numpy的基本API(二)——维数操作

numpy的基本维数操作API

 

1、np.copyto(dst, src)  copyto方法将数组src复制到dst中。如果两个数组的形状完全相同,则复制后两数组中的数据相同。如果src的维数n比dst的维数低,且与dst中的最后几个维度shape[:-n]相同,就将dst中每个形状与src相同的都复制为src。

>>> a = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])  # (2,2,3)
>>> b = np.array([[7,8,9],[10,11,12]]) # (2,3)
>>> c = np.array([10])                      #(1,)
>>> np.copyto(a,b)
>>> a
array([[[ 7,  8,  9],
        [10, 11, 12]],
       [[ 7,  8,  9],
        [10, 11, 12]]])
>>> np.copyto(a,c)
>>> a
array([[[10, 10, 10],
        [10, 10, 10]],
       [[10, 10, 10],
        [10, 10, 10]]])

 

2、np.reshape(a, shape)  reshape方法将数组a在不改变数据的情况下改变形状。a表示目标数组,shape表示所要改变为的形状,可以为元组如(2,3),也可为列表如[2,3]。shape中某一维度的值为-1表示此维度的数据长度为自适应。但是shape改变的新数组大小必须与原数组相同。返回值为numpy数组。同时,可以使用a.reshape(shape),此时shape除了可为元组和列表外,也可以之间为用逗号间隔的数字2,3。

>>> a = np.arange(6)
>>> a
array([0, 1, 2, 3, 4, 5])
>>> np.reshape(a,(2, 3))

array([[0, 1, 2],
       [3, 4, 5]])
>>> np.reshape(a,(3,-1))
array([[0, 1],
       [2, 3],
       [4, 5]])
>>> a.reshape(6,1)
array([[0],
       [1],
       [2],
       [3],
       [4],
       [5]])

 

3、np.ravel(a)  raevl方法将数组a展平为一维数组,shape为(n, ),a为输入数组。同样的,也可以使用a.ravel(),注意不要丢掉括号。

>>> np.ravel(a)
array([0, 1, 2, 3, 4, 5])
>>> np.array([[4,5,6],[1,2,3]]).ravel()
array([4, 5, 6, 1, 2, 3])

 

4、a.flat[n]  flat方法将数组a按一维数组索引,如数据a的shape为(M, N),则索引n可取[0, M*N-1]。也可以取一个列表作为索引如a.flat[[q, w]],返回索引为q和w的数组。同时,还有a.flat=x可以把数组a中的所有值改为x,也可a.flat[[q,w]=x]对列表中的特定之进行改变。

>>> a = np.arange(1, 7).reshape(2, 3)
>>> a
array([[1, 2, 3],
       [4, 5, 6]])
>>> a.flat[5]
6
>>> a.flat[[2,4]]
array([3, 5])
>>> a.flat = 3
>>> a
array([[3, 3, 3],
       [3, 3, 3]])
>>> a.flat[[1,5]]=5
>>> a
array([[1, 5, 3],
       [4, 5, 5]])

 

5、np.moveaxis(a, src, dst)  moveaxis方法将数组的轴进行移动。src表示所要移动的轴的索引,dst表示所要移动到的位置,都可以为列表对象进行对应移动。

需要注意的是,移动轴的含义是,把原来src索引位置的轴改为dst索引位置,而不是进行索引位置的交换。如shape为(2,3,4)的数组a经过b=np.moveaxis(a, 0, -1)后,b的shape为(3,4,2),也就是说其他轴按原来的顺序向前填充了,等价于np.moveaxis(x, [0, 1, 2], [-1, -3, -2])。此外,在索引更改后的数组与原数组对应的位置进行切片,切片的shape也有可能会与原数组不同而为其转置的shape。

>>> x = np.arange(0, 24).reshape(2, 3, 4)
>>> x
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]]])
>>> y=np.moveaxis(x, 0, -1)
>>> y
array([[[ 0, 12],
        [ 1, 13],
        [ 2, 14],
        [ 3, 15]],

       [[ 4, 16],
        [ 5, 17],
        [ 6, 18],
        [ 7, 19]],

       [[ 8, 20],
        [ 9, 21],
        [10, 22],
        [11, 23]]])
>>> y.shape
(3, 4, 2)
>>> np.moveaxis(x, [0, 1, 2], [-1, -3, -2]).shape
(3, 4, 2)
>>> y[0,:,:] array([[ 0, 12], [ 1, 13], [ 2, 14], [ 3, 15]]) >>> x[:,0,:] array([[ 0, 1, 2, 3], [12, 13, 14, 15]])

可以看到,x和y都在shape为3的轴求该轴索引为0时的切片,得到的数组互为转置。但是对所进行moveaxis操作的shape为2的轴,按其轴索引进行切片,得到的数组与原数组相同。

moveaxis方法当只对一个轴进行操作时,也可由rollaxis方法实现,但是更推荐前者。

 

6、np.swapaxes(a, axis1, axis2)  swapaxes方法对数组a中的两个轴的位置进行互换,其他轴的位置不变。

>>> x = np.arange(0, 24).reshape(2, 3, 4)
>>> x.shape
(2, 3, 4)
>>> y = np.swapaxes(x,0,1)
>>> y
array([[[ 0,  1,  2,  3],
        [12, 13, 14, 15]],

       [[ 4,  5,  6,  7],
        [16, 17, 18, 19]],

       [[ 8,  9, 10, 11],
        [20, 21, 22, 23]]])
>>> y.shape
(3, 2, 4)

 

