NumPy - 数组操作

NumPy包中有几个例程用于处理ndarray对象中的元素。 它们可以分为以下类型：

修改形状

序号 形状及描述
1. reshape 不改变数据的条件下修改形状
2. flat 数组上的一维迭代器
3. flatten 返回折叠为一维的数组副本
4. ravel 返回连续的展开数组

numpy.reshape

这个函数在不改变数据的条件下修改形状，它接受如下参数：

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

其中：

  • 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'为 C 风格顺序，'F'为 F 风格顺序，'A'为保留原顺序。

例子

  1. import numpy as np
  2. a = np.arange(8)
  3. print '原始数组：'
  4. print a
  5. print '\n'
  7. b = a.reshape(4,2)
  8. print '修改后的数组：'
  9. print b

输出如下：

  1. 原始数组：
  2. [0 1 2 3 4 5 6 7]
  4. 修改后的数组：
  5. [[0 1]
  6.  [2 3]
  7.  [4 5]
  8.  [6 7]]

numpy.ndarray.flat

该函数返回数组上的一维迭代器，行为类似 Python 内建的迭代器。

例子

  1. import numpy as np
  2. a = np.arange(8).reshape(2,4)
  3. print '原始数组：'
  4. print a
  5. print '\n'
  7. print '调用 flat 函数之后：'
  8. # 返回展开数组中的下标的对应元素
  9. print a.flat[5]

输出如下：

  1. 原始数组：
  2. [[0 1 2 3]
  3.  [4 5 6 7]]
  5. 调用 flat 函数之后：
  6. 5

numpy.ndarray.flatten

该函数返回折叠为一维的数组副本，函数接受下列参数：

  1. ndarray.flatten(order='C')

其中：

  • order：'C' — 按行，'F' — 按列，'A' — 原顺序，'k' — 元素在内存中的出现顺序。

例子

  1. import numpy as np
  2. a = np.arange(8).reshape(2,4)
  4. print '原数组：'
  5. print a
  6. print '\n'  
  7. # default is column-major
  9. print '展开的数组：'
  10. print a.flatten()
  11. print '\n'  
  13. print '以 F 风格顺序展开的数组：'
  14. print a.flatten(order = 'F')

输出如下：

  1. 原数组：
  2. [[0 1 2 3]
  3.  [4 5 6 7]]
  5. 展开的数组：
  6. [0 1 2 3 4 5 6 7]
  8. 以 F 风格顺序展开的数组：
  9. [0 4 1 5 2 6 3 7]

numpy.ravel

这个函数返回展开的一维数组，并且按需生成副本。返回的数组和输入数组拥有相同数据类型。这个函数接受两个参数。

  1. numpy.ravel(a, order='C')

构造器接受下列参数：

  • order：'C' — 按行，'F' — 按列，'A' — 原顺序，'k' — 元素在内存中的出现顺序。

例子

  1. import numpy as np
  2. a = np.arange(8).reshape(2,4)
  4. print '原数组：'
  5. print a
  6. print '\n'  
  8. print '调用 ravel 函数之后：'
  9. print a.ravel()  
  10. print '\n'
  12. print '以 F 风格顺序调用 ravel 函数之后：'
  13. print a.ravel(order = 'F')
  1. 原数组：
  2. [[0 1 2 3]
  3.  [4 5 6 7]]
  5. 调用 ravel 函数之后：
  6. [0 1 2 3 4 5 6 7]
  8. 以 F 风格顺序调用 ravel 函数之后：
  9. [0 4 1 5 2 6 3 7]

翻转操作

序号 操作及描述
1. transpose 翻转数组的维度
2. ndarray.T 和self.transpose()相同
3. rollaxis 向后滚动指定的轴
4. swapaxes 互换数组的两个轴

numpy.transpose

这个函数翻转给定数组的维度。如果可能的话它会返回一个视图。函数接受下列参数：

  1. numpy.transpose(arr, axes)

其中：

  • arr：要转置的数组
  • axes：整数的列表，对应维度，通常所有维度都会翻转。

例子

  1. import numpy as np
  2. a = np.arange(12).reshape(3,4)
  4. print '原数组：'
  5. print a  
  6. print '\n'
  8. print '转置数组：'
  9. print np.transpose(a)

