Numpy 学习指南 学习笔记（一）

1. 数值的组合

Numpy 数组有水平组合、垂直组合和深度组合等多种组合方式，我们将使用vstack、dstack、hstack、column_stack、row_stack以及concatenate函数来完成数组的组合。

实践如下：

   （1） 水平组合  将ndarray对象构成的元组作为参数，传给hstack函数。如下所示：

 

a = np.arange(9).reshape(3, 3)aOut[65]: array([[0, 1, 2],       [3, 4, 5],       [6, 7, 8]])b =  2 * abOut[67]: array([[ 0,  2,  4],       [ 6,  8, 10],       [12, 14, 16]])np.hstack((a, b))Out[68]: array([[ 0,  1,  2,  0,  2,  4],       [ 3,  4,  5,  6,  8, 10],       [ 6,  7,  8, 12, 14, 16]])

使用concatenate 函数可以实现同样的效果，原理如图：

np.concatenate((a, b), axis = 1)Out[69]: array([[ 0,  1,  2,  0,  2,  4],       [ 3,  4,  5,  6,  8, 10],       [ 6,  7,  8, 12, 14, 16]])

 （2） 垂直组合  垂直组合同样需要构造一个元组作为参数，需要用到vstack。

np.vstack((a, b))Out[70]: array([[ 0,  1,  2],       [ 3,  4,  5],       [ 6,  7,  8],       [ 0,  2,  4],       [ 6,  8, 10],       [12, 14, 16]])np.concatenate((a, b), axis = 0)Out[71]: array([[ 0,  1,  2],       [ 3,  4,  5],       [ 6,  7,  8],       [ 0,  2,  4],       [ 6,  8, 10],       [12, 14, 16]])

同样将concatenate函数的axis参数设置为0即可实现同样的效果。（axis参数默认值为0）

  （3） 深度组合 将相同元组作为参数传给 dstack函数，即可完成数组的深度组合。所谓深度组合，就是将一系列数组沿着纵轴（深度）方向进行层叠组合。

举个例子，有若干张二维平面内的图像点阵数据，我们可以将这些图像数据沿纵轴方向层叠在一起，这就形象地解释了什么是深度组合。

np.dstack((a, b))Out[72]: array([[[ 0,  0],        [ 1,  2],        [ 2,  4]],       [[ 3,  6],        [ 4,  8],        [ 5, 10]],       [[ 6, 12],        [ 7, 14],        [ 8, 16]]])

  （4） 列组合 column_stack 函数对于一维数组将按列方向进行组合，如下所示：

oned = np.arange(2)oned Out[74]: array([0, 1])twice_oned = 2 * onedtwice_onedOut[76]: array([0, 2])np.column_stack((oned, twice_oned))Out[77]: array([[0, 0],       [1, 2]])

而对于二维数组，column_stack 与 hstack 效果是相同的：

np.column_stack((a, b)) Out[78]: array([[ 0,  1,  2,  0,  2,  4],       [ 3,  4,  5,  6,  8, 10],       [ 6,  7,  8, 12, 14, 16]])np.column_stack((a, b)) == np.hstack((a, b))Out[79]: array([[ True,  True,  True,  True,  True,  True],       [ True,  True,  True,  True,  True,  True],       [ True,  True,  True,  True,  True,  True]], dtype=bool)

可以用 == 运算符来比较两个NumPy 数组。

   （5） 行组合  Numpy 中有按行方向进行组合的函数，即 row_stack。对于两个以为数组，将直接层叠起来组合成一个二维数组。

np.row_stack((oned, twice_oned))Out[80]: array([[0, 1],       [0, 2]])

对于二维数组，row_stack 与vstack 的效果是相同的：

np.row_stack((a, b)) Out[81]: array([[ 0,  1,  2],       [ 3,  4,  5],       [ 6,  7,  8],       [ 0,  2,  4],       [ 6,  8, 10],       [12, 14, 16]])np.row_stack((a, b)) == np.vstack((a, b))Out[82]: array([[ True,  True,  True],       [ True,  True,  True],       [ True,  True,  True],       [ True,  True,  True],       [ True,  True,  True],       [ True,  True,  True]], dtype=bool)

2 数组的维数切换

import numpy as npb = np.arange(24).reshape(2,3,4)bOut[12]: 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]]])

(1) ravel  可以使用ravel 函数完成 展平的操作：

c = b.ravel()cOut[15]: 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])

