numpy——数组的操作方法

WDLOVELONGLONG

已于 2023-07-21 01:30:11 修改

阅读量272

点赞数 1

文章标签： numpy

于 2023-07-18 22:24:40 首次发布

本文链接：https://blog.youkuaiyun.com/longhaierwd/article/details/131797657

版权

文章详细介绍了NumPy数组的索引和切片操作，包括一维和多维数组的访问方法。接着讨论了改变数组结构的函数，如reshape、resize、ravel和transpose。还涵盖了数组的合并与拆分，以及复制（浅复制和深复制）的区别。此外，文章阐述了数组的排序功能，如sort和argsort，以及查找最大值和最小值的索引。最后，讲解了如何在数组中筛选元素和读写数组到文件的I/O操作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 索引和切片

a = np.arange(10)
print(a)
#返回最后一个元素
print(a[-1])
#返回2到第7个元素
print(a[2:7])
print(a[:7:3]) #返回0到7的元素，步长为3
print(a[::-1]) #返回倒序数组

多维数组也可以

#获取元素
print(a[1][2][3])      #不规范写法
print(a[1,2,3])         #标准写法
print(a[:,0,0])                            # 所有楼层的第1排第1列
print(a[0,:,:]) #获取第一层的所有行和列
print(a[:,:,1:3])    # 所有楼层所有排的第2到4列
print(a[1,:,-1])       # # 2层每一排的最后一个房间

注意：

对多维数组切片或索引得到的结果，维度不是确定的；
切片返回的数组不是原始数据的副本，而是指向与原始数组相同的内存区域。数组切片不会复制内部数组数据，只是产生了原始数据的一个新视图。

b = a[:,1:,2:]
print(b)
b[1,1,1] = 55
print(a)  #改变b，a也会改变

[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 55]]]

Process finished with exit code 0

2 改变结构

NumPy数组的存储顺序和数组的视图是相互独立的，因此改变数组的维度是非常便捷的操作，这一类操作不会改变所操作的数组本身的存储顺序， resize() 除外。

# reshape() - 按照指定的结构（形状）返回数组的新视图，但不会改变数组
# resize() - 按照指定的结构（形状）改变数组，无返回值
# ravel() - 返回多维数组一维化的视图，但不会改变原数组
# transpose() - 返回行变列的视图，但不会改变原数组
# rollaxis() - 翻滚轴，返回新的视图
a = np.arange(12)
b = a.reshape((3,4))
print(a) #不会改变a的结构
print(b)

a.resize([4,3]) # resize()则真正改变了数组a的结构
print(a.shape)

print( a.ravel())  # 返回多维数组一维化的视图，但不会改变原数组

print(a.transpose()) # 返回行变列的视图，但不会改变原数组
print(a.T ) # 返回行变列的视图，等价于transpose()

print(np.rollaxis(a, 1, 0))  # 翻滚轴，1轴变0轴

3 合并和拆分

NumPy数组一旦创建就不能再改变其元素数量了。如果要动态改变数组元素数量，只能通过合并或者拆分的方法，生成新的数组。NumPy仍然保留了append() 方法，只不过这个方法不再是NumPy数组的方法，而是是升级到最外层的NumPy命名空间，并且该方法的功能不再是追加元素，而是合并数组。

print(np.append([[1,2,3]],[4,5,6]))    #[1 2 3 4 5 6]
print(np.append([[1,2,3]],[[4,5,6]],axis=0))    #按行添加
print(np.append([[1,2,3]],[[4,5,6]],axis=1))     #按列添加

除了append()方法，还可以使用stack方法，实现水平，垂直和深度合并

a = np.arange(4).reshape(2,2)
b = np.arange(4,8).reshape(2,2)
print(a)
print(np.hstack((a,b)))  #水平合并
print(np.vstack((a,b))) #垂直合并
print(np.dstack((a,b))) #深度合并
print(np.stack((a,b)))  #不改变原来数组的结构，直接合并

4 复制

改变数组结构返回的是原元数据的一个新视图，而不是原元数据的副本。浅复制（view）和深复制（copy）则是创建原数据的副本，但二者之间也有细微差别：浅复制（view）是共享内存，深复制（copy）则是独享。

a = np.arange(4).reshape(2,2)
b = a.view()
print(b is a,b.base is a,b.flags.owndata)  #False False False

c = a.copy()
print(c is a,c.base is a,c.flags.owndata)  #False False True

5 排序

NumPy 数组排序函数有两个，一个是sort()，一个是argsort()。sort()返回输入数组的排序副本，argsort()返回的是数组值从小到大的索引号。从函数原型看，这两个函数的参数是完全一样的。