输出如下：

  1. 原数组：
  2. [[ 0 1 2 3]
  3.  [ 4 5 6 7]
  4.  [ 8 9 10 11]]
  6. 转置数组：
  7. [[ 0 4 8]
  8.  [ 1 5 9]
  9.  [ 2 6 10]
  10.  [ 3 7 11]]

numpy.ndarray.T

该函数属于ndarray类，行为类似于numpy.transpose。

例子

  1. import numpy as np
  2. a = np.arange(12).reshape(3,4)
  4. print '原数组：'
  5. print a
  6. print '\n'  
  8. print '转置数组：'
  9. print a.T

输出如下：

  1. 原数组：
  2. [[ 0 1 2 3]
  3.  [ 4 5 6 7]
  4.  [ 8 9 10 11]]
  6. 转置数组：
  7. [[ 0 4 8]
  8.  [ 1 5 9]
  9.  [ 2 6 10]
  10.  [ 3 7 11]]

numpy.rollaxis

该函数向后滚动特定的轴，直到一个特定位置。这个函数接受三个参数：

  1. numpy.rollaxis(arr, axis, start)

其中：

  • arr：输入数组
  • axis：要向后滚动的轴，其它轴的相对位置不会改变
  • start：默认为零，表示完整的滚动。会滚动到特定位置。

例子

  1. # 创建了三维的 ndarray
  2. import numpy as np
  3. a = np.arange(8).reshape(2,2,2)
  5. print '原数组：'
  6. print a
  7. print '\n'
  8. # 将轴 2 滚动到轴 0（宽度到深度）
  10. print '调用 rollaxis 函数：'
  11. print np.rollaxis(a,2)  
  12. # 将轴 0 滚动到轴 1：（宽度到高度）
  13. print '\n'
  15. print '调用 rollaxis 函数：'
  16. print np.rollaxis(a,2,1)

输出如下：

  1. 原数组：
  2. [[[0 1]
  3.  [2 3]]
  4.  [[4 5]
  5.  [6 7]]]
  7. 调用 rollaxis 函数：
  8. [[[0 2]
  9.  [4 6]]
  10.  [[1 3]
  11.  [5 7]]]
  13. 调用 rollaxis 函数：
  14. [[[0 2]
  15.  [1 3]]
  16.  [[4 6]
  17.  [5 7]]]

numpy.swapaxes

该函数交换数组的两个轴。对于 1.10 之前的 NumPy 版本，会返回交换后数组的视图。这个函数接受下列参数：

  1. numpy.swapaxes(arr, axis1, axis2)
  • arr：要交换其轴的输入数组
  • axis1：对应第一个轴的整数
  • axis2：对应第二个轴的整数
  1. # 创建了三维的 ndarray
  2. import numpy as np
  3. a = np.arange(8).reshape(2,2,2)
  5. print '原数组：'
  6. print a
  7. print '\n'  
  8. # 现在交换轴 0（深度方向）到轴 2（宽度方向）
  10. print '调用 swapaxes 函数后的数组：'
  11. print np.swapaxes(a, 2, 0)

输出如下：

  1. 原数组：
  2. [[[0 1]
  3.  [2 3]]
  5.  [[4 5]
  6.   [6 7]]]
  8. 调用 swapaxes 函数后的数组：
  9. [[[0 4]
  10.  [2 6]]
  12.  [[1 5]
  13.   [3 7]]]

修改维度

序号 维度和描述
1. broadcast 产生模仿广播的对象
2. broadcast_to 将数组广播到新形状
3. expand_dims 扩展数组的形状
4. squeeze 从数组的形状中删除单维条目

