python机器学习之十 numpy库之数组（多维数组的一元操作、组合数组、数组分割、数组复制）

关注

原创最新推荐文章于 2026-09-21 10:58:15 发布 982 阅读 AI 写同款· GEO 优化 ›

Numpy实验楼报告【引言】最近入门Machine Learning，再看Peter Harrington的《Machine Learning in Action》，发现Numpy真的是Python语言里非常重要的一个库，尤其在机器学习算法的编程中有广泛的应用。于是笔者到“实验楼”上去学习了一波，下面吧连接、Numpy的介绍和实验报告分享给大家【目录】 1.引言 2.目录 3.Numpy简介 4 阅读详情

本篇主要介绍numpy中的数组操作：

1.多维数组的一元操作

2.组合数组

3.数组分割

4.数组复制

1.多维数组的一元操作

sum min max amax amin mean add multiply

np.abs(a) np.fabs(a) : 取各元素的绝对值

np.sign(a) : 计算各元素的符号值 1（+），0，-1（-）

np.sqrt(a) : 计算各元素的平方根

np.square(a): 计算各元素的平方

np.log(a) np.log10(a) np.log2(a) : 计算各元素的自然对数、10、2为底的对数np.exp(a) : 计算各元素的指数值

np.ceil(a) np.floor(a) : 计算各元素的ceiling 值， floor值（ceiling向上取整，floor向下取整）

np.rint(a) : 各元素四舍五入

np.modf(a) : 将数组各元素的小数和整数部分以两个独立数组形式返回

sum

语法格式：

数组名称.sum(axis=某维)

其余维不变，对指定维求和，指定维消失。

不指定维数，表示对数组所有元素求和。

二维数组较好理解，如

b = np.arange(12).reshape(3,4)

b维度（3,4）

axis=0，在第一维度上求和，即按列求和，在行上压缩数据

axis=1，在第二维度上求和，即按行求和，在列上压缩数据

如：

b = np.arange(12).reshape(3,4)
'''
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
'''
b.sum(axis=0)    # 按列求和
'''
array([12, 15, 18, 21])
'''
b.sum(axis=1)    # 按行求和
'''
array([ 6, 22, 38])
'''

b=np.arange(24).reshape(2,3,4)
b
'''
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]]])
'''
b.sum(axis=0)
'''
array([[12, 14, 16, 18],
       [20, 22, 24, 26],
       [28, 30, 32, 34]])
'''
#(2,3,4）变为（3，4） 下标2的维消失,可以想象成数据压缩到了指定维上

b.sum(axis=1)
'''
array([[12, 15, 18, 21],
       [48, 51, 54, 57]])
'''
#(2,3,4)变为（2,4）

b.sum(axis=2)
'''
array([[ 6, 22, 38],
       [54, 70, 86]])
'''
#（2,3,4）变为（2,3）

b.sum(axis=0) 等同与 b[0,:,:]+b[1,:,:]

b.sum(axis=1) 等同与 b[:,0,:]+b[:,1,:]+b[:,2,:]

b.sum(axis=2) 等同与 b[:,:,0]+b[:,:,1]+b[:,:,2]+b[:,:,3]

min、max、amin、amax

语法格式：

数组名称.min(axis=某维)

同

numpy.amin(数组名称，axis=某维

指定维度下，其他维最小值

数组名称.max(axis=某维)

同

numpy.amax(数组名称，axis=某维)

指定维度下，其他维的最大值

未指定维度时，默认求数组所有元素的最大值、最小值

a = np.random.random((2,3))
'''
array([[0.74914116, 0.92214776, 0.4532684 ],
       [0.24116831, 0.69004573, 0.4828824 ]])
'''
a.min()
np.amin(a)
'''
0.24116831076315193
'''
a.max()
np.amax(a)
'''
0.9221477648955041
'''
a.min(axis=0)#在第0维上，对第1维求最小值，即求了每一列的最小值
np.amin(a,axis=0)
'''
array([0.24116831, 0.69004573, 0.4532684 ])
'''
a.min(axis=1)#在第1维上，对第0维求最小值，即求了每一列的最小值
np.amin(a,axis=1)
'''
array([0.4532684 , 0.24116831])
'''
a.max(axis=1)
np.amax(a,axis=1)
'''
array([0.92214776, 0.69004573])
'''
a.max(axis=0)
np.amax(a,axis=0)
'''
array([0.74914116, 0.92214776, 0.4828824 ])
'''

b=np.arange(24).reshape(2,3,4)
b
'''
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]]])
'''
b.max(axis=0)#求了第1、2维上的最大值
np.amax(b,axis=0)
'''
array([[12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23]])
'''

mean

语法格式：

numpy.mean(数组名称,axis=指定维数)

