Numpy array数据的增、删、改、查

本文详细介绍了NumPy库中数组的创建、增删改查等基本操作,并通过实例展示了如何利用这些方法进行高效的数组处理。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

增、删、改、查的方法有很多很多种,这里只展示出常用的几种。

  1. >>> import numpy as np
  2. >>> a = np.array([[1,2],[3,4],[5,6]])#创建3行2列二维数组。
  3. >>> a
  4. array([[1, 2],
  5. [3, 4],
  6. [5, 6]])
  7. >>> a = np.zeros(6)#创建长度为6的,元素都是0一维数组
  8. >>> a = np.zeros((2,3))#创建3行2列,元素都是0的二维数组
  9. >>> a = np.ones((2,3))#创建3行2列,元素都是1的二维数组
  10. >>> a = np.empty((2,3)) #创建3行2列,未初始化的二维数组
  11. >>> a = np.arange(6)#创建长度为6的,元素都是0一维数组array([0, 1, 2, 3, 4, 5])
  12. >>> a = np.arange(1,7,1)#结果与np.arange(6)一样。第一,二个参数意思是数值从1〜6,不包括7.第三个参数表步长为1.
  13. a = np.linspace(0,10,7) # 生成首位是0,末位是10,含7个数的等差数列[ 0. 1.66666667 3.33333333 5. 6.66666667 8.33333333 10. ]
  14. a = np.logspace(0,4,5)#用于生成首位是10**0,末位是10**4,含5个数的等比数列。[ 1.00000000e+00 1.00000000e+01 1.00000000e+02 1.00000000e+03 1.00000000e+04]

  1. >>> a = np.array([[1,2],[3,4],[5,6]])
  2. >>> b = np.array([[10,20],[30,40],[50,60]])
  3. >>> np.vstack((a,b))
  4. array([[ 1, 2],
  5. [ 3, 4],
  6. [ 5, 6],
  7. [10, 20],
  8. [30, 40],
  9. [50, 60]])
  10. >>> np.hstack((a,b))
  11. array([[ 1, 2, 10, 20],
  12. [ 3, 4, 30, 40],
  13. [ 5, 6, 50, 60]])

不同维数的数组直接相加显然是不允许的。但是可以用一个n行列向量和一个m列行向量构造出一个n×m矩阵

  1. >>> a = np.array([[1],[2]])
  2. >>> a
  3. array([[1],
  4. [2]])
  5. >>> b=([[10,20,30]])#生成一个list,注意,不是np.array。
  6. >>> b
  7. [[10, 20, 30]]
  8. >>> a+b
  9. array([[11, 21, 31],
  10. [12, 22, 32]])
  11. >>> c = np.array([10,20,30])
  12. >>> c
  13. array([10, 20, 30])
  14. >>> c.shape
  15. (3,)
  16. >>> a+c
  17. array([[11, 21, 31],
  18. [12, 22, 32]])

  1. >>> a
  2. array([[1, 2],
  3. [3, 4],
  4. [5, 6]])
  5. >>> a[0] # array([1, 2])
  6. >>> a[0][1]#2
  7. >>> a[0,1]#2
  8. >>> b = np.arange(6)#array([0, 1, 2, 3, 4, 5])
  9. >>> b[1:3]#右边开区间array([1, 2])
  10. >>> b[:3]#左边默认为 0array([0, 1, 2])
  11. >>> b[3:]#右边默认为元素个数array([3, 4, 5])
  12. >>> b[0:4:2]#下标递增2array([0, 2])

NumPy的where函数使用

np.where(condition, x, y),第一个参数为一个布尔数组,第二个参数和第三个参数可以是标量也可以是数组。

  1. cond = numpy.array([True,False,True,False])
  2. a = numpy.where(cond,-2,2)# [-2 2 -2 2]
  3. cond = numpy.array([1,2,3,4])
  4. a = numpy.where(cond>2,-2,2)# [ 2 2 -2 -2]
  5. b1 = numpy.array([-1,-2,-3,-4])
  6. b2 = numpy.array([1,2,3,4])
  7. a = numpy.where(cond>2,b1,b2) # 长度须匹配# [1,2,-3,-4]

  1. >>> a = np.array([[1,2],[3,4],[5,6]])
  2. >>> a[0] = [11,22]#修改第一行数组[1,2]为[11,22]。
  3. >>> a[0][0] = 111#修改第一个元素为111,修改后,第一个元素“1”改为“111”。
  4. >>> a = np.array([[1,2],[3,4],[5,6]])
  5. >>> b = np.array([[10,20],[30,40],[50,60]])
  6. >>> a+b #加法必须在两个相同大小的数组键间运算。
  7. array([[11, 22],
  8. [33, 44],
  9. [55, 66]])

不同维数的数组直接相加显然是不允许的。但是可以用一个n行列向量和一个m列行向量构造出一个n×m矩阵

  1. >>> a = np.array([[1],[2]])
  2. >>> a
  3. array([[1],
  4. [2]])
  5. >>> b=([[10,20,30]])#生成一个list,注意,不是np.array。
  6. >>> b
  7. [[10, 20, 30]]
  8. >>> a+b
  9. array([[11, 21, 31],
  10. [12, 22, 32]])
  11. >>> c = np.array([10,20,30])
  12. >>> c
  13. array([10, 20, 30])
  14. >>> c.shape
  15. (3,)
  16. >>> a+c
  17. array([[11, 21, 31],
  18. [12, 22, 32]])

数组和一个数字的加减乘除的运算,相当于一个广播,把这个运算广播到各个元素中去。

  1. >>> a = np.array([[1,2],[3,4],[5,6]])
  2. >>> a*2#相当于a中各个元素都乘以2.类似于广播。
  3. array([[ 2, 4],
  4. [ 6, 8],
  5. [10, 12]])
  6. >>> a**2
  7. array([[ 1, 4],
  8. [ 9, 16],
  9. [25, 36]])
  10. >>> a>3
  11. array([[False, False],
  12. [False, True],
  13. [ True, True]])
  14. >>> a+3
  15. array([[4, 5],
  16. [6, 7],
  17. [8, 9]])
  18. >>> a/2
  19. array([[0.5, 1. ],
  20. [1.5, 2. ],
  21. [2.5, 3. ]])

方法一:

利用查找中的方法,比如a=a[0],操作完居后,a的行数只剩一行了。

  1. >>> a = np.array([[1,2],[3,4],[5,6]])
  2. >>> a[0]
  3. array([1, 2])

方法二:

  1. >>> a = np.array([[1,2],[3,4],[5,6]])
  2. >>> np.delete(a,1,axis = 0)#删除a的第二行。
  3. array([[1, 2],
  4. [5, 6]])
  5. >>> np.delete(a,(1,2),0)#删除a的第二,三行。
  6. array([[1, 2]])
  7. >>> np.delete(a,1,axis = 1)#删除a的第二列。
  8. array([[1],
  9. [3],
  10. [5]])

方法三:

先分割,再按切片a=a[0]赋值。

  1. >>> a = np.array([[1,2],[3,4],[5,6]])
  2. >>> np.hsplit(a,2)#水平分割(搞不懂,明明是垂直分割嘛?)
  3. [array([[1],
  4. [3],
  5. [5]]), array([[2],
  6. [4],
  7. [6]])]
  8. >>> np.split(a,2,axis = 1)#与np.hsplit(a,2)效果一样。
  9. >>> np.vsplit(a,3)
  10. [array([[1, 2]]), array([[3, 4]]), array([[5, 6]])]
  11. >>> np.split(a,3,axis = 0)#与np.vsplit(a,3)效果一样。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值