（2） flatten 这个函数恰如其名，flatten就是展平的意思，与ravel函数的功能相同。

不过，flatten函数会请求分配内存来保存结果，而ravel函数只是返回数组的一个视图（view):

import numpy as npb = np.arange(24).reshape(2,3,4)bOut[5]: 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.flatten()Out[6]: 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])

3.  数组的分割

   （1） 水平分割  函数 hsplit，或使用split函数指定 参数 axis = 1, 操作如下：

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

 array([[1],        [4],        [7]]), 

 array([[2],        [5],        [8]])]

np.split(a, 3, axis = 1)Out[10]: [array([[0],        [3],        [6]]), array([[1],        [4],        [7]]), array([[2],        [5],        [8]])]

（2） 垂直分割 vsplit 函数将把数组沿着垂直方向分割：

np.vsplit(a, 3)Out[11]: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]np.split(a, 3, axis = 0)Out[12]: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

   （3） 深度分割  dsplit 函数将按深度方向分割数组。实例如下:

c = np.arange(27).reshape(3,3,3)cOut[17]: 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],        [24, 25, 26]]])np.dsplit(c, 3)Out[18]: [array([[[ 0],         [ 3],         [ 6]],         [[ 9],         [12],         [15]],         [[18],         [21],         [24]]]), array([[[ 1],         [ 4],         [ 7]],         [[10],         [13],         [16]],         [[19],         [22],         [25]]]), array([[[ 2],         [ 5],         [ 8]],         [[11],         [14],         [17]],         [[20],         [23],         [26]]])]

4.  数组的属性

除了 shape 和dtype 属性以外，ndarray 还有很多其他的属性：

   4.1 ndim 属性， 给出数组的维数，或数组轴的个数：

b = np.arange(24).reshape(2,3,4)bOut[25]: 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.ndimOut[26]: 3b.reshape(2,12).ndimOut[27]: 2b.reshape(4,6).ndimOut[28]: 2b.flatten().ndimOut[29]: 1

   4.2 size 属性，给出数组元素的总个数，如下所示：

b.sizeOut[30]: 24

   4.3 itemsize属性，给出数组中的元素在内存中所占的字节数：

b.itemsizeOut[31]: 4

 

   4.4   nbytes 属性查看整个数组所占的存储空间，这个属性值其实就是itemsize 和size 属性值的乘积：

b.nbytesOut[32]: 96

   4.5  T属性的效果和transpose函数一样，如下所示：

b.resize(6,4)bOut[34]: 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.TOut[35]: array([[ 0,  4,  8, 12, 16, 20],       [ 1,  5,  9, 13, 17, 21],       [ 2,  6, 10, 14, 18, 22],       [ 3,  7, 11, 15, 19, 23]])b.transpose()Out[36]: array([[ 0,  4,  8, 12, 16, 20],       [ 1,  5,  9, 13, 17, 21],       [ 2,  6, 10, 14, 18, 22],       [ 3,  7, 11, 15, 19, 23]])

   4.6  Numpy 中，复数的虚部用j 表示 ：

b = np.array([1.j + 1, 2.j + 3])bOut[46]: array([ 1.+1.j,  3.+2.j])b.realOut[47]: array([ 1.,  3.])b.imagOut[48]: array([ 1.,  2.])b.dtypeOut[49]: dtype('complex128')

   4.7 flat属性返回一个numpy.flatiter对象，这是获得flatiter对象的唯一方式 -- ---我们无法访问flatiter的构造函数。这个所谓的“扁平迭代器”可让我们像遍历一维数组一样去遍历任意多维数组，如下所示：

b = np.arange(4).reshape(2, 2)bOut[52]: array([[0, 1],       [2, 3]])f = b.flatfOut[54]: <numpy.flatiter at 0x46901b0>for item in f: print item0123b.flat[2]Out[56]: 2b.flat[[1, 3]]Out[57]: array([1, 3])b.flat = 7bOut[59]: array([[7, 7],       [7, 7]])

flat属性是一个可赋值的属性。对flat属性赋值将导致整个数组元素都被覆盖。

5. 数组的转换

    可以使用tolist 函数将NumPy数组转换成Python列表。

    5.1 转换成列表：

b = np.array([1.j + 1, 2.j + 3])bOut[61]: array([ 1.+1.j,  3.+2.j])b.tolist()Out[62]: [(1+1j), (3+2j)]

  

   5.2 astype函数可以在转换数组时指定数据类型：

b.astype(int)C:\Anaconda2\lib\site-packages\spyderlib\widgets\externalshell\start_ipython_kernel.py:1: ComplexWarning: Casting complex values to real discards the imaginary part  # -*- coding: utf-8 -*-Out[63]: array([1, 3])