[关闭]
@tankle 2015-06-24T03:03:49.000000Z 字数 11237 阅读 7269

Numpy 学习

python

1、数组初探

NumPy数组

NumPy数组是一个多维数组对象，称为ndarray。其由两部分组成：

实际的数据

描述这些数据的元数据

大部分操作仅针对于元数据，而不改变底层实际的数据。

关于NumPy数组有几点必需了解的：

  1. NumPy数组的下标从0开始。

  2. 同一个NumPy数组中所有元素的类型必须是相同的。

NumPy数组属性

在详细介绍NumPy数组之前。先详细介绍下NumPy数组的基本属性。NumPy数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推。在NumPy中，每一个线性的数组称为是一个轴（axes），秩其实是描述轴的数量。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是NumPy中的轴（axes），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。
比如

NumPy的数组中比较重要ndarray对象属性有：

ndarray.ndim：数组的维数（即数组轴的个数），等于秩。最常见的为二维数组（矩阵）。

ndarray.shape：数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中，表示数组的“行数”和“列数”。ndarray.shape返回一个元组，这个元组的长度就是维度的数目，即ndim属性。

ndarray.size：数组元素的总个数，等于shape属性中元组元素的乘积。

ndarray.dtype：表示数组中元素类型的对象，可使用标准的Python类型创建或指定dtype。另外也可使用前一篇文章中介绍的NumPy提供的数据类型。

ndarray.itemsize：数组中每个元素的字节大小。例如，一个元素类型为float64的数组itemsiz属性值为8(float64占用64个bits，每个字节长度为8，所以64/8，占用8个字节），又如，一个元素类型为complex32的数组item属性为4（32/8）。

ndarray.data：包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

ndarray.T: 数组的转置，和ndarray.transpose()功能相同

ndarray.flat: 像一维数组一样来访问任意维的数组

ndarray.nbytes: 数组所占内存大小，等于size*itemsize

创建数组

先来介绍创建数组。创建数组的方法有很多。如可以使用array函数从常规的Python列表和元组创造数组。所创建的数组类型由原序列中的元素类型推导而来。　　　

  1. >>> from numpy import *  
  2. 　　　  
  3. >>> a = array( [2,3,4] )　　　  
  4. >>> a  
  5.     array([2, 3, 4])  
  6. >>> a.dtype  
  7.     dtype('int32')  
  8. >>> b = array([1.2, 3.5, 5.1])　　　  
  9. >>> b.dtype  
  10.     dtype('float64')

使用array函数创建时，参数必须是由方括号括起来的列表，而不能使用多个数值作为参数调用array。　　　

  1. >>> a = array(1,2,3,4)    # 错误  
  2. >>> a = array([1,2,3,4])  # 正确

可使用双重序列来表示二维的数组，三重序列表示三维数组，以此类推。

  1. >>> b = array( [ (1.5,2,3), (4,5,6) ] )　　  
  2. >>> b  
  3.     array([[ 1.5,  2. ,  3. ],  
  4. 　　　     [ 4. ,  5. ,  6. ]])

可以在创建时显式指定数组中元素的类型

  1. >>> c = array( [ [1,2], [3,4] ], dtype=complex)  
  2. >>> c  
  3.     array([[ 1.+0.j,  2.+0.j],  
  4. 　　　    [ 3.+0.j,  4.+0.j]])

通常，刚开始时数组的元素未知，而数组的大小已知。因此，NumPy提供了一些使用占位符创建数组的函数。这些函数有助于满足除了数组扩展的需要，同时降低了高昂的运算开销。

用函数zeros可创建一个全是0的数组，用函数ones可创建一个全为1的数组，函数empty创建一个内容随机并且依赖与内存状态的数组。默认创建的数组类型(dtype)都是float64。

可以使用d.dtype.itemsize来查看数组中元素占用的字节数目。

  1. >>> d = zeros((3,4))  
  2. >>> d.dtype  
  3. dtype('float64')  
  4. >>> d  
  5. array([[ 0.,  0.,  0.,  0.],  
  6. 　　   [ 0.,  0.,  0.,  0.],  
  7. 　　   [ 0.,  0.,  0.,  0.]])  
  8. >>> d.dtype.itemsize  
  9. 8

