Numpy 数组操作完全指南-优快云博客

本文链接：https://blog.youkuaiyun.com/bingxue2017/article/details/80469239

本文详细介绍了Numpy库中数组的各种操作，包括重设形状、数组展开、轴移动、轴交换、数组转置、维度改变、类型转变、数组连接、数组堆叠、拆分、删除、插入、附加、重设尺寸、反转数组以及随机抽样等，是学习Numpy不可或缺的教程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数组的基本操作

1、重设形状

reshape 可以在不改变数组数据的同时，改变数组的形状。其中，numpy.reshape() 等效于 ndarray.reshape()

方法：numpy.reshape(a,newshape)

其中，a 表示原数组，newshape 用于指定新的形状(整数或者元组)。

示例代码：import numpy as np

np.arange(10).reshape((5,2))

2、数组展开

ravel 的目的是将任意形状的数组扁平化，变为 1 维数组

方法：numpy.ravel(a,order='C')

其中，a 表示需要处理的数组。order 表示变换时的读取顺序，默认是按照行依次读取，当 order='F' 时，可以按列依次读取排序

示例代码：a=np.arange(10),reshape((5,2))

np.ravel(a)

np.ravel(a,order='F')

3、轴移动

moveaxis 可以将数组的轴移动到新的位置

方法：numpy.moveaxis(a,source,destination)

其中：a：数组。

source：要移动的轴的原始位置。

destination：要移动的轴的目标位置

示例代码：a=np.ones((1,2,3))

np.moveaxis(a,0,-1)

4、轴交换

swapaxes 可以用来交换数组的轴

方法：numpy.swapaxes(a,axis1,axis2)

其中：a：数组。

axis1：需要交换的轴 1 位置。

axis2：需要与轴 1 交换位置的轴 1 位置

示例代码：a=np.ones((1,3,4))

np.swapaxes(a,0,2)

5、数组转置

transpose 类似于矩阵的转置，它可以将 2 维数组的横轴和纵轴交换

方法：numpy.transpose(a,axes=None)

其中：a：数组。

axis：该值默认为 none，表示转置。如果有值，那么则按照值替换轴。

示例代码：a=np.arange(4).reshape(2,2)

np.transpose(a)

6、维度改变

atleast_xd 支持将输入数据直接视为 x维。这里的 x 可以表示：1,2,3

方法：numpy.atleast_1d()

numpy.atleast_2d()

numpy.atleast_3d()

示例代码：numpy.atleast_1d([1])

numpy.atleast_2d([1])

numpy.atleast_3d([1])

7、类型转变

在 NumPy 中，还有一系列以 as 开头的方法，它们可以将特定输入转换为数组，亦可将数组转换为矩阵、标量，ndarray 等。如下：

asarray(a,dtype，order)：将特定输入转换为数组。

asanyarray(a，dtype，order)：将特定输入转换为 ndarray。

asmatrix(data，dtype)：将特定输入转换为矩阵。

asfarray(a，dtype)：将特定输入转换为 float 类型的数组。

asarray_chkfinite(a，dtype，order)：将特定输入转换为数组，检查 NaN 或 infs。

asscalar(a)：将大小为 1 的数组转换为标量

示例代码：a=np.arange(4).reshape((2,2))

8、数组连接

concatenate 可以将多个数组沿指定轴连接在一起

方法：numpy.concatenate((a1, a2, ...), axis=0)

其中：(a1, a2, ...)：需要连接的数组。

axis：指定连接轴。

示例代码：a=np.array([[1,2],[3,4],[5,6]])

b=np.array([[7,8],[9,10]])

c=np.array([[11,12]])

np.concatenate((a,b,c).axis=0)

9、数组堆叠

在 NumPy 中，以下方法可用于数组的堆叠：

stack(arrays，axis)：沿着新轴连接数组的序列。

column_stack()：将 1 维数组作为列堆叠到 2 维数组中。

hstack()：按水平方向堆叠数组。

vstack()：按垂直方向堆叠数组。

dstack()：按深度方向堆叠数组

方法：a=np.array([1,2,3])

b=np.array([4,5,6])

np.stack((a,b))

npstack((a,b),axis=-1) --横着堆叠

10、拆分

split 及与之相似的一系列方法主要是用于数组的拆分，列举如下：

split(ary，indices_or_sections，axis)：将数组拆分为多个子数组。

dsplit(ary，indices_or_sections)：按深度方向将数组拆分成多个子数组。

hsplit(ary，indices_or_sections)：按水平方向将数组拆分成多个子数组。

vsplit(ary，indices_or_sections)：按垂直方向将数组拆分成多个子数组

示例代码：a=np.arange(10)

np.split(a,5)

b=np.arange(10).reshape(2,5)

np.split(b,2)

11、删除

delete(arr，obj，axis)：沿特定轴删除数组中的子数组。

示例代码：a=np.arange(12).reshape(3,4)

np.delete(a,2,1) --这里代表沿着横轴，将第 3 列(索引 2)删除

np.delete(a,,0)--沿着纵轴，将第三行删除

12、数组插入

insert(arr，obj，values，axis)：依据索引在特定轴之前插入值。

再看一看 insert插入, 用法和 delete 很相似，只是需要在第三个参数位置

示例代码：a = np.arange(12).reshape(3,4)

b = np.arange(4)

np.insert(a, 2, b, 0)

