numpy基础——ndarray对象方法

上一篇主要介绍了ndarray对象的一些基本属性以及创建ndarray对象的一些非常常用的方法。接下来主要介绍ndarray对象比较常用的对象方法。需要注意的是，以下ndarray对象方法也是numpy中的函数：all, any, argmax, argmin, argpartition, argsort, choose, clip, compress, copy, cumprod, cumsum, diagonal, imag, max, mean, min, nonzero, partition, prod, ptp, put, ravel, real, repeat, reshape, round, searchsorted, sort, squeeze, std, sum, swapaxes, take, trace, transpose, var。

1 数组转换方法

常用方法 功能 ndarray.item(*args) 复制数组中的一个元素，并返回 ndarray.tolist() 将数组转换成python标准list ndarray.itemset(*args) 修改数组中某个元素的值 ndarray.tostring([order]) 构建一个包含ndarray的原始字节数据的字节字符串 ndarray.tobytes([order]) 功能同tostring ndarray.byteswap(inplace) 将ndarray中每个元素中的字节进行大小端转换 ndarray.copy([order]) 复制数组并返回（深拷贝） ndarray.fill(value) 使用值value填充数组

示例：

>>> a = np.random.randint(12, size=(3,4))>>> aarray([[11,  1,  0, 11],       [11,  0,  4,  6],       [ 0,  1,  6,  7]])>>> a.item(7)      #获取第7个元素6>>> a.item((1, 2))    #获取元组对应的元素4>>> a.itemset(7, 111)    #设置元素>>> aarray([[ 11,   1,   0,  11],       [ 11,   0,   4, 111],       [  0,   1,   6,   7]])>>> a.itemset((1, 2), 12)>>> aarray([[ 11,   1,   0,  11],       [ 11,   0,  12, 111],       [  0,   1,   6,   7]])>>> a.tolist()      #返回python标准列表，[[11, 1, 0, 11], [11, 0, 4, 6], [0, 1, 6, 7]]>>> a.tostring()'\x0b\x00\x00\x00\x00\x00\x00\x00\x01\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x0b\x00\x00\x00\x00\x00\x00\x00\x0b\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x04\x00\x00\x00\x00\x00\x00\x00\x06\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x01\x00\x00\x00\x00\x00\x00\x00\x06\x00\x00\x00\x00\x00\x00\x00\x07\x00\x00\x00\x00\x00\x00\x00'>>> b = a.copy()      #深拷贝，b与a是两个无关的数组>>> b[0,0] = 10>>> barray([[10,  1,  0, 11],       [11,  0,  4,  6],       [ 0,  1,  6,  7]])>>> aarray([[11,  1,  0, 11],       [11,  0,  4,  6],       [ 0,  1,  6,  7]])>>> b.fill(9)>>> barray([[9, 9, 9, 9],       [9, 9, 9, 9],       [9, 9, 9, 9]])>>> a.byteswap()      #元素大小端转换，a不变array([[ 792633534417207296,   72057594037927936,                   0,         792633534417207296],       [ 792633534417207296,                   0,  864691128455135232,        7998392938210000896],       [                  0,   72057594037927936,  432345564227567616,         504403158265495552]])>>> aarray([[ 11,   1,   0,  11],       [ 11,   0,  12, 111],       [  0,   1,   6,   7]])>>> a.byteswap(True)    #原地转换，a被修改array([[ 792633534417207296,   72057594037927936,                   0,         792633534417207296],       [ 792633534417207296,                   0,  864691128455135232,        7998392938210000896],       [                  0,   72057594037927936,  432345564227567616,         504403158265495552]])>>> aarray([[ 792633534417207296,   72057594037927936,                   0,         792633534417207296],       [ 792633534417207296,                   0,  864691128455135232,        7998392938210000896],       [                  0,   72057594037927936,  432345564227567616,         504403158265495552]])

