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：

  1. 原始数组：
  2. [0 1 2 3 4 5 6 7]
  3.  
  4. 修改后的数组：
  5. [[0 1]
  6.  [2 3]
  7.  [4 5]
  8.  [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：

  1. 原始数组：
  2. [0 1 2]
  3. [3 4 5]
  4. [6 7 8]
  5. 迭代后的数组：
  6. 0
  7. 1
  8. 2
  9. 3
  10. 4
  11. 5
  12. 6
  13. 7
  14. 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：

  1. 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：

  1. 原数组：
  2. [[0 1 2 3]
  3.  [4 5 6 7]]
  4.  
  5. 展开的数组：
  6. [0 1 2 3 4 5 6 7]
  7.  
  8. 以 F 风格顺序展开的数组：
  9. [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：

  1. 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：

  1. 原数组：
  2. [[0 1 2 3]
  3.  [4 5 6 7]]
  4.  
  5. 调用 ravel 函数之后：
  6. [0 1 2 3 4 5 6 7]
  7.  
  8. 以 F 风格顺序调用 ravel 函数之后：
  9. [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：

  1. 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：

  1. 原数组：
  2. [[ 0  1  2  3]
  3.  [ 4  5  6  7]
  4.  [ 8  9 10 11]]
  5.  
  6. 对换数组：
  7. [[ 0  4  8]
  8.  [ 1  5  9]
  9.  [ 2  6 10]
  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：

  1. 原数组：
  2. [[ 0  1  2  3]
  3.  [ 4  5  6  7]
  4.  [ 8  9 10 11]]
  5.  
  6. 转置数组：
  7. [[ 0  4  8]
  8.  [ 1  5  9]
  9.  [ 2  6 10]
  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：

  1. 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：

  1. 原数组：
  2. [[[0 1]
  3.   [2 3]]
  4.  
  5.  [[4 5]
  6.   [6 7]]]
  7.  
  8. 调用 rollaxis 函数：
  9. [[[0 2]
  10.   [4 6]]
  11.  
  12.  [[1 3]
  13.   [5 7]]]
  14.  
  15. 调用 rollaxis 函数：
  16. [[[0 2]
  17.   [1 3]]
  18.  
  19.  [[4 6]
  20.   [5 7]]]

numpy.swapaxes

numpy.swapaxes 函数用于交换数组的两个轴，格式如下：

  1. 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：

  1. 原数组：
  2. [[[0 1]
  3.   [2 3]]
  4.  
  5.  [[4 5]
  6.   [6 7]]]
  7.  
  8. 调用 swapaxes 函数后的数组：
  9. [[[0 4]
  10.   [2 6]]
  11.  
  12.  [[1 5]
  13.   [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 (x + y)

输出结果为：

  1. 对 y 广播 x：
  2. 1 4
  3. 1 5
  4.  
  5. 广播对象的形状：
  6. (3, 3)
  7.  
  8. 手动使用 broadcast 将 x 与 y 相加：
  9. (3, 3)
  10.  
  11. 调用 flat 函数：
  12. [[5. 6. 7.]
  13.  [6. 7. 8.]
  14.  [7. 8. 9.]]
  15.  
  16. x 与 y 的和：
  17. [[5 6 7]
  18.  [6 7 8]
  19.  [7 8 9]]

numpy.broadcast_to

numpy.broadcast_to 函数将数组广播到新形状。它在原始数组上返回只读视图。 它通常不连续。 如果新形状不符合 NumPy 的广播规则，该函数可能会抛出ValueError。

  1. numpy.broadcast_to(array, shape, subok)

实例

import numpy as np a = np.arange(4).reshape(1,4) print ('原数组：') print (a) print ('\n') print ('调用 broadcast_to 函数之后：') print (np.broadcast_to(a,(4,4)))

输出结果为：

  1. 原数组：
  2. [[0 1 2 3]]
  3.  
  4. 调用 broadcast_to 函数之后：
  5. [[0 1 2 3]
  6.  [0 1 2 3]
  7.  [0 1 2 3]
  8.  [0 1 2 3]]

numpy.expand_dims

numpy.expand_dims 函数通过在指定位置插入新的轴来扩展数组形状，函数格式如下:

  1.  numpy.expand_dims(arr, axis)

