python数据分析基础之Numpy库详解

Posted 2022-02-13 温柔且上进c

Numpy库基础

• • 一维数组的索引与切片
  • 多维数组的切片与索引
  • 数组的维度改变
  • 数组的组合

• 上篇文章介绍了Numpy库的基础（数组，数组的创建，数据类型）需要回顾的可以查看：python数据分析基础之Numpy库详解（一）

一维数组的索引与切片

• 一维数组的切片操作与Python列表的切片操作很相似。例如，我们可以用下标2~6来选取元素2，3，4，5

import numpy as np
arr=np.arange(7)
arr[2:6]

• 也可以用下标0~7，以2为步长选取元素：

arr[0:7:2]

• 和Python中使用列表一样，我们也可以利用负数下标翻转数组：

arr[::-1]

多维数组的切片与索引

• ndarray支持在多维数组上的切片操作。为了方便起见，我们可以用一个省略号（…）来表示遍历剩下的维度

• 如下举例：首先我们使用arange函数创建一个数组并改变其维度，使之变成一个三维数组：

arr = np.arange(24).reshape((2, 3, 4))
arr.shape

arr

• 多维数组arr中有0~23的整数，共24个元素，是一个2×3×4的三维数组。我们可以形象地把它看做一个两层楼建筑，每层楼有12个房间，并排列成3行4列。或者，我们也可以将其看成是excel表格中工作表（sheet）、行和列的关系。可以看出，reshape函数的作用是改变数组的“形状”，也就是改变数组的维度，其参数为一个正整数元组，分别指定数组在每个维度上的大小

• 如果指定的维度和数组的元素数目不相吻合，函数将抛出异常

• 我们可以用三维坐标来选定任意一个房间，即楼层、行号和列号。例如，选定第1层楼、 第1行、第1列的房间（也可以说是第0层楼、第0行、第0列，这只是习惯问题），可以这样表示：

arr[0,0,0]

• 如果我们不关心楼层，也就是说要选取所有楼层的第1行、第1列的房间，那么可以将第1 个下标用英文标点的冒号:来代替：

arr[:,0,0]

• 选取第一层的所有房间：

arr[0]

• 我们还可以这样写，选取第1层楼的所有房间：

arr[0,:,:
]

• 多个冒号可以用一个省略号（…）来代替，因此上面的代码等价于：

arr[0,...]

• 进而我们可以选取第1层楼、第2排的所有房间：

arr[0,1]

• 再进一步，我们可以在上面的数组切片中间隔地选定元素：

arr[0, 1, ::2]

• 如果要选取所有楼层的位于第2列的房间，即不指定楼层和行号，用如下代码即可：

arr[..., 1]

• 类似地，我们可以选取所有位于第2行的房间，而不指定楼层和列号：

arr[:, 1]

• 如果要选取第1层楼的所有位于第2列的房间，在对应的两个维度上指定即可：

arr[0, :, 1]

• 如果要反向选取第1层楼的最后一列的所有房间，使用如下代码：

arr[0, ::-1, -1]

• 在该数组切片中间隔地选定元素：

arr[0, ::2, -1]

• 如果在多维数组中执行翻转一维数组的命令，将在最前面的维度上翻转元素的顺序，在我们的例子中将把第1层楼和第2层楼的房间交换：

arr[::-1]

数组的维度改变

在上面我们已经学习怎样使用reshape函数来改变数组的形状，现在来学习一下怎样将数组展平

• （一）：ravel函数 、我们可以用ravel函数完成展平的操作：

arr.ravel()

• （二）：flatten函数、这个函数恰如其名，flatten就是展平的意思，与ravel函数的功能相同。 不过，flatten函数会请求分配内存来保存结果，而ravel函数只是返回数组的一个视图（view）：

arr.flatten()

• （3）用元组设置数组维度 除了可以使用reshape函数，我们也可以直接用一个正整数元组来设置数组的维度，如下所示：

arr.shape=(4,6)
arr

• 正如你所看到的，这样的做法将直接改变所操作的数组，现在数组arr成了一个4×6的多维数组

• (4) transpose在线性代数中，转置矩阵是很常见的操作。对于多维数组，我们也可以这样做：

arr.transpose()

• (5) resizeresize和reshape函数的功能一样，但resize会直接修改所操作的数组：

arr.resize((2, 12))
arr

数组的组合

• 首先创建两个3×3的二维数组

arr_one = np.arange(9).reshape((3,3))
arr_two = 2 * arr_one

• (1) 水平组合 我们先从水平组合开始学习。将ndarray对象构成的元组作为参数，传给
  hstack函数。如下所示：

np.hstack((arr_one,arr_two))

• 我们也可以用concatenate函数来实现同样的效果，如下所示：

np.concatenate((arr_one,arr_two),axis=1)

• (2) 垂直组合 垂直组合同样需要构造一个元组作为参数，使用vstack函数。如下所示：

np.vstack((arr_one,arr_two))

• 同样，我们将concatenate函数的axis参数设置为0即可实现同样的效果。这也是axis参数的默认值：

np.concatenate((arr_one,arr_two),axis=0)

• (3) 深度组合 将相同的元组作为参数传给dstack函数，即可完成数组的深度组合。所谓深度组合，就是将一系列数组沿着纵轴（深度）方向进行层叠组合。举个例子，有若干张二维平 面内的图像点阵数据，我们可以将这些图像数据沿纵轴方向层叠在一起，这就形象地解释了什么是深度组合

np.dstack((arr_one, arr_two))

• (4) 列组合 column_stack函数对于一维数组将按列方向进行组合，如下所示：

np.column_stack((arr_one,arr_two))

• 而对于二维数组，column_stack与hstack的效果是相同的：
  
• 我们可以用==运算符来比较两个NumPy数组是否完全相同！！

np.hstack((arr_one, arr_two)) == np.column_stack((arr_one, arr_two))

• (5) 行组合 当然，NumPy中也有按行方向进行组合的函数，它就是row_stack函数。对于两个一维数组，将直接层叠起来组合成一个二维数组
• 对于二维数组，row_stack与vstack的效果是相同的：

np.vstack((arr_one, arr_two))
np.row_stack((arr_one, arr_two))

• 使用 ==运算符 对比两个数组

np.row_stack((arr_one, arr_two)) == np.vstack((arr_one, arr_two))