如下几个方法：ndarray.tofile, ndarray.dump, ndarray.dumps, ndarray.astype, ndarray.view, ndarray.getfield, ndarray.setflags,还没有用过，暂时不对其进行详细介绍，等用到了在补充。关于这些方法的详细介绍可以查阅numpy的官方文档。

2 形状操作

常用方法 功能 ndarray.reshape(shape[,order]) 返回一个具有相同数据域，但shape不一样的视图 ndarray.resize(new_shape[,orefcheck]) 原地修改数组的形状（需要保持元素个数前后相同） ndarray.transpose(*axes) 返回数组针对某一轴进行转置的视图 ndarray.swapaxes(axis1, asix2) 返回数组axis1轴与axis2轴互换的视图 ndarray.flatten([order]) 返回将原数组压缩成一维数组的拷贝（全新的数组） ndarray.ravel([order]) 返回将原数组压缩成一维数组的视图 ndarray.squeeze([axis]) 返回将原数组中的shape中axis==1的轴移除之后的视图

注意事项！！！
上述方法中，除resize、flatten外其他的方法返回的都是原数组修改shape或者axes之后的视图，也就是说，对返回数组中的元素进行修改，原数组中对应的元素也会被修改（因为它们是公用同一个数据域的）。同时，resize方法会修改原数组的shape属性，其他方法不会修改原数组任何内部数据。
示例：

>>> x = np.arange(0,12)>>> xarray([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])>>> x_reshape = x.reshape((3,4))>>> x_reshapearray([[ 0,  1,  2,  3],       [ 4,  5,  6,  7],       [ 8,  9, 10, 11]])>>> x_reshape[0,0] = 10    #修改返回数组的元素，直接影响原数组中的元素值（数据域是相同的）>>> xarray([10,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])>>> x[0,0] = 0 >>> x.resize((3,4))    #resize没有返回值，会直接修改数组的shape，如下所示>>> xarray([[10,  1,  2,  3],       [ 4,  5,  6,  7],       [ 8,  9, 10, 11]])>>> x_transpose = x.transpose()  #对于二维数组，返回数组的转置>>> x_transposearray([[ 0,  4,  8],       [ 1,  5,  9],       [ 2,  6, 10],       [ 3,  7, 11]])>>> x.resize(2,2,3)>>> xarray([[[ 0,  1,  2],        [ 3,  4,  5]],       [[ 6,  7,  8],        [ 9, 10, 11]]])>>> x.swapaxes(0,2)  #本质上还是修改strides以及shapearray([[[ 0,  6],        [ 3,  9]],       [[ 1,  7],        [ 4, 10]],       [[ 2,  8],        [ 5, 11]]])>>> x.swapaxes(0,2).strides  #互换strides中第0、2位置上的数值(8, 24, 48)>>> x.strides(48, 24, 8)>>> xarray([[[ 0,  1,  2],        [ 3,  4,  5]],       [[ 6,  7,  8],        [ 9, 10, 11]]])>>> y = x.flatten()  #返回一个全新的数组>>> yarray([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])>>> y[0] = 100>>> yarray([100,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11])>>> x  #修改y中元素的值，不影响x中的元素array([[[ 0,  1,  2],        [ 3,  4,  5]],       [[ 6,  7,  8],        [ 9, 10, 11]]])>>> x_ravel = x.ravel()  #与flatten类似，但是返回的是原数组的视图，数据域是相同的>>> x_ravelarray([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])>>> x.resize((1,2,2,3,1))>>> xarray([[[[[ 0],          [ 1],          [ 2]],         [[ 3],          [ 4],          [ 5]]],        [[[ 6],          [ 7],          [ 8]],         [[ 9],          [10],          [11]]]]])>>> x.squeeze()  #移除shape中值为1的项array([[[ 0,  1,  2],        [ 3,  4,  5]],       [[ 6,  7,  8],        [ 9, 10, 11]]])>>> x.shape(1, 2, 2, 3, 1)>>> x.squeeze().shape(2, 2, 3)

tips： transpose
1. transpose的本质是按照参数axes修改了strides以及shape属性（自己的理解）：
1）提供axes，按照axes中提供的各个轴的新位置调整strides属性中对应位置上的值
2）不提供axes，取原strides的对称形式作为返回数组的strides属性
3）shape属性也是按照上述方式修改
示例：

