python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > Python ndarray 数组

Python ndarray 数组的变形详情

作者:正在学习中的李斌

这篇文章主要介绍了Python ndarray数组的变形详情,文章围绕主题展开详细的内容介绍,具有一定的参考价值,需要的小伙伴可以参考一下

一、维数的变形

1. 一维数组转二维数组以及同维变换

import numpy as np

arr_1d = np.arange(12)
# 使用 numpy 的
arr1 = np.reshape(arr_1d,(3,4))
# 使用 ndarray 的
arr2 = arr_1d.reshape((3, 4))

函数resize()的作用跟reshape()类似,但是会改变所作用的数组,相当于有inplace=True的效果

2. 二维数组转化维度也可以用这两个函数

import numpy as np

arr_2d = np.array([[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3]])

arr_2d.reshape((2,6))
# -1 表示不确定有多少列
arr_2d.reshape((4,-1))

3. 二维数组转一维数组

ravel()flatten()
两者的区别在于返回拷贝(copy)还是返回视图(view),flatten()返回一份拷贝,需要分配新的内存空间,对拷贝所做的修改不会影响原始矩阵,而ravel()返回的是视图(view),会影响原始矩阵。因此在使用ravel时候要格外小心,以免数据修改造成原始数据的改变。

import numpy as np

arr_2d = np.array([[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3]])
a = arr_2d.flatten()
a[0] = -999
a, arr_2d
b = arr_2d.ravel()
b
b[0] = -999
b, arr_2d

二、数组的拼接

1. 横向拼接

hstack() ——水平拼接,沿着行的方向,对列进行拼接。
concatenate() 也可以完成相应的功能,axis=1 时,沿水平方向叠加。

import numpy as np

a = np.array([1,2,3,4]).reshape((2,2), order='F')
b = np.array([0,0,1,1]).reshape((2,2))
a, b

harr = np.hstack((a, b))
harr
harr = np.concatenate((a, b), axis=1)
harr

2. 纵向拼接

vstack() ——垂直拼接,沿着列的方向,对行进行拼接。
concatenate() 也可以完成相应的功能,axis=0 时,沿垂直方向叠加

import numpy as np

a = np.array([1,1,0,0]).reshape((2,2))
b = np.array([0,1,0,1]).reshape((2,2))
a, b

varr = np.vstack((a, b))
varr

varr = np.concatenate((a, b), axis=0)
varr

三、数组的分割

1. 横向分割

hsplit() ——水平拆分,沿着行的方向,对列进行拼接。
split() 也可以完成相应的功能,axis=1 时,沿水平方向拆分。

import numpy as np

a = np.array([1,1,0,0]).reshape((2,2))
b = np.array([0,1,0,1]).reshape((2,2))

harr = np.hstack((a, b))
np.hsplit(harr, 2)

np.split(harr, 2, axis=1)

2. 纵向分割

hvplit() ——垂直拆分,沿着列的方向,对行进行拼接。
split() 也可以完成相应的功能,axis=0 时,沿垂直方向拆分。

import numpy as np

a = np.array([1,1,0,0]).reshape((2,2))
b = np.array([0,1,0,1]).reshape((2,2))

varr = np.vstack((a, b))
np.vsplit(varr, 2)

np.split(varr, 2, axis=0)

到此这篇关于Python ndarray 数组的变形详情的文章就介绍到这了,更多相关Python ndarray 数组内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

您可能感兴趣的文章:
阅读全文