broadcast

如前所述，NumPy 已经内置了对广播的支持。 此功能模仿广播机制。 它返回一个对象，该对象封装了将一个数组广播到另一个数组的结果。

该函数使用两个数组作为输入参数。 下面的例子说明了它的用法。

  1. import numpy as np
  2. x = np.array([[1], [2], [3]])
  3. y = np.array([4, 5, 6])  
  5. # 对 y 广播 x
  6. b = np.broadcast(x,y)  
  7. # 它拥有 iterator 属性，基于自身组件的迭代器元组
  9. print '对 y 广播 x：'
  10. r,c = b.iters
  11. print r.next(), c.next()
  12. print r.next(), c.next()
  13. print '\n'  
  14. # shape 属性返回广播对象的形状
  16. print '广播对象的形状：'
  17. print b.shape
  18. print '\n'  
  19. # 手动使用 broadcast 将 x 与 y 相加
  20. b = np.broadcast(x,y)
  21. c = np.empty(b.shape)
  23. print '手动使用 broadcast 将 x 与 y 相加：'
  24. print c.shape
  25. print '\n'  
  26. c.flat = [u + v for (u,v) in b]
  28. print '调用 flat 函数：'
  29. print c
  30. print '\n'  
  31. # 获得了和 NumPy 内建的广播支持相同的结果
  33. print 'x 与 y 的和：'
  34. print x + y

输出如下：

  1. 对 y 广播 x：
  2. 1 4
  3. 1 5
  5. 广播对象的形状：
  6. (3, 3)
  8. 手动使用 broadcast 将 x 与 y 相加：
  9. (3, 3)
  11. 调用 flat 函数：
  12. [[ 5. 6. 7.]
  13.  [ 6. 7. 8.]
  14.  [ 7. 8. 9.]]
  16. x 与 y 的和：
  17. [[5 6 7]
  18.  [6 7 8]
  19.  [7 8 9]]

numpy.broadcast_to

此函数将数组广播到新形状。 它在原始数组上返回只读视图。 它通常不连续。 如果新形状不符合 NumPy 的广播规则，该函数可能会抛出ValueError。

注意 - 此功能可用于 1.10.0 及以后的版本。

该函数接受以下参数。

  1. numpy.broadcast_to(array, shape, subok)

例子

  1. import numpy as np
  2. a = np.arange(4).reshape(1,4)
  4. print '原数组：'
  5. print a
  6. print '\n'  
  8. print '调用 broadcast_to 函数之后：'
  9. print np.broadcast_to(a,(4,4))

输出如下：

  1. [[0  1  2  3]
  2.  [0  1  2  3]
  3.  [0  1  2  3]
  4.  [0  1  2  3]]

numpy.expand_dims

函数通过在指定位置插入新的轴来扩展数组形状。该函数需要两个参数：

  1. numpy.expand_dims(arr, axis)

其中：

  • arr：输入数组
  • axis：新轴插入的位置

例子

  1. import numpy as np
  2. x = np.array(([1,2],[3,4]))
  4. print '数组 x：'
  5. print x
  6. print '\n'  
  7. y = np.expand_dims(x, axis = 0)
  9. print '数组 y：'
  10. print y
  11. print '\n'
  13. print '数组 x 和 y 的形状：'
  14. print x.shape, y.shape
  15. print '\n'  
  16. # 在位置 1 插入轴
  17. y = np.expand_dims(x, axis = 1)
  19. print '在位置 1 插入轴之后的数组 y：'
  20. print y
  21. print '\n'  
  23. print 'x.ndim 和 y.ndim：'
  24. print x.ndim,y.ndim
  25. print '\n'  
  27. print 'x.shape 和 y.shape：'
  28. print x.shape, y.shape

输出如下：

  1. 数组 x：
  2. [[1 2]
  3.  [3 4]]
  5. 数组 y：
  6. [[[1 2]
  7.  [3 4]]]
  9. 数组 x 和 y 的形状：
  10. (2, 2) (1, 2, 2)
  12. 在位置 1 插入轴之后的数组 y：
  13. [[[1 2]]
  14.  [[3 4]]]
  16. x.shape 和 y.shape：
  17. 2 3
  19. x.shape and y.shape:
  20. (2, 2) (2, 1, 2)

numpy.squeeze

函数从给定数组的形状中删除一维条目。 此函数需要两个参数。

  1. numpy.squeeze(arr, axis)

其中：

  • arr：输入数组
  • axis：整数或整数元组，用于选择形状中单一维度条目的子集

例子

  1. import numpy as np  
  2. x = np.arange(9).reshape(1,3,3)
  4. print '数组 x：'
  5. print x
  6. print '\n'  
  7. y = np.squeeze(x)
  9. print '数组 y：'
  10. print y
  11. print '\n'  
  13. print '数组 x 和 y 的形状：'
  14. print x.shape, y.shape