>>> x  #先看二维的情形array([[ 0,  1,  2,  3],       [ 4,  5,  6,  7],       [ 8,  9, 10, 11]])>>> x.transpose()  #不提供axes，等同于x.transpose((1, 0))array([[ 0,  4,  8],       [ 1,  5,  9],       [ 2,  6, 10],       [ 3,  7, 11]])>>> x.strides(32, 8)>>> x.transpose().strides(8, 32)>>> x.transpose((0,1))  #提供axes，各个轴的位置没有变化，结果与x是一样的array([[ 0,  1,  2,  3],       [ 4,  5,  6,  7],       [ 8,  9, 10, 11]])>>> x.transpose((0,1)).strides  #strides参数也没有变化(32, 8)>>> y  #再看三维的情形array([[[ 0,  1,  2],        [ 3,  4,  5]],       [[ 6,  7,  8],        [ 9, 10, 11]]])>>> y.transpose()  #不带axes参数，等同于y.transpose((2,1,0))array([[[ 0,  6],        [ 3,  9]],       [[ 1,  7],        [ 4, 10]],       [[ 2,  8],        [ 5, 11]]])>>> y.transpose().strides(8, 24, 48)>>> y.strides(48, 24, 8)>>> y.transpose((2,0,1))  #带axes参数array([[[ 0,  3],        [ 6,  9]],       [[ 1,  4],        [ 7, 10]],       [[ 2,  5],        [ 8, 11]]])>>> y.transpose((2,0,1)).strides  #注意strides各个参数的位置与原来strides参数的位置，正好是转置时axes的对应位置(8, 48, 24)

1. 不提供axes参数时，转换前后shape、strides以及数据有如下关系：
   1）转置前a.shape=(i[0], i[1], ..., i[n-2], i[n-1])，转置后的：a.transpose().shape=(i[n-1], i[n-2], ..., i[1], i[0])
   2）转置前`a.strides=(j[0], j[1], ..., j[n-2], j[n-1])，转置后：a.transpose().strides=(j[n-1], j[n-2], ..., j[1], j[0])
   3）数据：a[i[0], i[1], ..., i[n-2], i[n-1]] == a.transpose()[i[n-1], i[n-2], ..., i[1], i[0]]
2. 思考提供axes参数时，上述关系是怎样的？

3 计算

关于ndarray对象的很多计算方法都有一个axis参数，它有如下作用：
1. 当axis=None（默认）时，数组被当成一个一维数组，对数组的计算操作是对整个数组进行的，比如sum方法，就是求数组中所有元素的和；
2. 当axis被指定为一个int整数时，对数组的计算操作是以提供的axis轴进行的。
示例：

>>> aarray([[[ 0,  1,  2,  3],        [ 4,  5,  6,  7],        [ 8,  9, 10, 11]],       [[12, 13, 14, 15],        [16, 17, 18, 19],        [20, 21, 22, 23]]])>>> a.sum(0)  #等价于a[0,:,:] + a[1,:,:]array([[12, 14, 16, 18],       [20, 22, 24, 26],       [28, 30, 32, 34]])>>> a.sum(1)  #等价于a[:,0,:] + a[:,1,:] + a[:,2,:]array([[12, 15, 18, 21],       [48, 51, 54, 57]])>>> a.sum(2)  #等价于a[:,:,0]+a[:,:,1]+a[:,:,2]+a[:,:,3]array([[ 6, 22, 38],       [54, 70, 86]])