也可以自己制定数组中元素的类型

  1. >>> ones( (2,3,4), dtype=int16 )  #手动指定数组中元素类型  
  2.       array([[[1, 1, 1, 1],  
  3. 　　　        [1, 1, 1, 1],  
  4. 　　　        [1, 1, 1, 1]],  
  5. 　　　  
  6. 　　　       [[1, 1, 1, 1],  
  7. 　　　        [1, 1, 1, 1],  
  8. 　　　        [1, 1, 1, 1]]], dtype=int16)  
  9. >>> empty((2,3))  
  10. 　　　array([[  2.65565858e-316,   0.00000000e+000,   0.00000000e+000],  
  11. 　　　       [  0.00000000e+000,   0.00000000e+000,   0.00000000e+000]])

NumPy提供一个类似arange的函数返回一个数列形式的数组:

  1. >>> arange(10, 30, 5)  
  2.     array([10, 15, 20, 25])

以10开始，差值为5的等差数列。该函数不仅接受整数，还接受浮点参数：　

  1. >>> arange(0,2,0.5)  
  2.     array([ 0. ,  0.5,  1. ,  1.5])

当arange使用浮点数参数时，由于浮点数精度有限，通常无法预测获得的元素个数。因此，最好使用函数linspace去接收我们想要的元素个数来代替用range来指定步长。linespace用法如下，将在通用函数一节中详细介绍。

  1. >>> numpy.linspace(-1, 0, 5)  
  2.         array([-1.  , -0.75, -0.5 , -0.25,  0.  ])

数组中的元素是通过下标来访问的，可以通过方括号括起一个下标来访问数组中单一一个元素，也可以以切片的形式访问数组中多个元素。关于切片访问，将在切片一节介绍。

NumPy中的数据类型

对于科学计算来说，Python中自带的整型、浮点型和复数类型远远不够，因此NumPy中添加了许多数据类型。如下：

NumPy中的基本数据类型
名称 描述
bool 用一个Bit存储的布尔类型（True或False）
inti 由所在平台决定其大小的整数（一般为int32或int64）
int8 一个字节大小，-128 至 127
int16 整数，-32768 至 32767
int32 整数，-2 ** 31 至 2 ** 32 -1
int64 整数，-2 ** 63 至 2 ** 63 - 1
uint8 无符号整数，0 至 255
uint16 无符号整数，0 至 65535
uint32 无符号整数，0 至 2 ** 32 - 1
uint64 无符号整数，0 至 2 ** 64 - 1
float16 半精度浮点数：16位，正负号1位，指数5位，精度10位
float32 单精度浮点数：32位，正负号1位，指数8位，精度23位
float64或float 双精度浮点数：64位，正负号1位，指数11位，精度52位
complex64 复数，分别用两个32位浮点数表示实部和虚部
complex128或complex 复数，分别用两个64位浮点数表示实部和虚部

NumPy类型转换方式如下：

  1. >>> float64(42)  
  2.     42.0  
  3. >>> int8(42.0)  
  4.     42  
  5. >>> bool(42)  
  6.     True  
  7. >>> bool(42.0)  
  8.     True  
  9. >>> float(True)  
  10.     1.0

许多函数的参数中可以指定参数的类型，当然，这个类型参数是可选的。如下：

  1. >>> arange(7, dtype=uint16)  
  2.     array([0, 1, 2, 3, 4, 5, 6], dtype=uint16)

输出数组

当输出一个数组时，NumPy以特定的布局用类似嵌套列表的形式显示：
第一行从左到右输出
每行依次自上而下输出
每个切片通过一个空行与下一个隔开
一维数组被打印成行，二维数组成矩阵，三维数组成矩阵列表。
　　　