输出如下：

  1. 数组 x：
  2. [[[0 1 2]
  3.  [3 4 5]
  4.  [6 7 8]]]
  6. 数组 y：
  7. [[0 1 2]
  8.  [3 4 5]
  9.  [6 7 8]]
  11. 数组 x 和 y 的形状：
  12. (1, 3, 3) (3, 3)

数组的连接

序号 数组及描述
1. concatenate 沿着现存的轴连接数据序列
2. stack 沿着新轴连接数组序列
3. hstack 水平堆叠序列中的数组（列方向）
4. vstack 竖直堆叠序列中的数组（行方向）

numpy.concatenate

数组的连接是指连接。 此函数用于沿指定轴连接相同形状的两个或多个数组。 该函数接受以下参数。

  1. numpy.concatenate((a1, a2, ...), axis)

其中：

  • a1, a2, ...：相同类型的数组序列
  • axis：沿着它连接数组的轴，默认为 0

例子

  1. import numpy as np
  2. a = np.array([[1,2],[3,4]])
  4. print '第一个数组：'
  5. print a
  6. print '\n'  
  7. b = np.array([[5,6],[7,8]])
  9. print '第二个数组：'
  10. print b
  11. print '\n'  
  12. # 两个数组的维度相同
  14. print '沿轴 0 连接两个数组：'
  15. print np.concatenate((a,b))
  16. print '\n'  
  18. print '沿轴 1 连接两个数组：'
  19. print np.concatenate((a,b),axis = 1)

输出如下：

  1. 第一个数组：
  2. [[1 2]
  3.  [3 4]]
  5. 第二个数组：
  6. [[5 6]
  7.  [7 8]]
  9. 沿轴 0 连接两个数组：
  10. [[1 2]
  11.  [3 4]
  12.  [5 6]
  13.  [7 8]]
  15. 沿轴 1 连接两个数组：
  16. [[1 2 5 6]
  17.  [3 4 7 8]]

numpy.stack

此函数沿新轴连接数组序列。 此功能添加自 NumPy 版本 1.10.0。 需要提供以下参数。

  1. numpy.stack(arrays, axis)

其中：

  • arrays：相同形状的数组序列
  • axis：返回数组中的轴，输入数组沿着它来堆叠
  1. import numpy as np
  2. a = np.array([[1,2],[3,4]])
  4. print '第一个数组：'
  5. print a
  6. print '\n'
  7. b = np.array([[5,6],[7,8]])
  9. print '第二个数组：'
  10. print b
  11. print '\n'  
  13. print '沿轴 0 堆叠两个数组：'
  14. print np.stack((a,b),0)
  15. print '\n'  
  17. print '沿轴 1 堆叠两个数组：'
  18. print np.stack((a,b),1)

输出如下：

  1. 第一个数组：
  2. [[1 2]
  3.  [3 4]]
  5. 第二个数组：
  6. [[5 6]
  7.  [7 8]]
  9. 沿轴 0 堆叠两个数组：
  10. [[[1 2]
  11.  [3 4]]
  12.  [[5 6]
  13.  [7 8]]]
  15. 沿轴 1 堆叠两个数组：
  16. [[[1 2]
  17.  [5 6]]
  18.  [[3 4]
  19.  [7 8]]]

numpy.hstack

numpy.stack函数的变体，通过堆叠来生成水平的单个数组。

例子

  1. import numpy as np
  2. a = np.array([[1,2],[3,4]])
  4. print '第一个数组：'
  5. print a
  6. print '\n'  
  7. b = np.array([[5,6],[7,8]])
  9. print '第二个数组：'
  10. print b
  11. print '\n'  
  13. print '水平堆叠：'
  14. c = np.hstack((a,b))
  15. print c
  16. print '\n'