参数说明：

  • arr：输入数组
  • axis：新轴插入的位置

实例

import numpy as np x = np.array(([1,2],[3,4])) print ('数组 x：') print (x) print ('\n') y = np.expand_dims(x, axis = 0) print ('数组 y：') print (y) print ('\n') print ('数组 x 和 y 的形状：') print (x.shape, y.shape) print ('\n') # 在位置 1 插入轴 y = np.expand_dims(x, axis = 1) print ('在位置 1 插入轴之后的数组 y：') print (y) print ('\n') print ('x.ndim 和 y.ndim：') print (x.ndim,y.ndim) print ('\n') print ('x.shape 和 y.shape：') print (x.shape, y.shape)

输出结果为：

  1. 数组 x：
  2. [[1 2]
  3.  [3 4]]
  4.  
  5. 数组 y：
  6. [[[1 2]
  7.   [3 4]]]
  8.  
  9. 数组 x 和 y 的形状：
  10. (2, 2) (1, 2, 2)
  11.  
  12. 在位置 1 插入轴之后的数组 y：
  13. [[[1 2]]
  14.  
  15.  [[3 4]]]
  16.  
  17. x.ndim 和 y.ndim：
  18. 2 3
  19.  
  20. x.shape 和 y.shape：
  21. (2, 2) (2, 1, 2)

numpy.squeeze

numpy.squeeze 函数从给定数组的形状中删除一维的条目，函数格式如下：

  1. numpy.squeeze(arr, axis)

参数说明：

  • arr：输入数组
  • axis：整数或整数元组，用于选择形状中一维条目的子集

实例

import numpy as np x = np.arange(9).reshape(1,3,3) print ('数组 x：') print (x) print ('\n') y = np.squeeze(x) print ('数组 y：') print (y) print ('\n') print ('数组 x 和 y 的形状：') print (x.shape, y.shape)

输出结果为：

  1. 数组 x：
  2. [[[0 1 2]
  3.   [3 4 5]
  4.   [6 7 8]]]
  5.  
  6. 数组 y：
  7. [[0 1 2]
  8.  [3 4 5]
  9.  [6 7 8]]
  10.  
  11. 数组 x 和 y 的形状：
  12. (1, 3, 3) (3, 3)

连接数组

函数 描述
concatenate 连接沿现有轴的数组序列
stack 沿着新的轴加入一系列数组。
hstack 水平堆叠序列中的数组（列方向）
vstack 竖直堆叠序列中的数组（行方向）

numpy.concatenate

numpy.concatenate 函数用于沿指定轴连接相同形状的两个或多个数组，格式如下：

  1. numpy.concatenate((a1, a2, ...), axis)

参数说明：

  • a1, a2, ...：相同类型的数组
  • axis：沿着它连接数组的轴，默认为 0

实例

import numpy as np a = np.array([[1,2],[3,4]]) print ('第一个数组：') print (a) print ('\n') b = np.array([[5,6],[7,8]]) print ('第二个数组：') print (b) print ('\n') # 两个数组的维度相同 print ('沿轴 0 连接两个数组：') print (np.concatenate((a,b))) print ('\n') print ('沿轴 1 连接两个数组：') print (np.concatenate((a,b),axis = 1))

输出结果为：

  1. 第一个数组：
  2. [[1 2]
  3.  [3 4]]
  4.  
  5. 第二个数组：
  6. [[5 6]
  7.  [7 8]]
  8.  
  9. 沿轴 0 连接两个数组：
  10. [[1 2]
  11.  [3 4]
  12.  [5 6]
  13.  [7 8]]
  14.  
  15. 沿轴 1 连接两个数组：
  16. [[1 2 5 6]
  17.  [3 4 7 8]]

numpy.stack

numpy.stack 函数用于沿新轴连接数组序列，格式如下：

  1. numpy.stack(arrays, axis)

参数说明：

  • arrays相同形状的数组序列
  • axis：返回数组中的轴，输入数组沿着它来堆叠

实例

import numpy as np a = np.array([[1,2],[3,4]]) print ('第一个数组：') print (a) print ('\n') b = np.array([[5,6],[7,8]]) print ('第二个数组：') print (b) print ('\n') print ('沿轴 0 堆叠两个数组：') print (np.stack((a,b),0)) print ('\n') print ('沿轴 1 堆叠两个数组：') print (np.stack((a,b),1))