  1. >>> a = arange(6)                         # 1d array  
  2. >>> print a  
  3.     [0 1 2 3 4 5]  
  4. 　　　  
  5. >>> b = arange(12).reshape(4,3)           # 2d array  
  6. >>> print b  
  7.     [[ 0  1  2]  
  8.     [ 3  4  5]  
  9.     [ 6  7  8]  
  10.     [ 9 10 11]]　　　  
  11. >>> c = arange(24).reshape(2,3,4)         # 3d array  
  12. >>> print c  
  13.     [[[ 0  1  2  3]  
  14.     [ 4  5  6  7]  
  15.     [ 8  9 10 11]]  
  16. 　　　  
  17.     [[12 13 14 15]  
  18.     [16 17 18 19]  
  19.     [20 21 22 23]]]

reshape将在下一篇文章中介绍　

如果一个数组太长，则NumPy自动省略中间部分而只打印两端的数据：　　　

  1. >>> print arange(10000)  
  2. 　　　[   0    1    2 ..., 9997 9998 9999]  
  3. 　　　  
  4. >>> print arange(10000).reshape(100,100)  
  5. 　　　[[   0    1    2 ...,   97   98   99]  
  6. 　　　 [ 100  101  102 ...,  197  198  199]  
  7. 　　　 [ 200  201  202 ...,  297  298  299]  
  8. 　　　 ...,  
  9. 　　　 [9700 9701 9702 ..., 9797 9798 9799]  
  10. 　　　 [9800 9801 9802 ..., 9897 9898 9899]  
  11. 　　　 [9900 9901 9902 ..., 9997 9998 9999]]

可通过设置printoptions参数来禁用NumPy的这种行为并强制打印整个数组。

  1. set_printoptions(threshold='nan')

这样，输出时数组的所有元素都会显示出来。

2、数组的操作

基本运算

数组的算术运算是按元素逐个运算。数组运算后将创建包含运算结果的新数组。

  1. >>> a= np.array([20,30,40,50])  
  2. >>> b= np.arange( 4)  
  3. >>> b  
  4. array([0, 1, 2, 3])  
  5. >>> c= a-b  
  6. >>> c  
  7. array([20, 29, 38, 47])  
  8. >>> b**2  
  9. array([0, 1, 4, 9])  
  10. >>> 10*np.sin(a)  
  11. array([ 9.12945251,-9.88031624, 7.4511316, -2.62374854])  
  12. >>> a<35  
  13. array([True, True, False, False], dtype=bool)

与其他矩阵语言不同，NumPy中的乘法运算符*按元素逐个计算，矩阵乘法可以使用dot函数或创建矩阵对象实现(后续章节会介绍)

  1. >>> A= np.array([[1,1],  
  2. ...[0,1]])  
  3. >>> B= np.array([[2,0],  
  4. ...[3,4]])  
  5. >>> A*B # 逐个元素相乘  
  6. array([[2, 0],  
  7.     　　 [0, 4]])  
  8. >>> np.dot(A,B) # 矩阵相乘  
  9. array([[5, 4],  
  10.     　　 [3, 4]])

有些操作符如+=和*=用来更改已存在数组而不创建一个新的数组。

  1. >>> a= np.ones((2,3), dtype=int)  
  2. >>> b= np.random.random((2,3))  
  3. >>> a*= 3  
  4. >>> a  
  5. array([[3, 3, 3],  
  6.     　　 [3, 3, 3]])  
  7. >>> b+= a  
  8. >>> b  
  9. array([[ 3.69092703, 3.8324276, 3.0114541],  
  10.     　　　 [ 3.18679111, 3.3039349, 3.37600289]])  
  11. >>> a+= b # b转换为整数类型  
  12. >>> a  
  13. array([[6, 6, 6],  
  14.            [6, 6, 6]])

当数组中存储的是不同类型的元素时，数组将使用占用更多位（bit）的数据类型作为其本身的数据类型，也就是偏向更精确的数据类型(这种行为叫做upcast)。

  1. >>> a= np.ones(3, dtype=np.int32)  
  2. >>> b= np.linspace(0,np.pi,3)  
  3. >>> b.dtype.name  
  4. 'float64'  
  5. >>> c= a+b  
  6. >>> c  
  7. array([ 1., 2.57079633, 4.14159265])  
  8. >>> c.dtype.name  
  9. 'float64'  
  10. >>> d= exp(c*1j)  
  11. >>> d  
  12. array([ 0.54030231+0.84147098j,-0.84147098+0.54030231j,  
  13.     　　　 -0.54030231-0.84147098j])  
  14. >>> d.dtype.name  
  15. 'complex128'