7、np.transpose(a, axex=None)  transpose方法排列数组a的形状。当axex为None时,返回的是数组a的转置。当axex为数组a轴的索引值的排列,如shape为[1,2,3,4]的数组a的axex为元组(2,1,3,0)或列表[2,1,3,0]时,表示数组a的shape变为了(第2轴,第1轴,第3轴,第0轴)的长度。

>>> a = np.ones((1, 2, 3, 4))
>>> np.transpose(a).shape
(4, 3, 2, 1)
>>> np.transpose(a,(2,1,3,0)).shape
(3, 2, 4, 1)
>>> a.T.shape
(4, 3, 2, 1)

当axex为None时,np.transpose(a)与a.T是等价的。

 

8、np.atleast_1d(array1,array2,...)  atleast_1d方法将输入视为至少一维的数组,将输入数组放置到一个列表里。与直接创建list不同的是,把输入的每个对象都转换为了数组对象。atleast_2d方法将输入视为至少二维的数组,atleast_3d方法将输入视为至少三维的数组。其实就是把输入数组中维度高于一维/二维/三维的数组原样输出,低于一维/二维/三维的数组升至一维/二维/三维输出,把结果放入一个列表中。

>>> x = np.arange(0, 24).reshape(2, 3, 4)
>>> np.atleast_1d(x,[2,3],1)
[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]]]),
        array([2, 3]), array([1])]
>>> [x,[2,3],1]
[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, 3], 1]
>>> np.atleast_2d(x,[2,3],1)
[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]]]), array([[2, 3]]), array([[1]])]
>>> np.atleast_3d(x,[2,3],1)
[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]]]),
     array([[[2],[3]]]), array([[[1]]])]

atleast_1d中,[2, 3]被转换为shape为(2, );atleast_1d中,[2, 3]被转换为shape为(1, 2);atleast_1d中,[2, 3]被转换为shape为(1, 2, 1)。先把整个数组当作一个元素升一维,再把数组中的每个数字当作一个元素升一维。

 

9、np.broadcast(a, b)  broadcast方法创建并返回一个数组a和b的广播对象y。y只能通过迭代器获取内容,并且有.shape、.index等方法,表示广播结果的形状和索引。广播是指,如果数组a和b的形状不相同则对不相同的轴的值进行排列组合。

>>> a = np.array([[1],[2]])
>>> b = np.array([[4, 5, 6,7]])
>>> a.shape, b.shape
((2, 1), (1, 4))
>>> y = np.broadcast(a, b)
>>> y
<numpy.broadcast at 0x213aa462050>
>>> y.shape
(2, 4)
>>>  for (u,v) in y:
             print(u, v, \t, b.index)
1 4      1
1 5      2
1 6      3
1 7      4
2 4      5
2 5      6
2 6      7
2 7      8

 

10、np.broadcast_to(a, shape)  broadcast_to方法把数组a广播并返回为形状为shape的数组。shape的形式应为new_shape+a.shape,即如需要把a广播为(m, n)次,a.shape=(q, w),则shape应为(m,n,q,w)。

>>> a = np.array([[1,2],[3,4]])
>>> a.shape
(2, 2)
>>> b = np.broadcast_to(a, (3,3,2,2))
array([[[[1, 2],
         [3, 4]],
        [[1, 2],
         [3, 4]],
        [[1, 2],
         [3, 4]]],
       [[[1, 2],
         [3, 4]],
        [[1, 2],
         [3, 4]],
        [[1, 2],
         [3, 4]]],
       [[[1, 2],
         [3, 4]],
        [[1, 2],
         [3, 4]],
        [[1, 2],
         [3, 4]]]])
>>> b.shape
(6, 4, 2, 2)

 

 

11、np.broadcast_array(a, b)  broadcast_array方法获取广播的数组,返回的是包含广播数组的列表。

>>> a = np.array([[1,2,3]])
>>> b = np.array([[4],[5]])
>>> np.broadcast_arrays(a, b)
[array([[1, 2, 3],
        [1, 2, 3]]),
 array([[4, 4, 4],
        [5, 5, 5]])]    

 

12、np.expand_dims(a, axis)  expand_dims方法返回扩展输入数组a的形状的数组,在axis轴位置添加新轴。

>>> x = np.array([[1,2],[3,4]])
>>> x.shape
(2, 2)
>>> y = np.expand_dims(x, 0)
>>> y
array([[[1, 2],
        [3, 4]]])
>>> y.shape
(1, 2, 2)
>>> z = np.expand_dims(x, 1)
>>> z
array([[[1, 2]],
       [[3, 4]]])
>>> z.shape
(2, 1, 2)
>>> w = np.expand_dims(x, 2)
>>> w
array([[[1],
        [2]],
       [[3],
        [4]]])
>>> w.shape
(2, 2, 1)

 

13、在reshape等API中,都有order{‘C‘, ‘F‘, ‘A‘}参数,默认为‘C‘。其含义主要影响数组的索引速度,‘C‘表示使用类似C语言的索引顺序读取/写入元素,最后一个轴索引更改最快,回到第一个轴索引更改最快。 ‘F‘表示使用类似Fortran语言的索引顺序读取/写入元素,第一个索引更改最快,最后一个索引更改最慢。 ‘C‘和‘F‘选项不考虑基础数组的内存布局,仅指索引的顺序。 ‘A‘表示如果数组在内存中是连续的,则以类似于Fortran语言的索引顺序读取/写入元素,否则为类似于C语言的顺序。

 

参考:numpy中文文档:https://www.numpy.org.cn/reference/

   numpy英文文档:https://numpy.org/doc/1.17/reference/index.html

 

iwehdio的博客园:https://www.cnblogs.com/iwehdio/

numpy的基本API(二)——维数操作

上一篇:04-常用API


下一篇:什么是API