输出结果如下：

  1. 第一个数组：
  2. [[1 2]
  3.  [3 4]]
  4.  
  5. 第二个数组：
  6. [[5 6]
  7.  [7 8]]
  8.  
  9. 沿轴 0 堆叠两个数组：
  10. [[[1 2]
  11.   [3 4]]
  12.  
  13.  [[5 6]
  14.   [7 8]]]
  15.  
  16. 沿轴 1 堆叠两个数组：
  17. [[[1 2]
  18.   [5 6]]
  19.  
  20.  [[3 4]
  21.   [7 8]]]

numpy.hstack

numpy.hstack 是 numpy.stack 函数的变体，它通过水平堆叠来生成数组。

实例

import numpy as np a = np.array([[1,2],[3,4]]) print ('第一个数组：') print (a) print ('\n') b = np.array([[5,6],[7,8]]) print ('第二个数组：') print (b) print ('\n') print ('水平堆叠：') c = np.hstack((a,b)) print (c) print ('\n')

输出结果如下：

  1. 第一个数组：
  2. [[1 2]
  3.  [3 4]]
  4.  
  5. 第二个数组：
  6. [[5 6]
  7.  [7 8]]
  8.  
  9. 水平堆叠：
  10. [[1 2 5 6]
  11.  [3 4 7 8]]

numpy.vstack

numpy.vstack 是 numpy.stack 函数的变体，它通过垂直堆叠来生成数组。

实例

import numpy as np a = np.array([[1,2],[3,4]]) print ('第一个数组：') print (a) print ('\n') b = np.array([[5,6],[7,8]]) print ('第二个数组：') print (b) print ('\n') print ('竖直堆叠：') c = np.vstack((a,b)) print (c)

输出结果为：

  1. 第一个数组：
  2. [[1 2]
  3.  [3 4]]
  4.  
  5. 第二个数组：
  6. [[5 6]
  7.  [7 8]]
  8.  
  9. 竖直堆叠：
  10. [[1 2]
  11.  [3 4]
  12.  [5 6]
  13.  [7 8]]

分割数组

函数 数组及操作
split 将一个数组分割为多个子数组
hsplit 将一个数组水平分割为多个子数组（按列）
vsplit 将一个数组垂直分割为多个子数组（按行）

numpy.split

numpy.split 函数沿特定的轴将数组分割为子数组，格式如下：

  1. numpy.split(ary, indices_or_sections, axis)

参数说明：

  • ary：被分割的数组
  • indices_or_sections：果是一个整数，就用该数平均切分，如果是一个数组，为沿轴切分的位置（左开右闭）
  • axis：沿着哪个维度进行切向，默认为0，横向切分。为1时，纵向切分

实例

import numpy as np a = np.arange(9) print ('第一个数组：') print (a) print ('\n') print ('将数组分为三个大小相等的子数组：') b = np.split(a,3) print (b) print ('\n') print ('将数组在一维数组中表明的位置分割：') b = np.split(a,[4,7]) print (b)

输出结果为：

  1. 第一个数组：
  2. [0 1 2 3 4 5 6 7 8]
  3.  
  4. 将数组分为三个大小相等的子数组：
  5. [array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])]
  6.  
  7. 将数组在一维数组中表明的位置分割：
  8. [array([0, 1, 2, 3]), array([4, 5, 6]), array([7, 8])]

numpy.hsplit

numpy.hsplit 函数用于水平分割数组，通过指定要返回的相同形状的数组数量来拆分原数组。

实例

import numpy as np harr = np.floor(10 * np.random.random((2, 6))) print ('原array：') print(harr) print ('拆分后：') print(np.hsplit(harr, 3))

输出结果为：

  1. 原array：
  2. [[4. 7. 6. 3. 2. 6.]
  3.  [6. 3. 6. 7. 9. 7.]]
  4. 拆分后：
  5. [array([[4., 7.],
  6.        [6., 3.]]), array([[6., 3.],
  7.        [6., 7.]]), array([[2., 6.],
  8.        [9., 7.]])]

numpy.vsplit

numpy.vsplit 沿着垂直轴分割，其分割方式与hsplit用法相同。

实例

import numpy as np a = np.arange(16).reshape(4,4) print ('第一个数组：') print (a) print ('\n') print ('竖直分割：') b = np.vsplit(a,2) print (b)

输出结果为：

  1. 第一个数组：
  2. [[ 0  1  2  3]
  3.  [ 4  5  6  7]
  4.  [ 8  9 10 11]
  5.  [12 13 14 15]]
  6.  
  7. 竖直分割：
  8. [array([[0, 1, 2, 3],
  9.        [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],
  10.        [12, 13, 14, 15]])]