许多非数组运算，如计算数组所有元素之和，都作为ndarray类的方法来实现，使用时需要用ndarray类的实例来调用这些方法。

  1. >>> a= np.random.random((2,3))  
  2. >>> a  
  3. array([[ 0.65806048, 0.58216761, 0.59986935],  
  4.            [ 0.6004008, 0.41965453, 0.71487337]])  
  5. >>> a.sum()  
  6. 　  3.5750261436902333  
  7. >>> a.min()  
  8.      0.41965453489104032  
  9. >>> a.max()  
  10.      0.71487337095581649

这些运算将数组看作是一维线性列表。但可通过指定axis参数（即数组的行）对指定的轴做相应的运算：

  1. >>> b= np.arange(12).reshape(3,4)  
  2. >>> b  
  3. array([[ 0, 1, 2, 3],  
  4.            [ 4, 5, 6, 7],  
  5.            [ 8, 9, 10, 11]])  
  6. >>> b.sum(axis=0) # 计算每一列的和，注意理解轴的含义，参考数组的第一篇文章  
  7. array([12, 15, 18, 21])  
  8. >>> b.min(axis=1) # 获取每一行的最小值  
  9. array([0, 4, 8])  
  10. >>> b.cumsum(axis=1) # 计算每一行的累积和  
  11. array([[ 0, 1, 3, 6],  
  12.            [ 4, 9, 15, 22],  
  13.            [ 8, 17, 27, 38]])

索引，切片和迭代

和列表和其它Python序列一样，一维数组可以进行索引、切片和迭代操作。

  1. >>> a= np.arange(10)**3 #记住，操作符是对数组中逐元素处理的！  
  2. >>> a  
  3. array([0, 1, 8, 27, 64, 125, 216, 343, 512, 729])  
  4. >>> a[2]  
  5. 8  
  6. >>> a[2:5]  
  7. array([ 8, 27, 64])  
  8. >>> a[:6:2]= -1000 # 等同于a[0:6:2]= -1000，从开始到第6个位置，每隔一个元素将其赋值为-1000  
  9. >>> a  
  10. array([-1000, 1,-1000, 27,-1000, 125, 216, 343, 512, 729])  
  11. >>> a[: :-1] # 反转a  
  12. array([ 729, 512, 343, 216, 125,-1000, 27,-1000, 1,-1000])  
  13. >>>for i in a:  
  14. ...    print i**(1/3.),  
  15. ...  
  16. nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0

多维数组可以每个轴有一个索引。这些索引由一个逗号分割的元组给出。

  1. >>>def f(x,y):  
  2. ...    return 10*x+y  
  3. ...  
  4. >>> b= np.fromfunction(f,(5,4),dtype=int) #fromfunction是一个函数，下篇文章介绍。  
  5. >>> b  
  6. array([[ 0, 1, 2, 3],  
  7.            [10, 11, 12, 13],  
  8.            [20, 21, 22, 23],  
  9.            [30, 31, 32, 33],  
  10.            [40, 41, 42, 43]])  
  11. >>> b[2,3]  
  12. 23  
  13. >>> b[0:5, 1] # 每行的第二个元素  
  14. array([ 1, 11, 21, 31, 41])  
  15. >>> b[: ,1] # 与前面的效果相同  
  16. array([ 1, 11, 21, 31, 41])  
  17. >>> b[1:3,: ] # 第二行和第三行的所有元素  
  18. array([[10, 11, 12, 13],  
  19.            [20, 21, 22, 23]])

