标签：tab   numpy   shape   att   迭代   翻转   元素   ast   ext   

numpy广播（Broadcast）

若数组a，b形状相同，即a.shape==b.shape，那么a+b,a*b的结果就是对应数位的运算

import numpy as np

a=np.array([[1,2,3],[4,5,6]])
b=np.array([[1,4,7],[2,5,8]])

print(a+b,‘\n‘)
print(a*b)

[[ 2  6 10]
 [ 6 10 14]] 

[[ 1  8 21]
 [ 8 25 48]]

若两个数组形状不同，且有一个数组维度为1，则会触发广播机制

a=np.array([[1,2,3],[4,5,6]])
b=np.array([1,2,3])

# 等同于np.array([[1,2,3],[4,5,6]])与np.array([1,2,3],[1,2,3])运算
print(a+b,‘\n‘)
print(a*b)

[[2 4 6]
 [5 7 9]] 

[[ 1  4  9]
 [ 4 10 18]]

numpy数组操作函数

修改数组形状

numpy.reshape()

不改变数据的情况下修改形状

numpy.reshape(array , newshape , order = ‘C‘)

import numpy as np

a_array=np.arange(16)
print(a_array,‘\n‘)

b_array=np.reshape(a_array,[4,4])
print(b_array,‘\n‘)

# 也可以打点调用
c_array=a_array.reshape([2,8])
print(c_array)

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15] 

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]] 

[[ 0  1  2  3  4  5  6  7]
 [ 8  9 10 11 12 13 14 15]]

numpy.ndarray.flat

numpy.ndarray.flat为数组元素迭代器

array=np.arange(9).reshape([3,3])
print(array,‘\n‘)

# 按行遍历数组
for row in array:
    print(row)
    
# 使用数组元素迭代器
for element in array.flat:
    print(element)

[[0 1 2]
 [3 4 5]
 [6 7 8]] 

[0 1 2]
[3 4 5]
[6 7 8]
0
1
2
3
4
5
6
7
8

numpy.ndarray.flatten和numpy.ravel

• numpy扁平化函数
• numpy.ndarray.flatten返回一份数组拷贝，对拷贝内容的修改不影响原始数值；
• numpy.ravel返回一个数组的视图，修改视图时会影响原始数组

numpy.ndarray.flatten(order = ‘C‘)

numpy.ravel(order = ‘C‘)

array=np.arange(16).reshape([4,4])
print(array,‘\n‘)

print(array.flatten(),‘\n‘)
print(array.ravel())

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]] 

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15] 

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15]

a_array=np.arange(16).reshape([4,4])
print(a_array,‘\n‘)

#创建和a_array同样的数组b_array
b_array=a_array.copy()

c_array=a_array.ravel()
d_array=array.flatten()

print(‘c_array:‘)
print(c_array)
print(‘d_array:‘)
print(d_array,‘\n‘)

c_array[1]=100
d_array[1]=100

print(‘a_array:‘)
print(a_array)
print(‘b_array:‘)
print(b_array,‘\n‘)

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]] 

c_array:
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15]
d_array:
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15] 

a_array:
[[  0 100   2   3]
 [  4   5   6   7]
 [  8   9  10  11]
 [ 12  13  14  15]]
b_array:
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]] 

翻转数组

transpose和ndarray.T

• numpy数组转置函数

a_array=np.arange(16).reshape([4,4])
print(‘a_array:\n‘,a_array)

print(‘使用transpose后:‘)
print(np.transpose(a_array))
print(‘使用.T转置后：‘)
print(a_array.T)

a_array:
 [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]
使用transpose后:
[[ 0  4  8 12]
 [ 1  5  9 13]
 [ 2  6 10 14]
 [ 3  7 11 15]]
使用.T转置后：
[[ 0  4  8 12]
 [ 1  5  9 13]
 [ 2  6 10 14]
 [ 3  7 11 15]]

numpy.swapaxes

• numpy用于交换数组两个轴的函数

numpy.swapaxes(arr , axis1, axis2)

array=np.arange(8).reshape(2,2,2)
print(array)

# 交换第零个轴和第二个轴
print(np.swapaxes(array,0,2))

[[[0 1]
  [2 3]]

 [[4 5]
  [6 7]]]
[[[0 4]
  [2 6]]

 [[1 5]
  [3 7]]]

初探numpy——广播和数组操作函数

标签：tab   numpy   shape   att   迭代   翻转   元素   ast   ext   

原文地址：https://www.cnblogs.com/LRainner/p/13220977.html