phpempty多维数组技巧_NumPy之ndarray多维数组操作

本文将会先容一些基本常见的ndarray操作，大家可以在数据剖析中利用。

创建ndarray有很多种方法，我们可以利用np.random来随机天生数据：

import numpy as np# Generate some random datadata = np.random.randn(2, 3)data

array([[ 0.0929, 0.2817, 0.769 ], [ 1.2464, 1.0072, -1.2962]])

除了随机创建之外，还可以从list中创建：

data1 = [6, 7.5, 8, 0, 1]arr1 = np.array(data1)

array([6. , 7.5, 8. , 0. , 1. ])

从list中创建多维数组：

data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]arr2 = np.array(data2)

array([[1, 2, 3, 4], [5, 6, 7, 8]])

利用np.zeros创建初始值为0的数组：

np.zeros(10)array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

创建2维数组：

np.zeros((3, 6))

array([[0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0.]])

利用empty创建3维数组：

np.empty((2, 3, 2))

array([[[0., 0.], [0., 0.], [0., 0.]], [[0., 0.], [0., 0.], [0., 0.]]])

把稳，这里我们看到empty创建的数组值为0，实在并不是一定的，empty会从内存中随机挑选空间来返回，并不能担保这些空间中没有值。
以是我们在利用empty创建数组之后，在利用之前，还要记得初始化他们。

利用arange创建范围类的数组：

np.arange(15)

array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])

指天命组中元素的dtype：

arr1 = np.array([1, 2, 3], dtype=np.float64)arr2 = np.array([1, 2, 3], dtype=np.int32)ndarray的属性

可以通过data.shape得到数组的形状。

data.shape(2, 3)

通过ndim获取维数信息：

arr2.ndim2

可以通过data.dtype得到详细的数据类型。

data.dtypedtype('float64')ndarray中元素的类型转换

在创建好一个类型的ndarray之后，还可以对其进行转换：

arr = np.array([1, 2, 3, 4, 5])arr.dtypedtype('int64')float_arr = arr.astype(np.float64)float_arr.dtypedtype('float64')

上面我们利用astype将int64类型的ndarray转换成了float64类型的。

如果转换类型的范围不匹配，则会自动进行截断操作：

arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])arr.astype(np.int32)array([ 3, -1, -2, 0, 12, 10], dtype=int32)

把稳，这里是把小数截断，并没有向上或者向下取整。

数组可以和常量进走运算，也可以和数组进走运算：

arr = np.array([[1., 2., 3.], [4., 5., 6.]])arr arrarray([[ 1., 4., 9.], [16., 25., 36.]])arr + 10array([[11., 12., 13.], [14., 15., 16.]])arr - arrarray([[0., 0., 0.], [0., 0., 0.]])1 / arrarray([[1. , 0.5 , 0.3333], [0.25 , 0.2 , 0.1667]])arr 0.5array([[1. , 1.4142, 1.7321], [2. , 2.2361, 2.4495]])

数组之间还可以进行比较，比较的是数组中每个元素的大小：

arr2 = np.array([[0., 4., 1.], [7., 2., 12.]])arr2 > arrarray([[False, True, False], [ True, False, True]])index和切片基本利用

先看下index和切片的基本利用，index基本上和普通数组的利用办法是一样的，用来访问数组中某一个元素。

切片要把稳的是切片后返回的数组中的元素是原数组中元素的引用，修正切片的数组会影响到原数组。

# 构建一维数组arr = np.arange(10)array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])# index访问arr[5]5# 切片访问arr[5:8]array([5, 6, 7])# 切片修正arr[5:8] = 12array([ 0, 1, 2, 3, 4, 12, 12, 12, 8, 9])# 切片可以修正原数组的值arr_slice = arr[5:8]arr_slice[1] = 12345arrarray([ 0, 1, 2, 3, 4, 12, 12345, 12, 8, 9])# 构建二维数组arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])arr2d[2]array([7, 8, 9])# index 二维数组arr2d[0][2]3# index二维数组arr2d[0, 2]3# 构建三维数组arr3d = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])arr3darray([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]])# index三维数组arr3d[0]array([[1, 2, 3], [4, 5, 6]])# copy是硬拷贝，和原数组的值相互不影响old_values = arr3d[0].copy()arr3d[0] = 42arr3darray([[[42, 42, 42], [42, 42, 42]], [[ 7, 8, 9], [10, 11, 12]]])arr3d[0] = old_valuesarr3darray([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]])# index 三维数组arr3d[1, 0]array([7, 8, 9])x = arr3d[1]xarray([[ 7, 8, 9], [10, 11, 12]])x[0]array([7, 8, 9])index with slice

slice还可以作为index利用，作为index利用表示的便是一个index范围值。

作为index表示的slice可以有多种形式。

善始善终的，表示index从1开始到6-1结束：

arr[1:6]

array([ 1, 2, 3, 4, 64])

无头有尾的，表示index从0开始，到尾-1结束：

arr2d[:2]

array([[1, 2, 3], [4, 5, 6]])