输出如下：

  1. 第一个数组：
  2. [[1 2]
  3.  [3 4]]
  5. 第二个数组：
  6. [[5 6]
  7.  [7 8]]
  9. 水平堆叠：
  10. [[1 2 5 6]
  11.  [3 4 7 8]]

numpy.vstack

numpy.stack函数的变体，通过堆叠来生成竖直的单个数组。

  1. import numpy as np
  2. a = np.array([[1,2],[3,4]])
  4. print '第一个数组：'
  5. print a
  6. print '\n'  
  7. b = np.array([[5,6],[7,8]])
  9. print '第二个数组：'
  10. print b
  11. print '\n'
  13. print '竖直堆叠：'
  14. c = np.vstack((a,b))
  15. print c

输出如下：

  1. 第一个数组：
  2. [[1 2]
  3.  [3 4]]
  5. 第二个数组：
  6. [[5 6]
  7.  [7 8]]
  9. 竖直堆叠：
  10. [[1 2]
  11.  [3 4]
  12.  [5 6]
  13.  [7 8]]

数组分割

序号 数组及操作
1. split 将一个数组分割为多个子数组
2. hsplit 将一个数组水平分割为多个子数组（按列）
3. vsplit 将一个数组竖直分割为多个子数组（按行）

numpy.split

该函数沿特定的轴将数组分割为子数组。函数接受三个参数：

  1. numpy.split(ary, indices_or_sections, axis)

其中：

  • ary：被分割的输入数组
  • indices_or_sections：可以是整数，表明要从输入数组创建的，等大小的子数组的数量。 如果此参数是一维数组，则其元素表明要创建新子数组的点。
  • axis：默认为 0

例子

  1. import numpy as np
  2. a = np.arange(9)
  4. print '第一个数组：'
  5. print a
  6. print '\n'  
  8. print '将数组分为三个大小相等的子数组：'
  9. b = np.split(a,3)
  10. print b
  11. print '\n'  
  13. print '将数组在一维数组中表明的位置分割：'
  14. b = np.split(a,[4,7])
  15. print b

输出如下：

  1. 第一个数组：
  2. [0 1 2 3 4 5 6 7 8]
  4. 将数组分为三个大小相等的子数组：
  5. [array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])]
  7. 将数组在一维数组中表明的位置分割：
  8. [array([0, 1, 2, 3]), array([4, 5, 6]), array([7, 8])]

numpy.hsplit

numpy.hsplit是split()函数的特例，其中轴为 1 表示水平分割，无论输入数组的维度是什么。

  1. import numpy as np
  2. a = np.arange(16).reshape(4,4)
  4. print '第一个数组：'
  5. print a
  6. print '\n'  
  8. print '水平分割：'
  9. b = np.hsplit(a,2)
  10. print b
  11. print '\n'

输出：

  1. 第一个数组：
  2. [[ 0 1 2 3]
  3.  [ 4 5 6 7]
  4.  [ 8 9 10 11]
  5.  [12 13 14 15]]
  7. 水平分割：                                                         
  8. [array([[ 0,  1],                                                             
  9.        [ 4,  5],                                                              
  10.        [ 8,  9],                                                              
  11.        [12, 13]]), array([[ 2,  3],                                           
  12.        [ 6,  7],                                                              
  13.        [10, 11],                                                              
  14.        [14, 15]])]

numpy.vsplit

numpy.vsplit是split()函数的特例，其中轴为 0 表示竖直分割，无论输入数组的维度是什么。下面的例子使之更清楚。

  1. import numpy as np
  2. a = np.arange(16).reshape(4,4)
  4. print '第一个数组：'
  5. print a
  6. print '\n'
  8. print '竖直分割：'
  9. b = np.vsplit(a,2)
  10. print b

输出如下：

  1. 第一个数组：
  2. [[ 0 1 2 3]
  3.  [ 4 5 6 7]
  4.  [ 8 9 10 11]
  5.  [12 13 14 15]]
  7. 竖直分割：                                                           
  8. [array([[0, 1, 2, 3],                                                         
  9.        [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],                               
  10.        [12, 13, 14, 15]])]

添加/删除元素

序号 元素及描述
1. resize 返回指定形状的新数组
2. append 将值添加到数组末尾
3. insert 沿指定轴将值插入到指定下标之前
4. delete 返回删掉某个轴的子数组的新数组
5. unique 寻找数组内的唯一元素

numpy.resize

此函数返回指定大小的新数组。 如果新大小大于原始大小，则包含原始数组中的元素的重复副本。 该函数接受以下参数。

  1. numpy.resize(arr, shape)