在指定维上求平均值

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
# 求每一列的平均值
result = np.mean(stus_score, axis=0)
print(result)
#[81.4 81.6]
# 求每一行的平均值
result = np.mean(stus_score, axis=1)
#[84.  81.5 79.5 84.5 78. ]

add

multiply

在计算array数据类型时，*和multiply都表示对应元素的数乘。在计算matrix数据类型时，*就是和线性代数中矩阵运算规则一样，multiply依旧是对应元素的数乘。
语法格式：
numpy.multiply(x1, x2, /, out=None, *, where=True, casting='same_kind', order='K', dtype=None, subok=True[, signature, extobj]) = <ufunc 'multiply'>

x1 和 x2的element-wise乘积，保证x1和x2有相同的维数，或者进行broadcast之后两者有相同的维数

如：

x1 = np.arange(9.0).reshape((3, 3))
x2 = np.arange(3.0)
np.multiply(x1, x2)
'''
array([[  0.,   1.,   4.],
       [  0.,   4.,  10.],
       [  0.,   7.,  16.]])
'''

np.abs(a) np.fabs(a) : 取各元素的绝对值

np.sign(a) : 计算各元素的符号值 1（+），0，-1（-）

np.sqrt(a) : 计算各元素的平方根

np.square(a): 计算各元素的平方

np.log(a) np.log10(a) np.log2(a) : 计算各元素的自然对数、10、2为底的对数np.exp(a) : 计算各元素的指数值

np.ceil(a) np.floor(a) : 计算各元素的ceiling 值， floor值（ceiling向上取整，floor向下取整）

np.rint(a) : 各元素四舍五入

np.modf(a) : 将数组各元素的小数和整数部分以两个独立数组形式返回

a = np.array([[-1,2,-3],[4,5,-6]])
'''
array([[-1,  2, -3],
       [ 4,  5, -6]])'''
#取各元素的绝对值 fabs()函数只适用于float和integer类型，而abs()也适用于复数
np.abs(a) 
'''
array([[1, 2, 3],
       [4, 5, 6]])
'''
np.fabs(a)
'''
array([[1., 2., 3.],
       [4., 5., 6.]])
'''

np.sign(a)#计算各元素的符号值 1（+），0，-1（-）
'''
array([[-1,  1, -1],
       [ 1,  1, -1]])
'''

a = np.array([[1,2,3],[4,5,6]])
'''
array([[1, 2, 3],
       [4, 5, 6]])
'''

#计算各元素的平方根
np.sqrt(a)
'''
array([[1.        , 1.41421356, 1.73205081],
       [2.        , 2.23606798, 2.44948974]])
'''

#计算各元素的平方
np.square(a)
'''
array([[ 1,  4,  9],
       [16, 25, 36]], dtype=int32)
'''

#计算各元素的自然对数、10、2为底的对数
np.log(a) 
'''
array([[0.        , 0.69314718, 1.09861229],
       [1.38629436, 1.60943791, 1.79175947]])
'''
np.log10(a) 
'''
array([[0.        , 0.30103   , 0.47712125],
       [0.60205999, 0.69897   , 0.77815125]])
'''
np.log2(a)
'''
array([[0.        , 1.        , 1.5849625 ],
       [2.        , 2.32192809, 2.5849625 ]])
'''

np.exp(a)#计算各元素的指数值
'''
array([[  2.71828183,   7.3890561 ,  20.08553692],
       [ 54.59815003, 148.4131591 , 403.42879349]])
'''

a=np.random.random((2,3))*10
'''
array([[5.79922262e+00, 6.51265142e+00, 2.52131915e+00],
       [3.57394912e+00, 4.13644919e-03, 8.35016334e+00]])
'''
#计算各元素的ceiling 值， floor值（ceiling向上取整，floor向下取整）
np.ceil(a)
'''
array([[6., 7., 3.],
       [4., 1., 9.]])
'''
np.floor(a)
'''
array([[5., 6., 2.],
       [3., 0., 8.]])
'''

np.rint(a)#各元素 四舍五入
'''
array([[6., 7., 3.],
       [4., 0., 8.]])
'''

np.modf(a)#将数组各元素的小数和整数部分以两个独立数组形式返回
'''
(array([[0.79922262, 0.51265142, 0.52131915],
       [0.57394912, 0.00413645, 0.35016334]]), array([[5., 6., 2.],
       [3., 0., 8.]]))
'''

2.组合数组

vstack

语法格式：

numpy.vstack(tup)

(a1,a2,...)：元组，列表，或者numpy数组

返回结果为numpy的数组，垂直（按照行顺序）的把数组给堆叠起来。

hstack

语法格式：

numpy.hstack((a1,a2,...))

