Numpy 修炼之道 (7)—— 形状操作
Numpy 有一个强大之处在于可以很方便的修改生成的N维数组的形状。
更改数组形状
数组具有由沿着每个轴的元素数量给出的形状:
>>> a =np.floor(10*np.random.random((3,4)))
>>> a
array([[ 6., 7., 2., 0.],[ 6., 2.,0., 9.], [ 3., 9.,3., 8.]])
>>> a.shape
(3L, 4L)
上面生成了一个
3x4 的数组,现在对它进行形状的改变。
>>> a.ravel() # 进行平铺
array([ 6., 7., 2., 0., 6., 2., 0.,9., 3., 9., 3., 8.])
>>> a.reshape(2, 6) # 重塑成 2x6
array([[ 6., 7., 2., 0., 6., 2.], [ 0., 9.,3., 9., 3., 8.]])
>>> a.T # 转置
array([[ 6., 6., 3.], [ 7., 2.,9.], [ 2., 0.,3.],[ 0., 9.,8.]])
>>> a.shape
(3L, 4L)
无论是ravel、reshape、T,它们都不会更改原有的数组形状,都是返回一个新的数组。
使用 resize 方法可以直接修改数组本身:
>>> a
array([[ 6., 7., 2., 0.], [ 6., 2.,0., 9.],[ 3., 9.,3., 8.]])
>>> a.resize(2, 6)
>>> a
array([[ 6., 7., 2., 0., 6., 2.], [ 0., 9.,3., 9., 3., 8.]])
技巧:在使用 reshape 时,可以将其中的一个维度指定为 -1,Numpy 会自动计算出它的真实值
>>> a.reshape(3, -1)
array([[ 6., 7., 2., 0.],[ 6., 2.,0., 9.],[ 3., 9.,3., 8.]])
将不同数组堆叠在一起
除了可以对单个数组的形状进行转换外,还可以把多个数据进行堆叠。
>>> a =np.floor(10*np.random.random((2,2)))
>>> a
array([[ 9., 9.], [ 8., 1.]])
>>> b = np.floor(10*np.random.random((2,2)))
>>> b
array([[ 5., 2.], [ 9., 5.]])
>>> np.vstack((a,b))
array([[ 9., 9.], [ 8., 1.],[ 5., 2.], [ 9., 5.]])
>>> np.hstack((a,b))
array([[ 9., 9., 5., 2.], [ 8., 1.,9., 5.]])
对于2D数组来说,使用hstack和column_stack 效果一样,对于1D数组来说,column_stack 会将1D数组作为列堆叠到2D数组中:
>>> from numpy import newaxis
>>> np.column_stack((a,b)) # with 2D arrays
array([[ 4., 3.], [ 2., 8.]])
>>> a = np.array([4.,2.])
>>> b = np.array([3.,8.])
>>> np.column_stack((a,b))
array([[ 4., 3.],[ 2., 8.]])
>>> np.hstack((a,b)) # 一维数组的情况下,column_stack和hstack结果不一样
array([ 4., 2., 3., 8.])
>>> a[:,newaxis] # 将一维数组转为二维数组
array([[ 4.], [ 2.]])
>>> np.column_stack((a[:,newaxis],b[:,newaxis]))
array([[ 4., 3.], [ 2., 8.]])
>>> np.hstack((a[:,newaxis],b[:,newaxis])) # 二维数组的情况下,column_stack和hstack结果一样
array([[ 4., 3.],[ 2., 8.]])
另一方面,对于任何输入数组,函数row_stack等效于vstack。一般来说,对于具有两个以上维度的数组,hstack沿第二轴堆叠,vstack沿第一轴堆叠,concatenate允许一个可选参数,给出串接应该发生的轴。
将一个数组分成几个较小的数组
既然可以将多个数组进行对堆叠,自然也可以将一个数组拆分成多个小数组。
使用hsplit,可以沿其水平轴拆分数组,通过指定要返回的均匀划分的数组数量,或通过指定要在其后进行划分的列:
>>> from pprint import pprint
>>> a = np.floor(10*np.random.random((2,12)))
>>> a
array([[ 9., 3., 4., 1., 0., 0., 6.,7., 3., 4., 1., 1.], [ 1., 2.,8., 1., 0., 2., 1., 4., 3., 8.,1., 1.]])
>>> pprint(np.hsplit(a,3)) # 水平切成3等份
[array([[ 9., 3., 4., 1.],[ 1., 2.,8., 1.]]),
array([[ 0., 0., 6.,7.], [ 0., 2.,1., 4.]]),
array([[ 3., 4., 1.,1.],[ 3., 8.,1., 1.]])]
vsplit沿垂直轴分割,array_split允许指定沿哪个轴分割。
脑洞科技栈专注于人工智能与量化投资领域
了解更多干货文章,关注小程序八斗问答
- NumPy形状操作 更改数组的形状
- numpy的基本操作(矩阵、文件)
- C语言嵌入式系统编程修炼(屏幕操作) 汉字处理
- Python机器学习:numpy的应用之基本操作命令
- Numpy np.array 相关常用操作学习笔记
- numpy 常用操作
- Python Numpy 数组的初始化和基本操作
- 形状图层的形状属性、绘画操作和路径操作
- VTK修炼之道23:图像基本操作_灰度图像映射成伪彩色图像(查表法)
- Numpy入门学习之(五)数组、矩阵中级操作
- Numpy-基本操作
- C语言嵌入式系统编程修炼之内存操作 (2)
- 深度学习中常用numpy操作(4.广播)
- numpy和pandas的操作
- VTK修炼之道26:图像基本操作_三维图像切片提取
- python中numpy中的切片(多维)操作,部分注意事项
- numpy操作技巧二三事
- numpy教程:数组操作
- BGRABitmap图像操作14:对形状进行变换