常用方法 功能 ndarray.max([axis, out, keepdims]) 返回根据指定的axis计算最大值 ndarray.argmax([axis, out]) 返回根据指定axis计算最大值的索引 ndarray.min([axis, out, keepdims]) 返回根据指定的axis计算最小值 ndarray.argmin([axis, out]) 返回根据指定axis计算最小值的索引 ndarray.ptp([axis, out]) 返回根据指定axis计算最大值与最小值的差 ndarray.clip([min, max, out]) 返回数组元素限制在[min, max]之间的新数组（小于min的转为min，大于max的转为max） ndarray.round([decimals, out]) 返回指定精度的数组（四舍五入） ndarray.trace([offset, axis1, axis2, dtype, out]) 返回数组的迹（对角线元素的和） ndarray.sum([axis, dtype, out, keepdims]) 根据指定axis计算数组的和，默认求所有元素的和 ndarray.cumsum([axis, dtype, out]) 根据指定axis计算数组的累积和 ndarray.mean([axis, dtype, out, keepdims]) 根据指定axis计算数组的平均值 ndarray.var([axis, dtype, out, ddof, keepdims]) 根据指定的axis计算数组的方差 ndarray.std([axis, dtype, out, ddof, keepdims]) 根据指定axis计算数组的标准差 ndarray.prod([axis, dtype, out, keepdims]) 根据指定axis计算数组的积 ndarray.cumprod([axis, dtype, out]) 根据指定axis计算数据的累计积 ndarray.all([axis, dtype, out]) 根据指定axis判断所有元素是否全部为真 ndarray.any([axis, out, keepdims]) 根据指定axis判断是否有元素为真

>>> aarray([[2, 3, 4, 9],       [8, 7, 6, 5],       [4, 3, 5, 8]])>>> a.max()9>>> a.max(axis=0)  #shape=(4,)，即原shape去掉第0个axisarray([8, 7, 6, 9])>>> a.max(axis=1)  #shape=(3,)，即原shape去掉第1个axisarray([9, 8, 8])>>> a.argmax()3>>> a.argmax(axis=0)array([1, 1, 1, 0])>>> a.argmax(axis=1)array([3, 0, 3])>>> b = a.flatten()>>> barray([2, 3, 4, 9, 8, 7, 6, 5, 4, 3, 5, 8])>>> b.clip(3, 5)  #数组元素限定在[3, 5]之间array([3, 3, 4, 5, 5, 5, 5, 5, 4, 3, 5, 5])>>> a.resize((2,2,3))>>> aarray([[[2, 3, 4],        [9, 8, 7]],       [[6, 5, 4],        [3, 5, 8]]])>>> a.trace(0,axis=0, axis=1)  #等同于[trace(a[:,:,0]), trace(a[:,:,1], trace(a[:,:,2])]；shape=(3,)，即原shape去掉第0，1个axisarray([ 5,  8, 12])>>> np.eye(3).trace()  #对角线元素的和3.0>>> b.reshape((3,4))array([[2, 3, 4, 9],       [8, 7, 6, 5],       [4, 3, 5, 8]])>>> b.reshape((3,4)).std(0)array([ 2.49443826,  1.88561808,  0.81649658,  1.69967317])>>> b.reshape((3,4)).std(1)array([ 2.6925824 ,  1.11803399,  1.87082869])>>> x = np.arange(8) >>> xarray([0, 1, 2, 3, 4, 5, 6, 7])>>> x.cumsum()  #累计和array([ 0,  1,  3,  6, 10, 15, 21, 28])>>> x = np.arange(1,9)>>> xarray([1, 2, 3, 4, 5, 6, 7, 8])>>> x.cumprod()  #累计积array([    1,     2,     6,    24,   120,   720,  5040, 40320])