方法原型为：

# numpy.sort(a, axis=-1, kind=‘quicksort’, order=None)
# numpy.argsort(a, axis=-1, kind=‘quicksort’, order=None)
# a - 要排序的数组
# axis - 沿着它排序数组的轴，如果没有，则沿着最后的轴排序
# kind - 排序方法，默认为’quicksort’（快速排序），其他选项还有 ‘mergesort’（归并排序）和 ‘heapsort’（堆排序）
# order - 如果数组包含字段，则是要排序的字段
a = np.random.random((2,3))
print(np.argsort(a)) # 返回行内从小到大排序的索引序号（列排序），相当于axis=1（最后的轴）
print(np.sort(a)) # 返回行内从小到大排序的一个新数组（列排序）

print(np.sort(a,axis=0)) # 返回列内每一行都是从小到大排序（行排序

可以使用order参数，传入数据类型，按照order排序：

dt = np.dtype([('name',  'S10'),('age',  int)])
a = np.array([("zhang",21),("wang",25),("li",  17),  ("zhao",27)], dtype = dt)
print(np.sort(a, order='name')) # 如果指定姓名排序，结果是李王张赵

print(np.sort(a, order='age'))  # 如果指定年龄排序，结果则是李张王赵

6 查找和筛选

6.1 查找

返回数组中最大值和最小值的索引:

a = np.random.randint(low=0,high=10,size=(3,3))
print(a)
print(a.argmax())  #返回最大值的索引
print(a.argmin()) #返回最小值的索引
print(a.nonzero())  #返回非零索引

除此之外，numpy.where() 用于返回数组中满足给定条件的元素的索引，还可以用于替换符合条件的元素：

# numpy.where(condition[, x, y])
a = np.arange(10)
print(a)
print(np.where(a<5))
a = a.reshape((2,-1))
print(a)
print(np.where(a<5,a,2*a)) #改变数组，满足条件的元素不变，其他元素变为原来的两倍

6.2 筛选

筛选有3种方式，一是使用np.where()返回的python元组，二是使用逻辑表达式返回的布尔型数组，三是使用整型数组。

a = np.random.random((3,4))
print(a)
print(a[np.where(a>0.5)]) # 返回大于0.5的元素（使用np.where()返回的python元组）
print(a[(a>0.3)&(a<0.7)]) # 返回大于0.3且小于0.7的元素（使用逻辑表达式返回的布尔型数组）
print(a[np.array([2,1])]) # 返回整形数组指定的项（使用整型数组）
a = a.ravel()
print(a)
print(a[np.array([[3,5],[7,11]])]) # 返回整形数组指定的项（使用整型数组）

比如使用快速使用numpy得到灰度字符表

img = np.random.randint(0, 256, (5, 10), dtype=np.uint8) # 生成10x5的灰度图
print(img)
img = (img/32).astype(np.uint8) # 将256级灰度值转为8级灰度值
print(img)
chs = np.array([' ', '.', '-', '+', '=', '*', '#', '@']) # 灰度字符集
print(chs[img]) # 用整型数组筛选数组元素

7 数组的I/O

所谓数组I/O，就是讨论如何分发、交换数据。在机器学习算法模型的例子中，海量的训练数据通常都是从数据文件中读出来的，而数据文件一般是csv格式，NumPy 自带的csv文件读写函数，可以很方便的读写csv格式的数据文件。除了支持通用的csv格式的数据文件， NumPy 为数组对象引入了新的二进制文件格式，用于数据交换。后缀名为.npy 文件用于存储单个数组，后缀名为.npz 文件用于存取多个数组。

对csv格式文件的操作方法主要为：

1、loadtxt()

2、savetxt()

对npy或者npz格式文件的操作方法有：

1、load()

2、save()

3、savez()

对csv文件进行操作：

a = np.random.random((15,5))
np.savetxt('demo.csv', a, delimiter='\t') # 将数组a保存成CSV格式的数据文件
data = np.loadtxt('demo.csv', delimiter='\t') # 打开CSV格式的数据文件
print(data)
7.690719892083013320e-01    7.519683883565675409e-02   9.521626760626727970e-01

NumPy 自定义的数据交换格式也是一个非常好用的数据交换方式，使用它保存 NumPy 数组时不会丢失任何信息，特别是数据类型的信息。

例如：

single_arr_fn = 'single_arr.npy' # 存储单个数组文件名
multi_arr_fn = 'multi_arr.npz' # 存储多个数组文件名
lon = np.linspace(10,90,9)
lat = np.linspace(20,60,5)
np.save(single_arr_fn, lon) # 用save()函数把经度数组保存成.npy文件
lon = np.load(single_arr_fn) # 接着用load()函数读出来
np.savez(multi_arr_fn, longitude=lon, latitude=lat) #保存两个数组到一个文件
data = np.load(multi_arr_fn) # 用load()函数把这个.npz文件读成一个结构data
print(data.files) # 查看所有的数组名
print(data['longitude']) # 使用data[数组名]，就可以取得想要的数据