Python怎么生成三维数

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Python怎么生成三维数相关的知识,希望对你有一定的参考价值。


1、创建一般的多维数组

import numpy as np
a = np.array([1,2,3], dtype=int)  # 创建1*3维数组   array([1,2,3])
type(a)  # numpy.ndarray类型
a.shape  # 维数信息(3L,)
a.dtype.name   # 'int32'
a.size   # 元素个数:3
a.itemsize  #每个元素所占用的字节数目:4
 
 
b=np.array([[1,2,3],[4,5,6]],dtype=int)  # 创建2*3维数组  array([[1,2,3],[4,5,6]])
b.shape  # 维数信息(2L,3L)
b.size   # 元素个数:6
b.itemsize   # 每个元素所占用的字节数目:4
 
 
c=np.array([[1,2,3],[4,5,6]],dtype='int16')  # 创建2*3维数组  array([[1,2,3],[4,5,6]],dtype=int16)
c.shape  # 维数信息(2L,3L)
c.size   # 元素个数:6
c.itemsize   # 每个元素所占用的字节数目:2
c.ndim  # 维数
 
 
d=np.array([[1,2,3],[4,5,6]],dtype=complex)    #  复数二维数组
d.itemsize  # 每个元素所占用的字节数目:16
d.dtype.name  # 元素类型:'complex128'

2、创建一般的多维数组

import numpy as np
a = np.array([1,2,3], dtype=int)  # 创建1*3维数组   array([1,2,3])
type(a)  # numpy.ndarray类型
a.shape  # 维数信息(3L,)
a.dtype.name   # 'int32'
a.size   # 元素个数:3
a.itemsize  #每个元素所占用的字节数目:4
 
 
b=np.array([[1,2,3],[4,5,6]],dtype=int)  # 创建2*3维数组  array([[1,2,3],[4,5,6]])
b.shape  # 维数信息(2L,3L)
b.size   # 元素个数:6
b.itemsize   # 每个元素所占用的字节数目:4
 
 
c=np.array([[1,2,3],[4,5,6]],dtype='int16')  # 创建2*3维数组  array([[1,2,3],[4,5,6]],dtype=int16)
c.shape  # 维数信息(2L,3L)
c.size   # 元素个数:6
c.itemsize   # 每个元素所占用的字节数目:2
c.ndim  # 维数
 
 
d=np.array([[1,2,3],[4,5,6]],dtype=complex)    #  复数二维数组
d.itemsize  # 每个元素所占用的字节数目:16
d.dtype.name  # 元素类型:'complex128'

3、创建特殊类型的多维数组

 a1 = np.zeros((3,4))    # 创建3*4全零二维数组
输出:
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])
a1.dtype.name   # 元素类型:'float64'
a1.size  # 元素个数:12
a1.itemsize  # 每个元素所占用的字节个数:8
 
 
a2 = np.ones((2,3,4), dtype=np.int16)  # 创建2*3*4全1三维数组
a2 = np.ones((2,3,4), dtype='int16')     # 创建2*3*4全1三维数组
输出:
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],
 
       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]], dtype=int16)
 
 
a3 = np.empty((2,3))  # 创建2*3的未初始化二维数组
输出:(may vary)
array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.]])
 
 
a4 = np.arange(10,30,5)   # 初始值10,结束值:30(不包含),步长:5
输出:array([10, 15, 20, 25])
a5 = np.arange(0,2,0.3)    # 初始值0,结束值:2(不包含),步长:0.2
输出:array([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])

from numpy import pi
np.linspace(0, 2, 9)   # 初始值0,结束值:2(包含),元素个数:9
输出:
array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])
x = np.linspace(0, 2*pi, 9)
输出:
array([ 0.        ,  0.78539816,  1.57079633,  2.35619449,  3.14159265,
        3.92699082,  4.71238898,  5.49778714,  6.28318531])
 
 
a = np.arange(6)
输出:
array([0, 1, 2, 3, 4, 5])
b = np.arange(12).reshape(4,3)
输出:
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])
c = np.arange(24).reshape(2,3,4)
输出:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],
 
       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]]) 

使用numpy.set_printoptions可以设置numpy变量的打印格式

在ipython环境下,使用help(numpy.set_printoptions)查询使用帮助和示例

4、多维数组的基本操作

加法和减法操作要求操作双方的维数信息一致,均为M*N为数组方可正确执行操作。

a = np.arange(4)
输出:
array([0, 1, 2, 3])
b = a**2
输出:
array([0, 1, 4, 9])
c = 10*np.sin(a)
输出:
 array([ 0.        ,  8.41470985,  9.09297427,  1.41120008])
 
 
n < 35
输出:
array([ True,  True,  True,  True], dtype=bool)
 