其中：

  • arr：要修改大小的输入数组
  • shape：返回数组的新形状

例子

  1. import numpy as np
  2. a = np.array([[1,2,3],[4,5,6]])
  4. print '第一个数组：'
  5. print a
  6. print '\n'
  8. print '第一个数组的形状：'
  9. print a.shape
  10. print '\n'  
  11. b = np.resize(a, (3,2))
  13. print '第二个数组：'
  14. print b
  15. print '\n'  
  17. print '第二个数组的形状：'
  18. print b.shape
  19. print '\n'  
  20. # 要注意 a 的第一行在 b 中重复出现，因为尺寸变大了
  22. print '修改第二个数组的大小：'
  23. b = np.resize(a,(3,3))
  24. print b

输出如下：

  1. 第一个数组：
  2. [[1 2 3]
  3.  [4 5 6]]
  5. 第一个数组的形状：
  6. (2, 3)
  8. 第二个数组：
  9. [[1 2]
  10.  [3 4]
  11.  [5 6]]
  13. 第二个数组的形状：
  14. (3, 2)
  16. 修改第二个数组的大小：
  17. [[1 2 3]
  18.  [4 5 6]
  19.  [1 2 3]]

numpy.append

此函数在输入数组的末尾添加值。 附加操作不是原地的，而是分配新的数组。 此外，输入数组的维度必须匹配否则将生成ValueError。

函数接受下列函数：

  1. numpy.append(arr, values, axis)

其中：

  • arr：输入数组
  • values：要向arr添加的值，比如和arr形状相同（除了要添加的轴）
  • axis：沿着它完成操作的轴。如果没有提供，两个参数都会被展开。

例子

  1. import numpy as np
  2. a = np.array([[1,2,3],[4,5,6]])
  4. print '第一个数组：'
  5. print a
  6. print '\n'  
  8. print '向数组添加元素：'
  9. print np.append(a, [7,8,9])
  10. print '\n'  
  12. print '沿轴 0 添加元素：'
  13. print np.append(a, [[7,8,9]],axis = 0)
  14. print '\n'  
  16. print '沿轴 1 添加元素：'
  17. print np.append(a, [[5,5,5],[7,8,9]],axis = 1)

输出如下：

  1. 第一个数组：
  2. [[1 2 3]
  3.  [4 5 6]]
  5. 向数组添加元素：
  6. [1 2 3 4 5 6 7 8 9]
  8. 沿轴 0 添加元素：
  9. [[1 2 3]
  10.  [4 5 6]
  11.  [7 8 9]]
  13. 沿轴 1 添加元素：
  14. [[1 2 3 5 5 5]
  15.  [4 5 6 7 8 9]]

numpy.insert

此函数在给定索引之前，沿给定轴在输入数组中插入值。 如果值的类型转换为要插入，则它与输入数组不同。 插入没有原地的，函数会返回一个新数组。 此外，如果未提供轴，则输入数组会被展开。

insert()函数接受以下参数：

  1. numpy.insert(arr, obj, values, axis)

其中：

  • arr：输入数组
  • obj：在其之前插入值的索引
  • values：要插入的值
  • axis：沿着它插入的轴，如果未提供，则输入数组会被展开

例子

  1. import numpy as np
  2. a = np.array([[1,2],[3,4],[5,6]])
  4. print '第一个数组：'
  5. print a
  6. print '\n'  
  8. print '未传递 Axis 参数。 在插入之前输入数组会被展开。'
  9. print np.insert(a,3,[11,12])
  10. print '\n'  
  11. print '传递了 Axis 参数。 会广播值数组来配输入数组。'
  13. print '沿轴 0 广播：'
  14. print np.insert(a,1,[11],axis = 0)
  15. print '\n'  
  17. print '沿轴 1 广播：'
  18. print np.insert(a,1,11,axis = 1)