数组元素的添加与删除

函数 元素及描述
resize 返回指定形状的新数组
append 将值添加到数组末尾
insert 沿指定轴将值插入到指定下标之前
delete 删掉某个轴的子数组，并返回删除后的新数组
unique 查找数组内的唯一元素

numpy.resize

numpy.resize 函数返回指定大小的新数组。

如果新数组大小大于原始大小，则包含原始数组中的元素的副本。

  1. numpy.resize(arr, shape)

参数说明：

  • arr：要修改大小的数组
  • shape：返回数组的新形状

实例

import numpy as np a = np.array([[1,2,3],[4,5,6]]) print ('第一个数组：') print (a) print ('\n') print ('第一个数组的形状：') print (a.shape) print ('\n') b = np.resize(a, (3,2)) print ('第二个数组：') print (b) print ('\n') print ('第二个数组的形状：') print (b.shape) print ('\n') # 要注意 a 的第一行在 b 中重复出现，因为尺寸变大了 print ('修改第二个数组的大小：') b = np.resize(a,(3,3)) print (b)

输出结果为：

  1. 第一个数组：
  2. [[1 2 3]
  3.  [4 5 6]]
  4.  
  5. 第一个数组的形状：
  6. (2, 3)
  7.  
  8. 第二个数组：
  9. [[1 2]
  10.  [3 4]
  11.  [5 6]]
  12.  
  13. 第二个数组的形状：
  14. (3, 2)
  15.  
  16. 修改第二个数组的大小：
  17. [[1 2 3]
  18.  [4 5 6]
  19.  [1 2 3]]

numpy.append

numpy.append 函数在数组的末尾添加值。 追加操作会分配整个数组，并把原来的数组复制到新数组中。 此外，输入数组的维度必须匹配否则将生成ValueError。

append 函数返回的始终是一个一维数组。

  1. numpy.append(arr, values, axis=None)

参数说明：

  • arr：输入数组
  • values：要向arr添加的值，需要和arr形状相同（除了要添加的轴）
  • axis：默认为 None。当axis无定义时，是横向加成，返回总是为一维数组！当axis有定义的时候，分别为0和1的时候。当axis有定义的时候，分别为0和1的时候（列数要相同）。当axis为1时，数组是加在右边（行数要相同）。

实例

import numpy as np a = np.array([[1,2,3],[4,5,6]]) print ('第一个数组：') print (a) print ('\n') print ('向数组添加元素：') print (np.append(a, [7,8,9])) print ('\n') print ('沿轴 0 添加元素：') print (np.append(a, [[7,8,9]],axis = 0)) print ('\n') print ('沿轴 1 添加元素：') print (np.append(a, [[5,5,5],[7,8,9]],axis = 1))

输出结果为：

  1. 第一个数组：
  2. [[1 2 3]
  3.  [4 5 6]]
  4.  
  5. 向数组添加元素：
  6. [1 2 3 4 5 6 7 8 9]
  7.  
  8. 沿轴 0 添加元素：
  9. [[1 2 3]
  10.  [4 5 6]
  11.  [7 8 9]]
  12.  
  13. 沿轴 1 添加元素：
  14. [[1 2 3 5 5 5]
  15.  [4 5 6 7 8 9]]

numpy.insert

numpy.insert 函数在给定索引之前，沿给定轴在输入数组中插入值。

如果值的类型转换为要插入，则它与输入数组不同。 插入没有原地的，函数会返回一个新数组。 此外，如果未提供轴，则输入数组会被展开。

  1. numpy.insert(arr, obj, values, axis)

参数说明：

  • arr：输入数组
  • obj：在其之前插入值的索引
  • values：要插入的值
  • axis：沿着它插入的轴，如果未提供，则输入数组会被展开

实例

import numpy as np a = np.array([[1,2],[3,4],[5,6]]) print ('第一个数组：') print (a) print ('\n') print ('未传递 Axis 参数。 在插入之前输入数组会被展开。') print (np.insert(a,3,[11,12])) print ('\n') print ('传递了 Axis 参数。 会广播值数组来配输入数组。') print ('沿轴 0 广播：') print (np.insert(a,1,[11],axis = 0)) print ('\n') print ('沿轴 1 广播：') print (np.insert(a,1,11,axis = 1))

