Numpy 数组基础操作--索引、组合、分割、复制、遍历、转换、序列化(四)
来源:互联网 发布:.net网络爬虫 多线程 编辑:程序博客网 时间:2024/05/26 23:00
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
- Numpy 数组基础操作--索引、组合、分割、复制、遍历、转换、序列化(四)
- NumPy 数组组合分割
- python numpy操作数组学习笔记(二)数组的分割和组合
- NumPy(4)数组数学与基础操作与复制、排序
- 算法基础(四)---- 计算数组组合最大和
- numpy 数组索引
- Numpy-复制操作
- NumPy基础功能索引
- NumPy数组(2、数组的操作)
- NumPy数组(2、数组的操作)
- (基础十二)使用数组索引进行进制转换
- python系列四.1(numpy基础)
- JAVA课程学习四:遍历与复制数组
- python基础练习(二)—— 数据分析包numpy数组操作
- Numpy库数组基础(一)
- numpy数组切片与索引
- Numpy中的数组花式索引
- Numpy数组基础
- WCF REST 上传用户头像图片实例
- 微服务架构解析
- 抽象编程
- 健身资料
- WCF REST 根据请求距离,返回附近用户的实例
- Numpy 数组基础操作--索引、组合、分割、复制、遍历、转换、序列化(四)
- vimball
- Himi浅谈游戏开发de自学历程!(仅供参考)
- cocos2d 各种字体名称及其效果
- Nginx初步-1:架设Nginx服务器
- Nginx初步-2: 添加nginx-upload-module模块
- Matlab计算机视觉/图像处理工具箱推荐
- IOS学习笔记 运用Quartz 2D框架绘图理论基础(1)
- word转pdf 自动生成书签