Python之numpy数组学习（二）

作者 Airy
本文转自AiryData，转载需授权

前言

前面我们学习了numpy库的简单应用，今天来学习下比较重要的如何处理数组。

处理数组形状

下面可将多维数组转换成一维数组时的情形。

利用以下函数处理数组的形状：

拆解：ravel()函数可将多维数组变成一维数组。
拉直（Flatten）：flatten()函数与ravel()相同，但是，flatten()返回的是真实的数组，需要分配新的内存空间；而ravel()函数返回的只是数组的视图。
用元组指定数组形状：除reshape()函数外，还可以用元组来定义数组的形状。
转置：在线性代数中，矩阵的转置操作非常常见，转置是一种数据变换方法，对于二维表而言，转置就意味着行变成列，同时列变成行。
调整大小：函数resize()的作用类似于reshape()，但是会改变所作用的数组。

堆叠数组

从深度看，数组既可以横向叠放，也可以竖向叠放。因此，可以使用vstack()、dstack()、hstack()、column_stack()、row_stack()、和concatenate()等函数。

首先我们要建立一些数组，然后整体说一下各种叠加方式，最后放上示例代码：

水平叠加：先介绍水平叠加方式，即用元组确定ndarrays()数组的形状，然后交由hstack()函数来码放这些数组。
垂直叠加：使用垂直叠加方法，先要构建一个元组，然后将元组交给vstack()函数来码放数组。
深度叠加：还有一种深度叠加方法，这要用到dstack()函数和一个元组。这种方法是沿着第三个坐标轴（纵向）的方法来叠加一摞数组。举例来说：可以在一个图像数据的二维数组上叠加另一幅图像的数据。
列式堆叠：column_stack()函数以列方式对一维数组进行堆叠。
行式堆叠：同时，numpy也有以行方式对数组进行堆叠的函数，这个用于一维数组的函数名为row_stack()，它将数组作为行码放到二维数组中。

整体代码如下：

#-*- coding:utf-8 -*-
#stacking.py
import numpy as np

#创建数组
a = np.arange(9).reshape(3,3)

print(a)
#Out:
#array([[0, 1, 2],
#       [3, 4, 5],
#       [6, 7, 8]])

b = 2 * a

print (b）
#Out:
#array([[ 0, 2, 4],
#       [ 6, 8, 10],
#       [12, 14, 16]])

#水平叠加
print (np.hstack((a, b)))
#Out:
#array([[ 0, 1, 2, 0, 2, 4],
#       [ 3, 4, 5, 6, 8, 10],
#       [ 6, 7, 8, 12, 14, 16]])

print (np.concatenate((a, b), axis=1)）
#Out:
#array([[ 0, 1, 2, 0, 2, 4],
#       [ 3, 4, 5, 6, 8, 10],
#       [ 6, 7, 8, 12, 14, 16]])
#垂直叠加
print (np.vstack((a, b)))
#Out:
#array([[ 0, 1, 2],
#       [ 3, 4, 5],
#       [ 6, 7, 8],
#       [ 0, 2, 4],
#       [ 6, 8, 10],
#       [12, 14, 16]])

print (np.concatenate((a, b), axis=0))
#Out:
#array([[ 0, 1, 2],
#       [ 3, 4, 5],
#       [ 6, 7, 8],
#       [ 0, 2, 4],
#       [ 6, 8, 10],
#       [12, 14, 16]])
#深度叠加
print (np.dstack((a, b)))
#Out:
#array([[[ 0, 0],
#        [ 1, 2],
#        [ 2, 4]],
#
#       [[ 3, 6],
#        [ 4, 8],
#        [ 5, 10]],
#
#       [[ 6, 12],
#        [ 7, 14],
#        [ 8, 16]]])

oned = np.arange(2)

print (oned)
#Out: array([0, 1])

twice_oned = 2 * oned

print (twice_oned)
#Out: array([0, 2])

print (np.column_stack((oned, twice_oned)))
#Out:
#array([[0, 0],
#       [1, 2]])

print (np.column_stack((a, b)))
#Out:
#array([[ 0, 1, 2, 0, 2, 4],
#       [ 3, 4, 5, 6, 8, 10],
#       [ 6, 7, 8, 12, 14, 16]])
#数组对比
print (np.column_stack((a, b)) == np.hstack((a, b)))
#Out:
#array([[ True, True, True, True, True, True],
#       [ True, True, True, True, True, True],
#       [ True, True, True, True, True, True]], dtype=bool)
#列式堆叠
print (np.row_stack((oned, twice_oned)))
#Out:
#array([[0, 1],
#       [0, 2]])

print (np.row_stack((a, b)))
#Out:
#array([[ 0, 1, 2],
#       [ 3, 4, 5],
#       [ 6, 7, 8],
#       [ 0, 2, 4],
#       [ 6, 8, 10],
#       [12, 14, 16]])

print (np.row_stack((a,b)) == np.vstack((a, b)))
#Out:
#array([[ True, True, True],
#       [ True, True, True],
#       [ True, True, True],
#       [ True, True, True],
#       [ True, True, True],
#       [ True, True, True]], dtype=bool)