输出结果如下：

  1. 第一个数组：
  2. [[1 2]
  3.  [3 4]
  4.  [5 6]]
  5.  
  6. 未传递 Axis 参数。 在插入之前输入数组会被展开。
  7. [ 1  2  3 11 12  4  5  6]
  8.  
  9. 传递了 Axis 参数。 会广播值数组来配输入数组。
  10. 沿轴 0 广播：
  11. [[ 1  2]
  12.  [11 11]
  13.  [ 3  4]
  14.  [ 5  6]]
  15.  
  16. 沿轴 1 广播：
  17. [[ 1 11  2]
  18.  [ 3 11  4]
  19.  [ 5 11  6]]

numpy.delete

numpy.delete 函数返回从输入数组中删除指定子数组的新数组。 与 insert() 函数的情况一样，如果未提供轴参数，则输入数组将展开。

  1. Numpy.delete(arr, obj, axis)

参数说明：

  • arr：输入数组
  • obj：可以被切片，整数或者整数数组，表明要从输入数组删除的子数组
  • axis：沿着它删除给定子数组的轴，如果未提供，则输入数组会被展开

实例

import numpy as np a = np.arange(12).reshape(3,4) print ('第一个数组：') print (a) print ('\n') print ('未传递 Axis 参数。 在插入之前输入数组会被展开。') print (np.delete(a,5)) print ('\n') print ('删除第二列：') print (np.delete(a,1,axis = 1)) print ('\n') print ('包含从数组中删除的替代值的切片：') a = np.array([1,2,3,4,5,6,7,8,9,10]) print (np.delete(a, np.s_[::2]))

输出结果为：

  1. 第一个数组：
  2. [[ 0  1  2  3]
  3.  [ 4  5  6  7]
  4.  [ 8  9 10 11]]
  5.  
  6. 未传递 Axis 参数。 在插入之前输入数组会被展开。
  7. [ 0  1  2  3  4  6  7  8  9 10 11]
  8.  
  9. 删除第二列：
  10. [[ 0  2  3]
  11.  [ 4  6  7]
  12.  [ 8 10 11]]
  13.  
  14. 包含从数组中删除的替代值的切片：
  15. [ 2  4  6  8 10]

numpy.unique

numpy.unique 函数用于去除数组中的重复元素。

  1. numpy.unique(arr, return_index, return_inverse, return_counts)
  • arr：输入数组，如果不是一维数组则会展开
  • return_index：如果为true，返回新列表元素在旧列表中的位置（下标），并以列表形式储
  • return_inverse：如果为true，返回旧列表元素在新列表中的位置（下标），并以列表形式储
  • return_counts：如果为true，返回去重数组中的元素在原数组中的出现次数

实例

import numpy as np a = np.array([5,2,6,2,7,5,6,8,2,9]) print ('第一个数组：') print (a) print ('\n') print ('第一个数组的去重值：') u = np.unique(a) print (u) print ('\n') print ('去重数组的索引数组：') u,indices = np.unique(a, return_index = True) print (indices) print ('\n') print ('我们可以看到每个和原数组下标对应的数值：') print (a) print ('\n') print ('去重数组的下标：') u,indices = np.unique(a,return_inverse = True) print (u) print ('\n') print ('下标为：') print (indices) print ('\n') print ('使用下标重构原数组：') print (u[indices]) print ('\n') print ('返回去重元素的重复数量：') u,indices = np.unique(a,return_counts = True) print (u) print (indices)

输出结果为：

  1. 第一个数组：
  2. [5 2 6 2 7 5 6 8 2 9]
  3.  
  4. 第一个数组的去重值：
  5. [2 5 6 7 8 9]
  6.  
  7. 去重数组的索引数组：
  8. [1 0 2 4 7 9]
  9.  
  10. 我们可以看到每个和原数组下标对应的数值：
  11. [5 2 6 2 7 5 6 8 2 9]
  12.  
  13. 去重数组的下标：
  14. [2 5 6 7 8 9]
  15.  
  16. 下标为：
  17. [1 0 2 0 3 1 2 4 0 5]
  18.  
  19. 使用下标重构原数组：
  20. [5 2 6 2 7 5 6 8 2 9]
  21.  
  22. 返回去重元素的重复数量：
  23. [2 5 6 7 8 9]
  24. [3 2 2 1 1 1]

Numpy 数组操作的更多相关文章

  1. Numpy数组操作

    """ Numpy 数组操作 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 ...

