Numpy数组的索引、切片、形状修改(reshape)、类型修改、数组的去重

一、数组的索引、切片

• 索引:通过下标访问数组元素
• 切片: 用:来进行切片
• 本质都是通过不同轴的元素下标来进行定位
  
  二维数组索引方式：
• 举例：获取第一个股票的前3个交易日的涨跌幅数据

# 二维的数组，两个维度 
stock_change[0, 0:3]

返回结果：

array([-0.03862668, -1.46128096, -0.75596237])

• 三维数组索引方式：

# 三维
a1 = np.array([ [[1,2,3],[4,5,6]], [[12,3,34],[5,6,7]]])
# 返回结果
array([[[ 1,  2,  3],
        [ 4,  5,  6]],

       [[12,  3, 34],
        [ 5,  6,  7]]])
# 索引、切片
>>> a1[0, 0, 1]   # 输出: 2

二、形状修改

2.1 ndarray.reshape(shape, order)

• 返回一个具有相同数据域，但shape不一样的视图
  

# 在转换形状的时候，一定要注意数组的元素匹配
stock_change.reshape([5, 4])
stock_change.reshape([-1,10])  # 数组的形状被修改为: (2, 10), -1: 表示通过待计算

你有没有这个困惑：在 reshape 之后，数据在各个轴上是如何重新分配的？

搞清楚 ndarray 的数据在内存里的存放方式，以及各个维度的访问方式，reshape 困惑就迎刃而解了。

心法: ndarray 的数据在内存里以一维线性存放，reshape 之后，数据并没有移动，只是访问方式变了而已。

数据优先填充 X 轴向，其次 Y 轴，其次 Z 轴 。。。

2.2 ndarray.resize(new_shape)

• 修改数组本身的形状（需要保持元素个数前后相同）

stock_change.resize([5, 4])

# 查看修改后结果
stock_change.shape
(5, 4)

2.3 ndarray.T

• 数组的转置
• 将数组的行、列进行互换

stock_change.T.shape
(4, 5)

三、类型修改

• ndarray.astype(type)
• 返回修改了类型之后的数组

stock_change.astype(np.int32)

四、数组的去重

• np.unique()

temp = np.array([[1, 2, 3, 4],[3, 4, 5, 6]])
>>> np.unique(temp)
array([1, 2, 3, 4, 5, 6])