4 选择元素以及操作

常用方法 方法功能 ndarray.take(indices[, axis, out, model]) 从原数组中根据指定的索引获取对应元素，并构成一个新的数组返回 ndarray.put(indices, values[, mode]) 将数组中indices指定的位置设置为values中对应的元素值 ndarray.repeat(repeats[, axis]) 根据指定的axis重复数组中的元素 ndarray.sort([axis, kind, order]) 原地对数组元素进行排序 ndarray.argsort([axis, kind, order]) 返回对数组进行升序排序之后的索引 ndarray.partition(kth[, axis, kind, order]) 将数组重新排列，所有小于kth的值在kth的左侧，所有大于或等于kth的值在kth的右侧 ndarray.argpartition(kth[, axis, kind, order]) 对数组执行partition之后的元素索引 ndarray.searchsorted(v[, side, sorter]) 若将v插入到当前有序的数组中，返回插入的位置索引 ndarray.nonzero() 返回数组中非零元素的索引 ndarray.diagonal([offset, axis1, axis2]) 返回指定的对角线

>>> aarray([2, 3, 4, 9, 8, 7, 6, 5, 4, 3, 5, 8])>>> a.take([0,3,6])array([2, 9, 6])>>> a.take([[2, 5], [3,6]])  #返回数组的形状与indices形状相同array([[4, 7],       [9, 6]])>>> a.put([0, -1], [0, 111])>>> aarray([  0,   3,   4,   9,   8,   7,   6,   5,   4,   3,   5, 111])>>> a.sort()  #原地排序>>> aarray([  0,   3,   3,   4,   4,   5,   5,   6,   7,   8,   9, 111])>>> barray([  0,   3,   4,   9,   8,   7,   6,   5,   4,   3,   5, 111])>>> b_idx = b.argsort()  #获取排序索引>>> b_idxarray([ 0,  1,  9,  2,  8,  7, 10,  6,  5,  4,  3, 11])>>> b[b_idx]  #根据排序索引获取b中元素，正好是排序好的array([  0,   3,   3,   4,   4,   5,   5,   6,   7,   8,   9, 111])>>> carray([  0,   3,   4,   9,   8,   7,   6,   5,   4,   3,   5, 111])>>> c.partition(5)>>> carray([  3,   4,   4,   0,   3,   5,   6,   5,   7,   8,   9, 111])>>> aarray([  0,   3,   3,   4,   4,   5,   5,   6,   7,   8,   9, 111])>>> a.searchsorted(2)1>>> a.searchsorted(10)11>>> a.searchsorted(3)  #side默认为lift1>>> a.searchsorted(3, side="right") 3>>> e = np.eye(4)>>> earray([[ 1.,  0.,  0.,  0.],       [ 0.,  1.,  0.,  0.],       [ 0.,  0.,  1.,  0.],       [ 0.,  0.,  0.,  1.]])>>> e.nonzero()(array([0, 1, 2, 3]), array([0, 1, 2, 3]))>>> e[e.nonzero()]array([ 1.,  1.,  1.,  1.])>>> a = np.arange(4).reshape(2,2)>>> aarray([[0, 1],       [2, 3]])>>> a.diagonal()  #二维数组取对角线元素array([0, 3])>>> a = np.arange(8).reshape(2,2,2)>>> aarray([[[0, 1],        [2, 3]],       [[4, 5],        [6, 7]]])>>> a.diagonal(offset=0, axis1=0, axis2=1)  #三维数组根据指定axis取对角线，本质是取下面两个二维数组的对角线array([[0, 6],       [1, 7]])>>> a[:,:,0]    #对角线[0, 6]array([[0, 2],       [4, 6]])>>> a[:,:,1]    #对角线[1, 7]array([[1, 3],       [5, 7]])>>> a.diagonal(offset=0, axis1=0, axis2=2)array([[0, 5],       [2, 7]])>>> a[:,0,:]array([[0, 1],       [4, 5]])>>> a[:,1,:]array([[2, 3],       [6, 7]])>>> a.diagonal(offset=0, axis1=1, axis2=2) array([[0, 3],       [4, 7]])>>> a[0,:,:]array([[0, 1],       [2, 3]])>>> a[1,:,:]array([[4, 5],       [6, 7]])