当少于提供的索引数目少于轴数时，已给出的数值按秩的顺序复制，确失的索引则默认为是整个切片：

  1. >>> b[-1] # 最后一行，等同于b[-1,:]，-1是第一个轴，而缺失的认为是：，相当于整个切片。  
  2. array([40, 41, 42, 43])

b[i]中括号中的表达式被当作i和一系列:，来代表剩下的轴。NumPy也允许你使用“点”像b[i,...]。

点(…)代表许多产生一个完整的索引元组必要的分号。如果x是秩为5的数组(即它有5个轴)，那么:　　　
x[1,2,…] 等同于 x[1,2,:,:,:],
x[…,3] 等同于 x[:,:,:,:,3]
x[4,…,5,:] 等同 x[4,:,:,5,:]　

  1. >>> c= array( [ [[ 0, 1, 2], #三维数组（两个2维数组叠加而成）  
  2. ...[ 10, 12, 13]],  
  3. ...  
  4. ...[[100,101,102],  
  5. ...[110,112,113]]] )  
  6. >>> c.shape  
  7.  (2, 2, 3)  
  8. >>> c[1,...] #等同于c[1,:,:]或c[1]  
  9. array([[100, 101, 102],  
  10.            [110, 112, 113]])  
  11. >>> c[...,2] #等同于c[:,:,2]  
  12. array([[ 2, 13],  
  13.            [102, 113]])

多维数组的遍历是以是第一个轴为基础的：

  1. >>>for row in b:  
  2. ...    print row  
  3. ...  
  4. [0 1 2 3]  
  5. [10 11 12 13]  
  6. [20 21 22 23]  
  7. [30 31 32 33]  
  8. [40 41 42 43]

如果想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：

  1. >>>for element in b.flat:  
  2. ...    print element,  
  3. ...  
  4. 0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43

更多关于[]、…、newaxis、ndenumerate、indices、index exp的内容请参考NumPy示例

形状（shape）操作

更改数组的形状

数组的形状取决于其每个轴上的元素个数：

  1. >>> a= np.floor(10*np.random.random((3,4)))  
  2. >>> a  
  3. array([[ 7., 5., 9., 3.],  
  4.            [ 7., 2., 7., 8.],  
  5.            [ 6., 8., 3., 2.]])  
  6. >>> a.shape  
  7. (3, 4)

可以用多种方式修改数组的形状：

  1. >>> a.ravel() # 平坦化数组  
  2. array([ 7., 5., 9., 3., 7., 2., 7., 8., 6., 8., 3., 2.])  
  3. >>> a.shape= (6, 2)  
  4. >>> a.transpose()  
  5. array([[ 7., 9., 7., 7., 6., 3.],  
  6.            [ 5., 3., 2., 8., 8., 2.]])

由ravel()展平的数组元素的顺序通常是“C风格”的，就是以行为基准，最右边的索引变化得最快，所以元素a[0,0]之后是a[0,1]。如果数组改变成其它形状(reshape)，数组仍然是“C风格”的。NumPy通常创建一个以这个顺序保存数据的数组，所以ravel()通常不需要创建起调用数组的副本。但如果数组是通过切片其它数组或有不同寻常的选项时，就可能需要创建其副本。还可以同过一些可选参数函数让reshape()和ravel()构建FORTRAN风格的数组，即最左边的索引变化最快。

reshape函数改变调用数组的形状并返回该数组，而resize函数改变调用数组自身。

  1. >>> a  
  2. array([[ 7., 5.],  
  3.            [ 9., 3.],  
  4.            [ 7., 2.],  
  5.            [ 7., 8.],  
  6.            [ 6., 8.],  
  7.            [ 3., 2.]])  
  8. >>> a.resize((2,6))  
  9. >>> a  
  10. array([[ 7., 5., 9., 3., 7., 2.],  
  11.            [ 7., 8., 6., 8., 3., 2.]])

