Numpy 数组操作
Numpy 中包含了一些函数用于处理数组，大概可分为以下几类：
修改数组形状
| 函数 | 描述 |
|---|---|
reshape | 不改变数据的条件下修改形状 |
flat | 数组元素迭代器 |
flatten | 返回一份数组拷贝，对拷贝所做的修改不会影响原始数组 |
ravel | 返回展开数组 |
numpy.reshape
numpy.reshape 函数可以在不改变数据的条件下修改形状，格式如下： numpy.reshape(arr, newshape, order='C')
arr：要修改形状的数组newshape：整数或者整数数组，新的形状应当兼容原有形状- order：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'k' -- 元素在内存中的出现顺序。
实例
import numpy as np a = np.arange(8) print ('原始数组：') print (a) print ('\n') b = a.reshape(4,2) print ('修改后的数组：') print (b)
输出结果如下：
原始数组：
[0 1 2 3 4 5 6 7] 修改后的数组： [[0 1] [2 3] [4 5] [6 7]]
numpy.ndarray.flat
numpy.ndarray.flat 是一个数组元素迭代器，实例如下:
实例
import numpy as np a = np.arange(9).reshape(3,3) print ('原始数组：') for row in a: print (row) #对数组中每个元素都进行处理，可以使用flat属性，该属性是一个数组元素迭代器： print ('迭代后的数组：') for element in a.flat: print (element)
输出结果如下：
原始数组：
[0 1 2] [3 4 5] [6 7 8] 迭代后的数组： 0 1 2 3 4 5 6 7 8
numpy.ndarray.flatten
numpy.ndarray.flatten 返回一份数组拷贝，对拷贝所做的修改不会影响原始数组，格式如下：
ndarray.flatten(order='C')
参数说明：
- order：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'K' -- 元素在内存中的出现顺序。
实例
import numpy as np a = np.arange(8).reshape(2,4) print ('原数组：') print (a) print ('\n') # 默认按行 print ('展开的数组：') print (a.flatten()) print ('\n') print ('以 F 风格顺序展开的数组：') print (a.flatten(order = 'F'))
输出结果如下：
原数组：
[[0 1 2 3] [4 5 6 7]] 展开的数组： [0 1 2 3 4 5 6 7] 以 F 风格顺序展开的数组： [0 4 1 5 2 6 3 7]
numpy.ravel
numpy.ravel() 展平的数组元素，顺序通常是"C风格"，返回的是数组视图（view，有点类似 C/C++引用reference的意味），修改会影响原始数组。
该函数接收两个参数：
numpy.ravel(a, order='C')
参数说明：
- order：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'K' -- 元素在内存中的出现顺序。
实例
import numpy as np a = np.arange(8).reshape(2,4) print ('原数组：') print (a) print ('\n') print ('调用 ravel 函数之后：') print (a.ravel()) print ('\n') print ('以 F 风格顺序调用 ravel 函数之后：') print (a.ravel(order = 'F'))
输出结果如下：
原数组：
[[0 1 2 3] [4 5 6 7]] 调用 ravel 函数之后： [0 1 2 3 4 5 6 7] 以 F 风格顺序调用 ravel 函数之后： [0 4 1 5 2 6 3 7]
翻转数组
| 函数 | 描述 |
|---|---|
transpose | 对换数组的维度 |
ndarray.T | 和 self.transpose() 相同 |
rollaxis | 向后滚动指定的轴 |
swapaxes | 对换数组的两个轴 |
numpy.transpose
numpy.transpose 函数用于对换数组的维度，格式如下：
numpy.transpose(arr, axes)
参数说明:
arr：要操作的数组axes：整数列表，对应维度，通常所有维度都会对换。
实例
import numpy as np a = np.arange(12).reshape(3,4) print ('原数组：') print (a ) print ('\n') print ('对换数组：') print (np.transpose(a))
输出结果如下：
原数组：
[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] 对换数组： [[ 0 4 8] [ 1 5 9] [ 2 6 10] [ 3 7 11]]
numpy.ndarray.T 类似 numpy.transpose：
实例
import numpy as np a = np.arange(12).reshape(3,4) print ('原数组：') print (a) print ('\n') print ('转置数组：') print (a.T)
输出结果如下：
原数组：
[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] 转置数组： [[ 0 4 8] [ 1 5 9] [ 2 6 10] [ 3 7 11]]
numpy.rollaxis
numpy.rollaxis 函数向后滚动特定的轴到一个特定位置，格式如下：
numpy.rollaxis(arr, axis, start)
参数说明：
arr：数组axis：要向后滚动的轴，其它轴的相对位置不会改变start：默认为零，表示完整的滚动。会滚动到特定位置。
实例
import numpy as np # 创建了三维的 ndarray a = np.arange(8).reshape(2,2,2) print ('原数组：') print (a) print ('\n') # 将轴 2 滚动到轴 0（宽度到深度） print ('调用 rollaxis 函数：') print (np.rollaxis(a,2)) # 将轴 0 滚动到轴 1：（宽度到高度） print ('\n') print ('调用 rollaxis 函数：') print (np.rollaxis(a,2,1))
输出结果如下：
原数组：
[[[0 1] [2 3]] [[4 5] [6 7]]] 调用 rollaxis 函数： [[[0 2] [4 6]] [[1 3] [5 7]]] 调用 rollaxis 函数： [[[0 2] [1 3]] [[4 6] [5 7]]]
numpy.swapaxes
numpy.swapaxes 函数用于交换数组的两个轴，格式如下：
numpy.swapaxes(arr, axis1, axis2)
arr：输入的数组axis1：对应第一个轴的整数axis2：对应第二个轴的整数
实例
import numpy as np # 创建了三维的 ndarray a = np.arange(8).reshape(2,2,2) print ('原数组：') print (a) print ('\n') # 现在交换轴 0（深度方向）到轴 2（宽度方向） print ('调用 swapaxes 函数后的数组：') print (np.swapaxes(a, 2, 0))
输出结果如下：
原数组：
[[[0 1] [2 3]] [[4 5] [6 7]]] 调用 swapaxes 函数后的数组： [[[0 4] [2 6]] [[1 5] [3 7]]]
修改数组维度
| 维度 | 描述 |
|---|---|
broadcast | 产生模仿广播的对象 |
broadcast_to | 将数组广播到新形状 |
expand_dims | 扩展数组的形状 |
squeeze | 从数组的形状中删除一维条目 |
numpy.broadcast
numpy.broadcast 用于模仿广播的对象，它返回一个对象，该对象封装了将一个数组广播到另一个数组的结果。
该函数使用两个数组作为输入参数，如下实例：
实例
import numpy as np x = np.array([[1], [2], [3]]) y = np.array([4, 5, 6]) # 对 y 广播 x b = np.broadcast(x,y) # 它拥有 iterator 属性，基于自身组件的迭代器元组 print ('对 y 广播 x：') r,c = b.iters # Python3.x 为 next(context) ，Python2.x 为 context.next() print (next(r), next(c)) print (next(r), next(c)) print ('\n') # shape 属性返回广播对象的形状 print ('广播对象的形状：') print (b.shape) print ('\n') # 手动使用 broadcast 将 x 与 y 相加 b = np.broadcast(x,y) c = np.empty(b.shape) print ('手动使用 broadcast 将 x 与 y 相加：') print (c.shape) print ('\n') c.flat = [u + v for (u,v) in b] print ('调用 flat 函数：') print (c) print ('\n') # 获得了和 NumPy 内建的广播支持相同的结果 print ('x 与 y 的和：') print