(a1,a2,...)：元组，列表，或者numpy数组

返回结果为numpy的数组，水平（按照列顺序）的把数组给堆叠起来。

concatenate

语法格式：

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

根据指定的维度，对一个元组、列表中的list或者数组进行连接

例子：

a = np.floor(10*np.random.random((2,2)))
'''
输出：
array([[ 5.,  2.],
       [ 6.,  2.]])
'''
b = np.floor(10*np.random.random((2,2)))
'''
输出：
array([[ 0.,  2.],
       [ 4.,  1.]])
'''
np.vstack((a,b))
'''
输出：
array([[ 5.,  2.],
       [ 6.,  2.],
       [ 0.,  2.],
       [ 4.,  1.]])
'''
np.hstack((a,b))
'''
输出：
array([[ 5.,  2.,  0.,  2.],
       [ 6.,  2.,  4.,  1.]])
'''
	   
#要合并多个矩阵或者序列时，则用concatenate会更方便

a=np.array([1,2,3]).reshape(3,1)
b=np.array([4,5,6]).reshape(3,1)
np.concatenate((a,b,b,a),axis=0)   # axis=0 表示按第0维，也就是行堆叠纵向合并
'''
array([[1],
       [2],
       [3],
       [4],
       [5],
       [6],
       [4],
       [5],
       [6],
       [1],
       [2],
       [3]])
'''

np.concatenate((a,b,b,a),axis=1)  # axis=1 表示按第一维，也就是列堆叠横向合并
'''
array([[1, 4, 4, 1],
       [2, 5, 5, 2],
       [3, 6, 6, 3]])
'''

3.数组分割

split：指定分割维度，沿固定轴分割数组

语法格式：numpy.split(ary, indices_or_sections, axis)
ary:分割数组

indices_or_sections：可以是整数，表明要从输入数组创建的，等大小的子数组的数量，将数组进行等量分割。如果此参数是一维数组，则其元素表明要创建新子数组的点。

axis：分割维度

hsplit：横向按列分割

语法格式：numpy.hsplit(ary, indices_or_sections)

ary:分割数组

indices_or_sections:可以是整数，表明要从输入数组创建的，等大小的子数组的数量，将数组进行等量分割。如果此参数是一维数组，则其元素表明要创建新子数组的点。

vsplit：纵向按行分割

语法格式：numpy.vsplit(ary, indices_or_sections)

ary:分割数组

a=np.arange(12).reshape((3,4))
np.split(a,3,axis=０)#将a数组a按行分成三份
#同 np.vsplit(a,3)
'''
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
'''

np.split(a,2,axis=1)#将ａ按列分成２半，每部分2列
#同 np.vsplit(a,3)
#同 np.
'''
[array([[0, 1],
        [4, 5],
        [8, 9]]), array([[ 2,  3],
        [ 6,  7],
        [10, 11]])]
'''
np.split(a,(1,2,3),axis=1)#在第一列 第二列 第三列位置进行分割
#同 np.vsplit(a,(1,2,3))
'''
[array([[0],
       [4],
       [8]]), array([[1],
       [5],
       [9]]), array([[ 2],
       [ 6],
       [10]]), array([[ 3],
       [ 7],
       [11]])]
'''

4.数组复制

复制分浅复制与深度复制

浅复制：是使几个变量指向同一个指针，因此这几个变量中的一个改变，其余的几个也会跟着改变

[:]

使用数组切片方式，将得到的结果赋值给新元素

如：

a=np.arange(4)
#array([0, 1, 2, 3])
b=a # a,b变量指向同一个地址
a[0] = 1
print(b)
#array([1, 1, 2, 3])

a=np.arange(9).reshape((3,3))
'''
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
'''

c=a[0:1,:]
'''
array([[0, 1, 2],
       [3, 4, 5]])
'''
a[0,0] = 100
print(c)
'''
[[100   1   2]
 [  3   4   5]]
'''

深复制：是将一个变量的值赋给另一个变量，两者指向不同的指针，只是值相同。

copy

语法格式：

数组b=numpy.copy(arr)

arr：数组名称

如：

a=np.arange(9).reshape((3,3))
'''
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
'''
d = np.copy(a)
a[0,0] = 100
print(d)
'''
array([[100, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
'''
print(a)
'''
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
'''

收录于