[numpy] 中shape和size的区别

Posted 2023-05-17

参考技术A 在处理图像的时候，shape 和 size 函数可以说是我用得最多也最容易用错的函数了。终于痛下决心要把它记下来！！！记住哼哼

size()和shape () 是numpy模块中才有的函数

size()：计算数组和矩阵所有数据的个数 

a = np.array([[1,2,3],[4,5,6]]) 

np.size(a)，返回值为 6 

np.size(a,1)，返回值为 3

shape ():得到矩阵每维的大小 

a = np.array([[1,2,3],[4,5,6]]) 

np. shape (a)，返回值为 (2,3)

另外要注意的是，shape和size既可以作为函数，也可以作为ndarray的属性 

a.size，返回值为 6, 

a.shape，返回值为 (2,3)

切记不要加()！不能用啊a.shape()

NumPy的使用

一、NumPy的简单属性

import numpy as np

a = [[1, 2, 3, 4],
     [5, 6, 7, 8],
     [9, 10, 11, 12],
     [13, 14, 15, 16]]
b = np.array(a)      # 创建数组
size = b.size        # 数组元素个数
shape = b.shape      # 数组形状，返回一个数组一维和二维长度的元组
ndim = b.ndim        # 数组维度
# numpy是无法直接判断出由数值与字符混合组成的数组中的数值型数据的，
# 因为由数值类型和字符类型组成的numpy数组已经不是数值类型的数组了，而是dtype=‘<U11‘。
t = b.dtype          # 数据类型

b[1, 2]     # 7
b[1][2]     # 7

array_zero = np.zeros([3, 4])   # 快速创建一个 3 × 4 的数组，值为0
array_one = np.ones([3, 4])     # 快速创建一个 3 × 4 的数组，值为1

# arange函数用于创建等差数组
# arange([start,] stop[, step,], dtype=None) 其中start，step，dtype可以省略，分别是起始点、步长、和返回类型。
array_arange = np.arange(5)     # 起始点0，结束点5，步长1，返回类型array，一维

# linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
# endpoint: 为true，stop是最后一个样本。否则，它不包括在内。默认true。
# retstep: 为true，则输出一个元组，元组第一个元素是生成的数列，第二个元素是步长
array_lin = np.linspace(1, 10, 5, False, True, dtype=int)
print(array_lin)

c = np.random.rand(5, 5)        # 创建一个 5 × 5 的数组，值在0-1之间

f = np.random.uniform(0, 100)   # 创建指定范围内的一个随机数
i = np.random.randint(0, 100)   # 创建指定范围内的一个随机整数

d = np.random.normal(2, 10, (2, 3))

# 对于一维数组来说，python原生的list和numpy的array的切片操作都是相同的。
# 对于多维数组，切片的数组必须是规则的
# [行起始索引:行结束索引, 列起始索引:列结束索引]
# 包含起始索引，不包含结束索引
slice_arr1 = b[1, :]            # 取第 1 行数据
slice_arr2 = b[1:3, :]          # 取第 1 行到第 3 行的数据，不包含第 3 行
# M 为行数，N为列数
slice_arr3 = b[:, 1]            # 取第 1 列的数据，以 1 × N 数组形式返回
slice_arr4 = b[:, :2]           # 取第 0 列的数据，以 M × 2 数组形式返回

slice_arr5 = b[1:2, 1:3]        # 取第 1 - 2行（不含第2行），第 1 - 3 列（不含第3列）的矩阵数据

二、NumPy计算

import numpy as np

a = [[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]]
b = np.array(a)

c = b > 80  # 条件判断
d = np.where(b < 80, ‘差‘, ‘优‘)  # 三目运算

vmax = np.amax(b)             # 最大值
colMax = np.amax(b, axis=0)   # 每一列的最大值
rowMax = np.amax(b, axis=1)   # 每一行的最大值

vmin = np.amin(b)             # 最小值
colMin = np.amin(b, axis=0)   # 每一列的最小值
rowMin = np.amin(b, axis=1)   # 每一行的最小值

vmean = np.mean(b)            # 平均值
colmean = np.mean(b, axis=0)  # 每一列的平均数
rowmean = np.mean(b, axis=1)  # 每一行的平均数

vstd = np.std(b)              # 方差
colstd = np.std(b, axis=0)    # 每一列的方差
rowstd = np.std(b, axis=1)    # 每一行的方差

b[:, 0] = b[:, 0] + 5         # 结合切片理解，所有行、第0列，加5

三、 数据读写

import numpy as np

src = [[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]]

# save 和 load 以NumPy专用的二进制格式保存数据，它们会自动处理元素类型和形状等信息
# 如果文件路径末尾没有扩展名.npy或者是其他扩展名，该扩展名会被自动加上。
np.save(‘a‘, src)
a = np.load(‘a.npy‘)
print(a)

# savez用于将多个数组保存到一个文件中，扩展名为.npz
# .npz是一个压缩文件
# 非关键字参数传递的数组会自动起名为arr_0, arr_1...
# load函数自动识别npz文件，并且返回一个类似于字典的对象，可以通过数组名作为关键字获取数组的内容
srcB = [[10, 11, 12, 13, 14], [15, 16, 17, 18, 19]]
srcC = [[20, 21, 22, 23, 24], [25, 26, 27, 28, 29]]
np.savez(‘aa‘, src, srcB, C=srcC)
aa = np.load("aa.npz")
print(aa[‘arr_0‘])
print(aa[‘arr_1‘])
print(aa[‘C‘])

# loadtxt 和 savetxt 可以读写1维和2维的数组
np.savetxt("b.txt", src)  # 缺省按照‘%.18e‘格式保存数据，以空格分隔
b = np.loadtxt("b.txt")

np.savetxt("b.txt", src, fmt=‘%d‘, delimiter=‘,‘)   # 整型，以逗号分隔
b = np.loadtxt("b.txt", delimiter=‘,‘)              # load时也要指定为逗号分隔

四、 矩阵操作

import numpy as np

a = np.array([[1, 2], [3, 4], [5, 6]])
b = np.array([[10, 20], [30, 40], [50, 60]])

c = np.vstack((a, b))   # [[1, 2], [3, 4], [5, 6], [10, 20], [30, 40], [50, 60]] 列数必须相同
d = np.hstack((a, b))   # [[1, 2, 10, 20], [3, 4, 30, 40], [5, 6, 50, 60]]       行数必须相同