如果在reshape操作中指定一个维度为-1，那么其准确维度将根据实际情况计算得到

3. 自定义结构数组

通过NumPy也可以定义像C语言那样的结构类型。在NumPy中定义结构的方法如下：

定义结构类型名称；定义字段名称，标明字段数据类型。

  1. student= dtype({'names':['name', 'age', 'weight'], 'formats':['S32', 'i','f']}, align = True)

这里student是自定义结构类型的名称，使用dtype函数创建，在第一个参数中，'names'和'formats'不能改变，names中列出的是结构中字段名称，formats中列出的是对应字段的数据类型。S32表示32字节长度的字符串，i表示32位的整数，f表示32位长度的浮点数。最后一个参数为True时，表示要求进行内存对齐。

字段中使用NumPy的字符编码来表示数据类型。更详细的数据类型见下表。

数据类型字符编码
整数i
无符号整数 u
单精度浮点数 f
双精度浮点数 d
布尔值 b
复数 D
字符串 S
Unicode U
Void V

在定义好结构类型之后，就可以定义以该类型为元素的数组了：

  1. a= array([(“Zhang”, 32, 65.5), (“Wang”, 24, 55.2)], dtype =student)

除了在每个元素中依次列出对应字段的数据外，还需要在array函数中最后一个参数指定其所对应的数据类型。

注：例子来源于张若愚的Python科学计算艺术的29页。更多关于dtype的内容请参考《NumPy for Beginner》一书的第二章。

组合函数

这里介绍以不同的方式组合函数。首先创建两个数组：

  1. >>> a = arange(9).reshape(3,3)  
  2. >>> a  
  3. array([[0, 1, 2],  
  4.            [3, 4, 5],  
  5.            [6, 7, 8]])  
  6. >>> b = 2 * a  
  7. >>> b  
  8. array([[ 0, 2, 4],  
  9.        [ 6, 8, 10],  
  10.        [12, 14, 16]])

水平组合

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

也可通过concatenate函数并指定相应的轴来获得这一效果：

  1. >>> concatenate((a, b), axis=1)  
  2. array([[ 0, 1, 2, 0, 2, 4],  
  3.        [ 3, 4, 5, 6, 8, 10],  
  4.        [ 6, 7, 8, 12, 14, 16]])

垂直组合

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

同样，可通过concatenate函数，并指定相应的轴来获得这一效果。

  1. >>> concatenate((a, b), axis=0)  
  2. array([[ 0, 1, 2],  
  3.        [ 3, 4, 5],  
  4.        [ 6, 7, 8],  
  5.        [ 0, 2, 4],  
  6.        [ 6, 8, 10],  
  7.        [12, 14, 16]])

深度组合

另外，还有深度方面的组合函数dstack。顾名思义，就是在数组的第三个轴（即深度）上组合。如下：

  1. >>> dstack((a, b))  
  2. array([[[ 0, 0],  
  3.         [ 1, 2],  
  4.         [ 2, 4]],  
  6.        [[ 3, 6],  
  7.         [ 4, 8],  
  8.         [ 5, 10]],  
  10.        [[ 6, 12],  
  11.         [ 7, 14],  
  12.         [ 8, 16]]])

仔细观察，发现对应的元素都组合成一个新的列表，该列表作为新的数组的元素。

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：

  1. >>> one = arange(2)  
  2. >>> one  
  3. array([0, 1])  
  4. >>> two = one + 2  
  5. >>> two  
  6. array([2, 3])  
  7. >>> row_stack((one, two))  
  8. array([[0, 1],  
  9.        [2, 3]])

对于2维数组，其作用就像垂直组合一样。

列组合

列组合的效果应该很清楚了。如下：

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

对于2维数组，其作用就像水平组合一样。

分割数组

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

  1. >>> a = arange(9).reshape(3,3)  
  2. >>> a  
  3. array([[0, 1, 2],  
  4.        [3, 4, 5],  
  5.        [6, 7, 8]])  
  6. >>> hsplit(a, 3)  
  7. [array([[0],  
  8.        [3],  
  9.        [6]]),  
  10.  array([[1],  
  11.        [4],  
  12.        [7]]),  
  13.  array([[2],  
  14.        [5],  
  15.        [8]])]

也调用split函数并指定轴为1来获得这样的效果：

  1. split(a, 3, axis=1)

垂直分割

垂直分割是沿着垂直的轴切分数组：

  1. >>> vsplit(a, 3)  
  2. >>> [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