A = np.array([[1,1],[0,1]])
B = np.array([[2,0],[3,4]])
C = A * B    # 元素点乘
输出:
array([[2, 0],
       [0, 4]])
D = A.dot(B)   # 矩阵乘法
输出:
array([[5, 4],
       [3, 4]])
E = np.dot(A,B)   # 矩阵乘法
输出:
array([[5, 4],
       [3, 4]])

多维数组操作过程中的类型转换

When operating with arrays of different types, the type of the
resulting array corresponds to the more general or precise one (a
behavior known as upcasting)

即操作不同类型的多维数组时,结果自动转换为精度更高类型的数组,即upcasting

数组索引、切片和迭代

a = np.ones((2,3),dtype=int)      # int32
b = np.random.random((2,3))     # float64
b += a  # 正确 
a += b  # 错误

a = np.ones(3,dtype=np.int32)
b = np.linspace(0,pi,3)
c = a + b
d = np.exp(c*1j)
输出:
array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
       -0.54030231-0.84147098j])
d.dtype.name
输出:
 'complex128'

多维数组的一元操作,如求和、求最小值、最大值等

a = np.random.random((2,3))
a.sum()
a.min()
a.max()
 
 
b = np.arange(12).reshape(3,4)
输出:
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
b.sum(axis=0)    # 按列求和
输出:
array([12, 15, 18, 21])
b.sum(axis=1)    # 按行求和
输出:
array([ 6, 22, 38])
b.cumsum(axis=0)   # 按列进行元素累加
输出:
array([[ 0,  1,  2,  3],
       [ 4,  6,  8, 10],
       [12, 15, 18, 21]])
b.cumsum(axis=1)   # 按行进行元素累加
输出:
array([[ 0,  1,  3,  6],
       [ 4,  9, 15, 22],
       [ 8, 17, 27, 38]])

universal functions

B = np.arange(3)
np.exp(B)
np.sqrt(B)
C = np.array([2.,-1.,4.])
np.add(B,C)

其他的ufunc函数包括:

all, any, apply_along_axis, argmax, argmin, argsort, average, bincount, ceil, clip, conj, corrcoef, cov, cross, cumprod, cumsum, diff, dot, floor,inner, lexsort, max, maximum, mean, median, min, minimum, nonzero, outer, prod, re, round, sort, std, sum, trace, transpose, var,vdot, vectorize, where

5. 数组索引、切片和迭代

a = np.arange(10)**3
a[2]
a[2:5]
a[::-1] # 逆序输出
for i in a:
    print (i**(1/3.))

def f(x,y):
    return 10*x+y
b = np.fromfunction(f,(5,4),dtype=int)
b[2,3]
b[0:5,1]
b[:,1]
b[1:3,:]
b[-1]

c = np.array([[[0,1,2],[10,11,12]],[[100,101,102],[110,111,112]]])
输出:
array([[[  0,   1,   2],
        [ 10,  11,  12]],
 
       [[100, 101, 102],
        [110, 111, 112]]])
c.shape
输出:
(2L, 2L, 3L)
c[0,...]
c[0,:,:]
输出:
array([[ 0,  1,  2],
       [10, 11, 12]])
c[:,:,2]
c[...,2]
输出:
array([[  2,  12],
       [102, 112]])
 
for row in c:
    print(row)
 
for element in c.flat:
    print(element)

a = np.floor(10*np.random.random((3,4)))
输出:
array([[ 3.,  9.,  8.,  4.],
       [ 2.,  1.,  4.,  6.],
       [ 0.,  6.,  0.,  2.]])
a.ravel()
输出:
array([ 3.,  9.,  8., ...,  6.,  0.,  2.])
a.reshape(6,2)
输出:
array([[ 3.,  9.],
       [ 8.,  4.],
       [ 2.,  1.],
       [ 4.,  6.],
       [ 0.,  6.],
       [ 0.,  2.]])
a.T
输出:
array([[ 3.,  2.,  0.],
       [ 9.,  1.,  6.],
       [ 8.,  4.,  0.],
       [ 4.,  6.,  2.]])
a.T.shape
输出:
(4L, 3L)
a.resize((2,6))
输出:
array([[ 3.,  9.,  8.,  4.,  2.,  1.],
       [ 4.,  6.,  0.,  6.,  0.,  2.]])
a.shape
输出:
(2L, 6L)
a.reshape(3,-1)
输出:
array([[ 3.,  9.,  8.,  4.],
       [ 2.,  1.,  4.,  6.],
       [ 0.,  6.,  0.,  2.]])

