Numpy总结第二节:Numpy 的属性与形状变换

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Numpy总结第二节:Numpy 的属性与形状变换相关的知识,希望对你有一定的参考价值。

一、最基本的属性

在 NumPy中,每一个线性的数组称为是一个轴(axis),也就是维度(dimensions),维度的数量称为秩(rank);比如说,二维数组相当于是两个一维数组,即 二维数组有两个轴,秩为2 。

<font color=blue > 重点:很多时候可以声明 axis。 axis=0,表示沿着第 0 轴进行操作,即对每一列进行操作; axis=1,表示沿着第 1 轴进行操作,即对每一行进行操作。</font>

二、Numpy 常用属性

Numpy 常用属性 Numpy 常用属性
ndarray.ndim 秩,即轴的数量或维度的数量
ndarray.shape 数组的维度,对于矩阵,n 行 m 列
ndarray.size 数组元素的总个数,相当于 .shape 中 n*m 的值
ndarray.dtype ndarray 对象的元素类型
ndarray.itemsize ndarray 对象中每个元素的大小,以字节为单位
ndarray.flags ndarray 对象的内存信息
ndarray.real ndarray元素的实部
ndarray.imag ndarray 元素的虚部

2.1 ndarray.ndim 数组维度

秩,即轴的数量或维度的数量

a = np.array([[1,2,3,4],[5,6,7,8]]) 
print (a ndim:,a.ndim)
# a ndim: 2

2.2 ndarray.shape 数组形状

数组的维度,对于矩阵,n 行 m 列

a = np.array([[1,2,3,4],[5,6,7,8]]) 
print (a ndim:,a.shape)
b = a.reshape(4,2)
print (b ndim:,b.shape)
# a ndim: (2, 4)
# b ndim: (4, 2)

2.3 ndarray.dtype 数组类型

ndarray 对象的元素类型;

a = np.array([[1,2,3,4],[5,6,7,8]],dtype=np.int8) 
print (a type:,a.dtype)
b = a.astype(np.float16)
print (b type:,b.dtype)
# a type: int8
# b type: float16

2.4 ndarray.itemsize 数组元素大小

ndarray 对象中每个元素的大小,以字节为单位

a = np.array([[1,2,3,4],[5,6,7,8]],dtype=np.int8) 
print (a itemsize:,a.itemsize)
b = a.astype(np.float16)
print (b itemsize:,b.itemsize)
# a itemsize: 1
# b itemsize: 2

三、形状变换

常用的形状变换函数如下:

函数名称 功能描述
reshape 不改变数据的条件下修改数组形状
flat 数组元素迭代器
flatten 返回一份数组拷贝,对拷贝所做的修改不会影响原始数组
ravel 返回展开数组

3.1 numpy.reshape 改变形状

不改变数据的条件下修改数组形状 ,函数的格式如下:

numpy.reshape(arr, newshape, order=C)

参数名称 含义
arr 要修改形状的数组
newshape 整数或者整数数组,新的形状应当兼容原有形状
order C -- 按行,F -- 按列,A -- 原顺序,k -- 元素在内存中的出现顺序。

也可以使用如下格式: arr.reshape(newshape, order=C),作用与上面的格式完全一致:

举例如下:

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

输出为:

3.2 nparray.flat 返回迭代器

可以返回一个数组的迭代器,举例如下:

a = np.array([[1,2,3,4],[5,6,7,8]])
i = 0 
for j in a.flat:
    i = i + 1
    print(第%s个元素为:%s %(i,j))
# 输出:
# 第1个元素为:1
# 第2个元素为:2
# 第3个元素为:3
# 第4个元素为:4
# 第5个元素为:5
# 第6个元素为:6
# 第7个元素为:7
# 第8个元素为:8

3.3 ndarray.flatten & numpy.ravel 平铺展开

两个函数均的功能基本一直,均为展开数组;格式如下: ndarray.flatten(order=C) numpy.ravel(a, order=C)

参数名称 含义
order C -- 按行(默认),F -- 按列,A -- 原顺序(不常用),K -- 元素在内存中的出现顺序(不常用)

举例:

a = np.array([[1,2,3,4],[5,6,7,8]])
b =a.flatten()
print(b)    # [1 2 3 4 5 6 7 8]
c = a.flatten(F)
print(c)    # [1 5 2 6 3 7 4 8]

不同点为:在赋值时,flatten 不改变原数组,ravel会改变原数组,举例如下: 该特点,在赋值时可以使用;

d = np.array([[1,2,3,4],[5,6,7,8]])
d.flatten()[1]=100
print(d)  # 输出:[[1 2 3 4] [5 6 7 8]]
d.ravel()[2]=200
print(d)    # 输出:[[  1   2 200   4]  [  5   6   7   8]]

以上是关于Numpy总结第二节:Numpy 的属性与形状变换的主要内容,如果未能解决你的问题,请参考以下文章

numpy 添加删除去重及形状变换

numpy:数组的形状与展开

python数据分析基础之Numpy库详解

python数据分析基础之Numpy库详解

Numpy 简单教程(二)数组的形状(shape)操作

Python之numpy详细教程