输出如下：

  1. 第一个数组：
  2. [[1 2]
  3.  [3 4]
  4.  [5 6]]
  7. 未传递 Axis 参数。 在插入之前输入数组会被展开。
  8. [ 1  2  3 11 12  4  5  6]
  11. 传递了 Axis 参数。 会广播值数组来配输入数组。
  12. 沿轴 0 广播：
  13. [[ 1  2]
  14.  [11 11]
  15.  [ 3  4]
  16.  [ 5  6]]
  19. 沿轴 1 广播：
  20. [[ 1 11  2]
  21.  [ 3 11  4]
  22.  [ 5 11  6]]

numpy.delete

此函数返回从输入数组中删除指定子数组的新数组。 与insert()函数的情况一样，如果未提供轴参数，则输入数组将展开。 该函数接受以下参数：

  1. Numpy.delete(arr, obj, axis)

其中：

  • arr：输入数组
  • obj：可以被切片，整数或者整数数组，表明要从输入数组删除的子数组
  • axis：沿着它删除给定子数组的轴，如果未提供，则输入数组会被展开

例子

  1. import numpy as np
  2. a = np.arange(12).reshape(3,4)
  4. print '第一个数组：'
  5. print a
  6. print '\n'  
  8. print '未传递 Axis 参数。 在插入之前输入数组会被展开。'
  9. print np.delete(a,5)
  10. print '\n'  
  12. print '删除第二列：'  
  13. print np.delete(a,1,axis = 1)
  14. print '\n'  
  16. print '包含从数组中删除的替代值的切片：'
  17. a = np.array([1,2,3,4,5,6,7,8,9,10])
  18. print np.delete(a, np.s_[::2])

输出如下：

  1. 第一个数组：
  2. [[ 0 1 2 3]
  3.  [ 4 5 6 7]
  4.  [ 8 9 10 11]]
  6. 未传递 Axis 参数。 在插入之前输入数组会被展开。
  7. [ 0 1 2 3 4 6 7 8 9 10 11]
  9. 删除第二列：
  10. [[ 0 2 3]
  11.  [ 4 6 7]
  12.  [ 8 10 11]]
  14. 包含从数组中删除的替代值的切片：
  15. [ 2 4 6 8 10]

numpy.unique

此函数返回输入数组中的去重元素数组。 该函数能够返回一个元组，包含去重数组和相关索引的数组。 索引的性质取决于函数调用中返回参数的类型。

  1. numpy.unique(arr, return_index, return_inverse, return_counts)

其中：

  • arr：输入数组，如果不是一维数组则会展开
  • return_index：如果为true，返回输入数组中的元素下标
  • return_inverse：如果为true，返回去重数组的下标，它可以用于重构输入数组
  • return_counts：如果为true，返回去重数组中的元素在原数组中的出现次数

例子

  1. import numpy as np
  2. a = np.array([5,2,6,2,7,5,6,8,2,9])
  4. print '第一个数组：'
  5. print a
  6. print '\n'  
  8. print '第一个数组的去重值：'
  9. u = np.unique(a)
  10. print u
  11. print '\n'  
  13. print '去重数组的索引数组：'
  14. u,indices = np.unique(a, return_index = True)
  15. print indices
  16. print '\n'  
  18. print '我们可以看到每个和原数组下标对应的数值：'
  19. print a
  20. print '\n'  
  22. print '去重数组的下标：'
  23. u,indices = np.unique(a,return_inverse = True)
  24. print u
  25. print '\n'
  27. print '下标为：'
  28. print indices
  29. print '\n'  
  31. print '使用下标重构原数组：'
  32. print u[indices]
  33. print '\n'  
  35. print '返回去重元素的重复数量：'
  36. u,indices = np.unique(a,return_counts = True)
  37. print u
  38. print indices

输出如下：

  1. 第一个数组：
  2. [5 2 6 2 7 5 6 8 2 9]
  4. 第一个数组的去重值：
  5. [2 5 6 7 8 9]
  7. 去重数组的索引数组：
  8. [1 0 2 4 7 9]
  10. 我们可以看到每个和原数组下标对应的数值：
  11. [5 2 6 2 7 5 6 8 2 9]
  13. 去重数组的下标：
  14. [2 5 6 7 8 9]
  16. 下标为：
  17. [1 0 2 0 3 1 2 4 0 5]
  19. 使用下标重构原数组：
  20. [5 2 6 2 7 5 6 8 2 9]
  22. 返回唯一元素的重复数量：
  23. [2 5 6 7 8 9]
  24.  [3 2 2 1 1 1]