ 2, 6,10, 14, 18, 22],

[ 3, 7,11, 15, 19, 23]])

(5) resize resize和reshape函数的功能一样，但resize会直接修改所操作的数组：

In: b.resize((2,12))

In: b

Out:

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]])

刚才做了些什么

我们用ravel、flatten、reshape和resize函数对NumPy数组的维度进行了修改。

动手实践：组合数组

首先，我们来创建一些数组：

In: a = arange(9).reshape(3,3)

In: a

Out:

array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

In: b = 2 * a

In: b

Out:

array([[ 0, 2, 4],

[ 6, 8, 10],

[12, 14,16]])

(1) 水平组合 我们先从水平组合开始练习。将ndarray对象构成的元组作为参数，传给

hstack函数。如下所示：

In: hstack((a, b))

Out:

array([[ 0, 1, 2, 0, 2, 4],

[ 3, 4, 5, 6, 8,10],

[ 6, 7, 8,12,14,16]])

我们也可以用concatenate函数来实现同样的效果，如下所示：

In: concatenate((a, b), axis=1)

Out:

array([[ 0, 1, 2, 0, 2, 4],

[ 3, 4, 5, 6, 8,10],

[ 6, 7, 8,12,14,16]])

(2) 垂直组合 垂直组合同样需要构造一个元组作为参数，只不过这次的函数变成了

vstack。如下所示：

In: vstack((a, b))

Out:

array([[ 0, 1, 2],

[ 3, 4, 5],

[ 6, 7, 8],

[ 0, 2, 4],

[ 6, 8,10],

[12,14,16]])

同样，我们将concatenate函数的axis参数设置为0即可实现同样的效果。这也是axis参

数的默认值：

In: concatenatel((a, b), axis = 0)

Out:

array([[ 0, 1, 2],

[ 3, 4, 5],

[ 6, 7, 8],

[ 0, 2, 4],

[ 6, 8,10],

[12,14,16]])

(3) 深度组合 将相同的元组作为参数传给dstack函数，即可完成数组的深度组合。所谓

深度组合，就是将一系列数组沿着纵轴（深度）方向进行层叠组合。举个例子，有若干张二维平

面内的图像点阵数据，我们可以将这些图像数据沿纵轴方向层叠在一起，这就形象地解释了什么

是深度组合。

In: dstack((a, b))

Out:

array([[[0, 0],

[1, 2],

[2, 4]],

[[3, 6],

[4, 8],

[5,10]],

[[6,12],

[7,14],

[8,16]]])

(4) 列组合 column_stack函数对于一维数组将按列方向进行组合，如下所示：

In: oned = arange(2)

In: oned

Out: array([0, 1])

In: twice_oned = 2 * oned

In: twice_oned

Out: array([0, 2])

In: column_stack((oned, twice_oned))

Out:

array([[0, 0],

[1, 2]])

而对于二维数组，column_stack与hstack的效果是相同的：

In: column_stack((a, b))

Out:

array([[ 0, 1, 2, 0, 2, 4],

[ 3, 4, 5, 6, 8,10],

[ 6, 7, 8,12,14,16]])

In: column_stack((a, b)) == hstack((a, b))

Out:

array([[ True, True, True, True, True, True],

[ True, True, True, True, True, True],

[ True, True, True, True, True, True]], dtype=bool)

是的，你猜对了！我们可以用==运算符来比较两个NumPy数组，是不是很简洁？

(5) 行组合 当然，NumPy中也有按行方向进行组合的函数，它就是row_stack。对于两

个一维数组，将直接层叠起来组合成一个二维数组。

In: row_stack((oned, twice_oned))

Out:

array([[0, 1],

[0, 2]])

对于二维数组，row_stack与vstack的效果是相同的：

In: row_stack((a, b))

Out:

array([[ 0, 1, 2],

[ 3, 4, 5],

[ 6, 7, 8],

[ 0, 2, 4],

[ 6, 8,10],

[12,14,16]])

In: row_stack((a,b)) == vstack((a, b))

Out:

array([[ True, True, True],

[ True, True, True],

[ True, True, True],

[ True, True, True],

[ True, True, True],

[ True, True, True]], dtype=bool)

刚才做了些什么

我们按照水平、垂直和深度等方式进行了组合数组的操作。我们使用了vstack、dstack、

hstack、column_stack、row_stack以及concatenate函数。