13、附加

append(arr，values，axis)：将值附加到数组的末尾，并返回 1 维数组。

append 的用法也非常简单。只需要设置好需要附加的值和轴位置就好了。它其实相当于只能在末尾插入的 insert，所以少了一个指定索引的参数。

示例代码：a = np.arange(6).reshape(2,3)

b = np.arange(3)

np.append(a, b)

14、重设尺寸

resize(a，new_shape)：对数组尺寸进行重新设定。

示例代码：a = np.arange(10)

a.resize(2,5)

15、反转数组

在 NumPy 中，我们还可以对数组进行翻转操作：

fliplr(m)：左右翻转数组。

flipud(m)：上下翻转数组。

示例代码：a = np.arange(16).reshape(4,4)

np.fliplr(a)

np.flipud(a)

Numpy随机抽样

1、numpy.random.rand

numpy.random.rand(d0, d1, ..., dn) 方法的作用为：指定一个数组，并使用 [0, 1) 区间随机数据填充，这些数据均匀分布。

示例代码：np.random.rand(2,5)

2、numpy.random.randn

numpy.random.randn(d0, d1, ..., dn) 与 numpy.random.rand(d0, d1, ..., dn) 的区别在于，前者是从标准正态分布中返回一个或多个样本值。

示例代码：np.random.randn(1,10)

3、numpy.random.randint

randint(low, high, size, dtype) 方法将会生成 [low, high) 的随机整数。注意这是一个半开半闭区间。

示例代码：np.random.randint(2,5,10)

4、numpy.random.random_integers

random_integers(low, high, size) 方法将会生成 [low, high] 的 np.int 类型随机整数。注意这是一个闭区间。

示例代码：np.random.random_integers(2,5,10)

5、numpy.random.random_sample

random_sample(size) 方法将会在 [0, 1) 区间内生成指定 size 的随机浮点数。

示例代码：np.random.random_sample([10])

6、numpy.random.choice

choice(a, size, replace, p) 方法将会给定的 1 维数组里生成随机数。

示例代码：np.random.choice(10,5)

7、概率密度分布

numpy.random.beta(a，b，size)：从 Beta 分布中生成随机数。
numpy.random.binomial(n, p, size)：从二项分布中生成随机数。
numpy.random.chisquare(df，size)：从卡方分布中生成随机数。
numpy.random.dirichlet(alpha，size)：从 Dirichlet 分布中生成随机数。
numpy.random.exponential(scale，size)：从指数分布中生成随机数。
numpy.random.f(dfnum，dfden，size)：从 F 分布中生成随机数。
numpy.random.gamma(shape，scale，size)：从 Gamma 分布中生成随机数。
numpy.random.geometric(p，size)：从几何分布中生成随机数。
numpy.random.gumbel(loc，scale，size)：从 Gumbel 分布中生成随机数。
numpy.random.hypergeometric(ngood, nbad, nsample, size)：从超几何分布中生成随机数。
numpy.random.laplace(loc，scale，size)：从拉普拉斯双指数分布中生成随机数。
numpy.random.logistic(loc，scale，size)：从逻辑分布中生成随机数。
numpy.random.lognormal(mean，sigma，size)：从对数正态分布中生成随机数。
numpy.random.logseries(p，size)：从对数系列分布中生成随机数。
numpy.random.multinomial(n，pvals，size)：从多项分布中生成随机数。
numpy.random.multivariate_normal(mean, cov, size)：从多变量正态分布绘制随机样本。
numpy.random.negative_binomial(n, p, size)：从负二项分布中生成随机数。
numpy.random.noncentral_chisquare(df，nonc，size)：从非中心卡方分布中生成随机数。
numpy.random.noncentral_f(dfnum, dfden, nonc, size)：从非中心 F 分布中抽取样本。
numpy.random.normal(loc，scale，size)：从正态分布绘制随机样本。
numpy.random.pareto(a，size)：从具有指定形状的 Pareto II 或 Lomax 分布中生成随机数。
numpy.random.poisson(lam，size)：从泊松分布中生成随机数。
numpy.random.power(a，size)：从具有正指数 a-1 的功率分布中在 0，1 中生成随机数。
numpy.random.rayleigh(scale，size)：从瑞利分布中生成随机数。
numpy.random.standard_cauchy(size)：从标准 Cauchy 分布中生成随机数。
numpy.random.standard_exponential(size)：从标准指数分布中生成随机数。
numpy.random.standard_gamma(shape，size)：从标准 Gamma 分布中生成随机数。
numpy.random.standard_normal(size)：从标准正态分布中生成随机数。
numpy.random.standard_t(df，size)：从具有 df 自由度的标准学生 t 分布中生成随机数。
numpy.random.triangular(left，mode，right，size)：从三角分布中生成随机数。
numpy.random.uniform(low，high，size)：从均匀分布中生成随机数。
numpy.random.vonmises(mu，kappa，size)：从 von Mises 分布中生成随机数。
numpy.random.wald(mean，scale，size)：从 Wald 或反高斯分布中生成随机数。
numpy.random.weibull(a，size)：从威布尔分布中生成随机数。
numpy.random.zipf(a，size)：从 Zipf 分布中生成随机数。

Numpy使用教程2