详查以下函数:

ndarray.shape, reshape, resize, ravel

6. 组合不同的多维数组

a = np.floor(10*np.random.random((2,2)))
输出:
array([[ 5.,  2.],
       [ 6.,  2.]])
b = np.floor(10*np.random.random((2,2)))
输出:
array([[ 0.,  2.],
       [ 4.,  1.]])
np.vstack((a,b))
输出:
array([[ 5.,  2.],
       [ 6.,  2.],
       [ 0.,  2.],
       [ 4.,  1.]])
np.hstack((a,b))
输出:
array([[ 5.,  2.,  0.,  2.],
       [ 6.,  2.,  4.,  1.]])
 
 
from numpy import newaxis
np.column_stack((a,b))
输出:
array([[ 5.,  2.,  0.,  2.],
       [ 6.,  2.,  4.,  1.]])
 
 
a = np.array([4.,2.])
b = np.array([2.,8.])
a[:,newaxis]
输出:
array([[ 4.],
       [ 2.]])
b[:,newaxis]
输出:
array([[ 2.],
       [ 8.]])
np.column_stack((a[:,newaxis],b[:,newaxis]))
输出:
array([[ 4.,  2.],
       [ 2.,  8.]])
np.vstack((a[:,newaxis],b[:,newaxis]))
输出:
array([[ 4.],
       [ 2.],
       [ 2.],
       [ 8.]])
np.r_[1:4,0,4]
输出:
array([1, 2, 3, 0, 4])
np.c_[np.array([[1,2,3]]),0,0,0,np.array([[4,5,6]])]
输出:
array([[1, 2, 3, 0, 0, 0, 4, 5, 6]])

详细使用请查询以下函数:

hstack, vstack, column_stack, concatenate, c_, r_

7. 将较大的多维数组分割成较小的多维数组

a = np.floor(10*np.random.random((2,12)))
输出:
array([[ 9.,  7.,  9., ...,  3.,  2.,  4.],
       [ 5.,  3.,  3., ...,  9.,  7.,  7.]])
np.hsplit(a,3)
输出:
[array([[ 9.,  7.,  9.,  6.],
        [ 5.,  3.,  3.,  1.]]), array([[ 7.,  2.,  1.,  6.],
        [ 7.,  5.,  0.,  2.]]), array([[ 9.,  3.,  2.,  4.],
        [ 3.,  9.,  7.,  7.]])]
np.hsplit(a,(3,4))
输出:
[array([[ 9.,  7.,  9.],
        [ 5.,  3.,  3.]]), array([[ 6.],
        [ 1.]]), array([[ 7.,  2.,  1., ...,  3.,  2.,  4.],
        [ 7.,  5.,  0., ...,  9.,  7.,  7.]])]

实现类似功能的函数包括:

hsplit,vsplit,array_split

8.  多维数组的复制操作

a = np.arange(12)
输出:
array([ 0,  1,  2, ...,  9, 10, 11])
 
 
not copy at all
 
b = a
b is a    # True
b.shape = 3,4
a.shape  # (3L,4L)
 
def f(x)   # Python passes mutable objects as references, so function calls make no copy.
    print(id(x))   # id是python对象的唯一标识符
 
id(a)   # 111833936L
id(b)   # 111833936L
f(a)     # 111833936L
 
 
浅复制
 
c = a.view()
c is a   # False
c.base is a   # True
c.flags.owndata    # False
c.shape = 2,6
a.shape   # (3L,4L)
c[0,4] = 1234
print(a)
输出:
array([[   0,    1,    2,    3],
       [1234,    5,    6,    7],
       [   8,    9,   10,   11]])
s = a[:,1:3]
s[:] = 10
print(a)
输出:
array([[   0,   10,   10,    3],
       [1234,   10,   10,    7],
       [   8,   10,   10,   11]])
 
 
深复制
d = a.copy()
d is a   # False
d.base is a   # False
d[0,0] = 9999
print(a)
输出:
array([[   0,   10,   10,    3],
       [1234,   10,   10,    7],
       [   8,   10,   10,   11]])

numpy基本函数和方法一览

Array   Creation

arange, array, copy, empty, empty_like, eye, fromfile, fromfunction, identity, linspace, logspace, mgrid, ogrid, ones, ones_like, r, zeros,zeros_like

Conversions

ndarray.astype, atleast_1d, atleast_2d, atleast_3d, mat

Manipulations

array_split, column_stack, concatenate, diagonal, dsplit, dstack, hsplit, hstack, ndarray.item, newaxis, ravel, repeat, reshape, resize,squeeze, swapaxes, take, transpose, vsplit, vstack

Questionsall, any, nonzero, where

Ordering

argmax, argmin, argsort, max, min, ptp, searchsorted, sort

Operations

choose, compress, cumprod, cumsum, inner, ndarray.fill, imag, prod, put, putmask, real, sum

Basic Statistics

cov, mean, std, var

Basic Linear Algebra

cross, dot, outer, linalg.svd, vdot

完整的函数和方法一览表链接:

https://docs.scipy.org/doc/numpy-dev/reference/routines.html#routines

参考技术A 给个例子看看

以上是关于Python怎么生成三维数的主要内容,如果未能解决你的问题,请参考以下文章

MATLAB学习——三维曲面图像绘制

Python程序化生成三维场景PyPRT

Python程序化生成三维场景PyPRT

opencv三维重建深度怎么不随视场变化

旋转矩阵的三维空间

怎么制作三维饼状图