  2. Python+OpenCV图像处理（三）—— Numpy数组操作图片

    一.改变图片每个像素点每个通道的灰度值 (一) 代码如下: #遍历访问图片每个像素点,并修改相应的RGB import cv2 as cv def access_pixels(image): prin ...

  3. 9、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: (1)修改数组形状 (2)翻转数组 (3)修改数组维度 (4)连接数组 (5)分割数组 (6)数组元素的添加与删除 1.修改数组形状 函 ...

  4. 吴裕雄--天生自然Numpy库学习笔记：Numpy 数组操作

    import numpy as np a = np.arange(8) print ('原始数组:') print (a) print ('\n') b = a.reshape(4,2) print ...

  5. python numpy数组操作2

    数组的四则运算 在numpy模块中,实现四则运算的计算既可以使用运算符号,也可以使用函数,具体如下例所示: #加法运算 import numpy as npmath = np.array([98,83 ...

  6. python numpy数组操作

    数组的创建 import numpy as np arr1 = np.array([3,10,8,7,34,11,28,72]) arr2 = np.array(((8.5,6,4.1,2,0.7), ...

  7. 初探numpy——广播和数组操作函数

    numpy广播(Broadcast) 若数组a,b形状相同,即a.shape==b.shape,那么a+b,a*b的结果就是对应数位的运算 import numpy as np a=np.array( ...

  8. numpy数组的操作

    numpy - 介绍.基本数据类型.多维数组ndarray及其内建函数 http://blog.csdn.net/pipisorry/article/details/22107553 http://w ...

  9. Numpy数组对象的操作-索引机制、切片和迭代方法

    前几篇博文我写了数组创建和数据运算,现在我们就来看一下数组对象的操作方法.使用索引和切片的方法选择元素,还有如何数组的迭代方法. 一.索引机制 1.一维数组 In [1]: a = np.arange ...

随机推荐

  1. 解决Java Web项目中Word、Excel等二进制文件编译后无法打开的问题

    今天写新项目的时候遇到一个问题,在resources目录下存储的.xlsx文件,编译过后会增大几kb,无法打开. Google了一番之后,发现问题源自于maven-resources-plugin这个 ...

  2. VS2015 编译前/后拷贝文件到指定目录

    项目属性 —> Build Events —>Pre-build / Post-build event command line 中: Copy 源路径 目标路径(将路径用 " ...

  3. day03-数据类型

    数据类型 一.介绍 存储引擎决定了表的类型,而表内存放的数据也要有不同的类型,每种数据类型都有自己的宽度,但宽度是可选的 mysql常用数据类型概括:#1. 数字: 整型:tinyint.int.bi ...

  4. JAVA_Class.forName

    Class.forName(xxx.xx.xx) 返回的是一个类 ,作用是要求JVM查找并加载指定的类,也就是说JVM会执行该类的静态代码段 --------- 首先,在java里面任何class都要 ...

  5. 为什么java实体类需要重写toString方法

    如果没重写toString的情况: Object 类的 toString 方法 返回一个字符串,该字符串由类名(对象是该类的一个实例).at 标记符“@”和此对象哈希码的无符号十六进制表示组成.换句话 ...

  6. C# 2018.9.17

    C#的优点:1,不会有运行时崩溃,解决了C++的痛点一,难预防,难查错2,使用文件不需要包含进来,只需要using namespace即可,解决了C++的痛点二,包含复杂,路径复杂,编译复杂3,编译速 ...

  7. Spring事务异常rollback-only

    转自:https://blog.csdn.net/sgls652709/article/details/49472719 前言 在利用单元测试验证spring事务传播机制的时候出现了下面的异常: Tr ...

  8. Python中os模块使用方法

    os模块提供了对系统环境.文件.目录等操作系统级的接口函数.本文主要描述os模块和os.path模块常用函数以及常用实例. os模块函数 os.getcwd() 获取当前工作的目录. os.listd ...

  9. indexOf实现引申出来的各种字符串匹配算法

    我们在表单验证时,经常遇到字符串的包含问题,比如说邮件必须包含indexOf.我们现在说一下indexOf.这是es3.1引进的API ,与lastIndexOf是一套的.可以用于字符串与数组中.一些 ...

  10. 29.Spring-基础.md

    目录 1.目的和作用 [toc] 2.概念 2.1框架的设计 2.2控制反转 2.3AOP [toc] 3. 3.1Spring六大模块 [toc] 1.目的和作用 解决对象的创建和以及对象依赖关系的 ...