同样，也可通过solit函数并指定轴为1来获得这样的效果：

  1. >>> 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方式：

  1. >>> c = arange(27).reshape(3, 3, 3)  
  2. >>> c  
  3. array([[[ 0,  1,  2],  
  4.         [ 3,  4,  5],  
  5.         [ 6,  7,  8]],  
  7.        [[ 9, 10, 11],  
  8.         [12, 13, 14],  
  9.         [15, 16, 17]],  
  11.        [[18, 19, 20],  
  12.         [21, 22, 23],  
  13.         [24, 25, 26]]])  
  14. >>> dsplit(c, 3)  
  15. [array([[[ 0],  
  16.         [ 3],  
  17.         [ 6]],  
  19.        [[ 9],  
  20.         [12],  
  21.         [15]],  
  23.        [[18],  
  24.         [21],  
  25.         [24]]]),  
  26.  array([[[ 1],  
  27.         [ 4],  
  28.         [ 7]],  
  30.        [[10],  
  31.         [13],  
  32.         [16]],  
  34.        [[19],  
  35.         [22],  
  36.         [25]]]),  
  37.  array([[[ 2],  
  38.         [ 5],  
  39.         [ 8]],  
  41.        [[11],  
  42.         [14],  
  43.         [17]],  
  45.        [[20],  
  46.         [23],  
  47.         [26]]])]

复制和镜像（View）

当运算和处理数组时，它们的数据有时被拷贝到新的数组有时不是。这通常是新手的困惑之源。这有三种情况:

完全不复制

简单的赋值，而不复制数组对象或它们的数据。

  1. >>> a = arange(12)  
  2. >>> b = a      #不创建新对象  
  3. >>> b is a           # a和b是同一个数组对象的两个名字  
  4. True  
  5. >>> b.shape = 3,4    #也改变了a的形状  
  6. >>> a.shape  
  7. (3, 4)

Python 传递不定对象作为参考4，所以函数调用不拷贝数组。

  1. >>> def f(x):  
  2. ...     print id(x)  
  3. ...  
  4. >>> id(a)       #id是一个对象的唯一标识  
  5. 148293216  
  6. >>> f(a)  
  7. 148293216

视图(view)和浅复制

不同的数组对象分享同一个数据。视图方法创造一个新的数组对象指向同一数据。

  1. >>> c = a.view()  
  2. >>> c is a  
  3. False  
  4. >>> c.base is a      #c是a持有数据的镜像  
  5. True  
  6. >>> c.flags.owndata  
  7. False  
  8. >>>  
  9. >>> c.shape = 2,6    # a的形状没变  
  10. >>> a.shape  
  11. (3, 4)  
  12. >>> c[0,4] = 1234        #a的数据改变了  
  13. >>> a  
  14. array([[   0,    1,    2,    3],  
  15.        [1234,    5,    6,    7],  
  16.        [   8,    9,   10,   11]])

切片数组返回它的一个视图：

  1. >>> s = a[ : , 1:3]     # 获得每一行1，2处的元素  
  2. >>> s[:] = 10           # s[:] 是s的镜像。注意区别s=10 and s[:]=10  
  3. >>> a  
  4. array([[   0,   10,   10,    3],  
  5.        [1234,   10,   10,    7],  
  6.        [   8,   10,   10,   11]])

深复制

这个复制方法完全复制数组和它的数据。

  1. >>> d = a.copy()       #创建了一个含有新数据的新数组对象  
  2. >>> d is a  
  3. False  
  4. >>> d.base is a        #d和a现在没有任何关系  
  5. False  
  6. >>> d[0,0] = 9999  
  7. >>> a  
  8. array([[   0,   10,   10,    3],  
  9.        [1234,   10,   10,    7],  
  10.        [   8,   10,   10,   11]])

numpy.nditer 迭代数组

numpy.nditer可以像c/c++一样来迭代数组,具体可以参考1

  1. >>> a = np.arange(6).reshape(2,3)
  2. >>> for x in np.nditer(a):
  3. ...     print x,
  4. ...
  5. 0 1 2 3 4 5

参考文献

添加新批注
在作者公开此批注前，只有你和作者可见。
回复批注