Numpy 数组基础操作--索引、组合、分割、复制、遍历、转换、序列化（四）

Numpy 数组基础操作

1.数组索引访问

#!/usr/bin/env python  # encoding: utf-8  import numpy as npb = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]],dtype=int)c = b[0,1]  #1行 第二个单元元素# 输出： 2d = b[:,1]  #所有行 第二个单元元素# 输出： [ 2  5  8 11]e = b[1,:]  #2行 所有单元元素# 输出： [4 5 6]f = b[1,1:]  #2行 第2个单元开始以后所有元素# 输出： [5 6]g = b[1,:2]  #2行 第1个单元开始到索引为2以前的所有元素# 输出： [4 5]

2.数组的组合（函数）

'''
# 组合函数
#创建两个测试数组
# arange 创建一个含有9个元素的一维
# reshape方法，可以创建一个改变了尺寸的新数组，原数组的shape保持不变：
# 在这里 reshape(3,3) 将生成一个 3个元素为一组的 3维数组 
'''

#创建两个测试数组a = np.arange(9).reshape(3,3)  ''' array([[0, 1, 2],             [3, 4, 5],             [6, 7, 8]])  '''b = 2 * a'''array([[ 0, 2, 4],         [ 6, 8, 10],         [12, 14, 16]])  '''

#水平组合

np.hstack((a, b)) '''array([[ 0, 1, 2, 0, 2, 4],         [ 3, 4, 5, 6, 8, 10],         [ 6, 7, 8, 12, 14, 16]]) '''#通过concatenate函数并指定相应的轴 (axis=1 水平，axis=0 垂直)con = np.concatenate((a, b), axis=1)'''array([[ 0, 1, 2, 0, 2, 4],         [ 3, 4, 5, 6, 8, 10],         [ 6, 7, 8, 12, 14, 16]])  '''

#垂直组合

np.vstack((a, b))'''array([[ 0, 1, 2],         [ 3, 4, 5],         [ 6, 7, 8],          [ 0, 2, 4],         [ 6, 8, 10],         [12, 14, 16]])  '''#或者使用concatenate con = np.concatenate((a, b), axis=0)

#深度组合 dstack(就是在数组的第三个轴（即深度）上组合,生成一个新的列表数组)

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

#行组合,行组合可将多个一维数组作为新数组的每一行进行组合
#对于2维数组，其作用就像垂直组合一样。

one = np.arange(2)'''array([0, 1])'''two = one + 2 '''array([2, 3])'''np.row_stack((one, two))'''array([[0, 1],         [2, 3]]) '''

#列组合(对于2维数组，其作用就像水平组合一样。)

np.column_stack((oned, twiceoned))  '''array([[0, 2],         [1, 3]])  '''

3.数组分割

在NumPy中，分割数组的函数有hsplit、vsplit、dsplit和split。可将数组分割成相同大小的子数组，或指定原数组分割的位置。

#水平分割

a = arange(9).reshape(3,3) '''array([[0, 1, 2],         [3, 4, 5],         [6, 7, 8]]) '''np.hsplit(a, 3) '''[array([[0],         [3],         [6]]),   array([[1],         [4],         [7]]),   array([[2],         [5],         [8]])] '''#方法二：用split函数并指定轴为1np.split(a, 3, axis=1)  

#垂直分割
#垂直分割是沿着垂直的轴切分数组：

np.vsplit(a, 3)  '''[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])] '''#方法二#solit函数并指定轴为1np.split(a, 3, axis=0)

#面向深度的分割
#dsplit函数使用的是面向深度的分割

c = arange(27).reshape(3, 3, 3)  '''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) '''[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.判断数组是否共享内存，也是用来直接判断数据是复制的还是镜像的

#方法一：a = np.arange(50)b = a.reshape((5, 10))print (b.base is a)#方法二：print (np.may_share_memory(a, b))#方法三：print (b.flags['OWNDATA'])  #False -- apparently this is a viewe = np.ravel(b[:, 2])print (e.flags['OWNDATA'])  #True -- Apparently this is a new numpy object.

5.数组复制和镜像( view )

1.)完全不复制 ,简单的赋值，而不复制数组对象或它们的数据。

a = np.arange(12)  b = a      #不创建新对象  b is a     # a和b是同一个数组对象的两个名字#  true    b.shape = 3,4    #也改变了a的形状 print a.shape'''(3, 4)'''

2.) view的用法 视图方法创造一个新的数组对象指向同一数据。

事实上，没有任何数据类型是固定的，主要取决于如何看待这片数据的内存区域。
在numpy.ndarray.view中，提供对内存区域不同的切割方式，来完成数据类型的转换，而无须要对数据进行额外的copy，来节约内存空间。

c = a.view()  c is a  # falsec.base is a      #c是a持有数据的镜像 #truec.shape = 2,6    # a的形状没变print(a.shape)  # (3, 4) c[0,4] = 1234        #a的数据改变了print  a'''array([[   0,    1,    2,    3],         [1234,    5,    6,    7],         [   8,    9,   10,   11]])'''

3.)切片数组返回它的一个视图

s = a[ : , 1:3]     # 获得每一行1，2处的元素s[:] = 10           # s[:] 是s的镜像。注意区别s=10 and s[:]=10 print a'''array([[   0,   10,   10,    3],         [1234,   10,   10,    7],         [   8,   10,   10,   11]])  '''

4.)深复制,这个复制方法完全复制数组和它的数据。

d = a.copy()       #创建了一个含有新数据的新数组对象d is a#Falsed.base is a        #d和a现在没有任何关系#False  d[0,0] = 9999print a'''array([[   0,   10,   10,    3],         [1234,   10,   10,    7],         [   8,   10,   10,   11]]) '''

5.）在图像处理中的应用

当需要对输入图像三个通道进行相同的处理时，使用cv2.split和cv2.merge是相当浪费资源的，因为任何一个通道的数据对处理来说都是一样的，我们可以用view来将其转换为一维矩阵后再做处理，这要不需要额外的内存开销和时间开销。

def createFlatView(array):      """Return a 1D view of an array of any dimensionality."""      flatView = array.view()      flatView.shape = array.size      return flatView  

5.数组遍历

a = np.arange(9).reshape(3,3) for row in a:  print row '''[0 1 2][3 4 5][6 7 8]'''#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：for element in a.flat:  print element'''0 1 2 3 4 5 6 7 8'''

6.数据类型转换

np.float64(42) # to float64#42.0np.int8(42.0)  # to int8#42np.bool(42)   # to bool#True  np.bool(42.0)  # to bool#True  np.float(True)  # to float#1.0 #函数的参数中可以指定参数的类型arange(7, dtype=uint16)      array([0, 1, 2, 3, 4, 5, 6], dtype=uint16)

6.数组序列化和反序列化

序列化是将对象状态转换为可保持或传输的形式的过程。序列化的补集是反序列化，后者将流转换为对象。这两个过程一起保证数据易于存储和传输。

python 提供pickle, cPickle 对象序列化/反序列化

这里使用numpy 提供的函数

#预定义数据栏位名称和类型  table = np.loadtxt('example.txt',dtype='names': ('ID', 'Result', 'Type'),\      'formats': ('S4', 'f4', 'i2'))  np.savetxt('somenewfile.txt')#序列化  #二进制文件加载，保存  data = np.empty((1000, 1000))  np.save('test.npy', data)  np.savez('test.npz', data)#采用压缩  newdata = np.load('test.npy')   

7.数组中最大值最小值

mat.max(0)#n维数组axis=0维度的最小值，最大值  mat.min(0)# 

参考和转载：

http://blog.csdn.net/sunny2038/article/details/8907736