有头无尾的，表示从头开始，到所有的数据结束：

arr2d[:2, 1:]

array([[2, 3], [5, 6]])

arr2d[1, :2]

array([4, 5])boolean index

index还可以利用boolean值，表示是否选择这一个index的数据。

我们先看下怎么构建一个boolean类型的数组：

names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])names == 'Bob'array([ True, False, False, True, False, False, False])

上面我们通过比较的办法返回了一个只包含True和False的数组。

这个数组可以作为index值来访问数组：

# 构建一个7 4 的数组data = np.random.randn(7, 4)array([[ 0.275 , 0.2289, 1.3529, 0.8864], [-2.0016, -0.3718, 1.669 , -0.4386], [-0.5397, 0.477 , 3.2489, -1.0212], [-0.5771, 0.1241, 0.3026, 0.5238], [ 0.0009, 1.3438, -0.7135, -0.8312], [-2.3702, -1.8608, -0.8608, 0.5601], [-1.2659, 0.1198, -1.0635, 0.3329]])# 通过boolean数组来访问：data[names == 'Bob']array([[ 0.275 , 0.2289, 1.3529, 0.8864], [-0.5771, 0.1241, 0.3026, 0.5238]])

在索引行的时候，还可以索引列：

data[names == 'Bob', 3]array([0.8864, 0.5238])

可以用 ~符号来取反：

data[~(names == 'Bob')]array([[-2.0016, -0.3718, 1.669 , -0.4386], [-0.5397, 0.477 , 3.2489, -1.0212], [ 0.0009, 1.3438, -0.7135, -0.8312], [-2.3702, -1.8608, -0.8608, 0.5601], [-1.2659, 0.1198, -1.0635, 0.3329]])

我们可以通过布尔型数组设置值，在实际的项目中非常有用：

data[data < 0] = 0array([[0.275 , 0.2289, 1.3529, 0.8864], [0. , 0. , 1.669 , 0. ], [0. , 0.477 , 3.2489, 0. ], [0. , 0.1241, 0.3026, 0.5238], [0.0009, 1.3438, 0. , 0. ], [0. , 0. , 0. , 0.5601], [0. , 0.1198, 0. , 0.3329]])

data[names != 'Joe'] = 7array([[7. , 7. , 7. , 7. ], [0. , 0. , 1.669 , 0. ], [7. , 7. , 7. , 7. ], [7. , 7. , 7. , 7. ], [7. , 7. , 7. , 7. ], [0. , 0. , 0. , 0.5601], [0. , 0.1198, 0. , 0.3329]])Fancy indexing

Fancy indexing也叫做花式索引，它是指利用一个整数数组来进行索引。

举个例子，我们先创建一个 8 4的数组：

arr = np.empty((8, 4))for i in range(8): arr[i] = iarr

array([[0., 0., 0., 0.], [1., 1., 1., 1.], [2., 2., 2., 2.], [3., 3., 3., 3.], [4., 4., 4., 4.], [5., 5., 5., 5.], [6., 6., 6., 6.], [7., 7., 7., 7.]])

然后利用一个整数数组来索引，那么将会以指定的顺序来选择行：

arr[[4, 3, 0, 6]]array([[4., 4., 4., 4.], [3., 3., 3., 3.], [0., 0., 0., 0.], [6., 6., 6., 6.]])

还可以利用负值来索引：

arr[[-3, -5, -7]]

array([[5., 5., 5., 5.], [3., 3., 3., 3.], [1., 1., 1., 1.]])

花式索引还可以组合来利用：

arr = np.arange(32).reshape((8, 4))arr

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], [24, 25, 26, 27], [28, 29, 30, 31]])

上面我们构建了一个8 4的数组。

arr[[1, 5, 7, 2], [0, 3, 1, 2]]

array([ 4, 23, 29, 10])

然后取他们的第2列的第一个值，第6列的第三个值等等。
末了得到一个1维的数组。

我们可以在不同维度的数组之间进行变换，还可以转换数组的轴。

reshape方法可以将数组转换成为任意的形状：

arr = np.arange(15).reshape((3, 5))arr

array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])

数组还供应了一个T命令，可以将数组的轴进行对调：

arr.T

array([[ 0, 5, 10], [ 1, 6, 11], [ 2, 7, 12], [ 3, 8, 13], [ 4, 9, 14]])

对付高维数组，可以利用transpose来进行轴的转置：

arr = np.arange(16).reshape((2, 2, 4))arrarray([[[ 0, 1, 2, 3], [ 4, 5, 6, 7]], [[ 8, 9, 10, 11], [12, 13, 14, 15]]])arr.transpose((1, 0, 2))

array([[[ 0, 1, 2, 3], [ 8, 9, 10, 11]], [[ 4, 5, 6, 7], [12, 13, 14, 15]]])

上面的transpose((1, 0, 2)) 怎么理解呢？

其含义是将x，y轴对调，z轴保持不变。

上面我们通过利用reshape((2, 2, 4))方法创建了一个3维，也便是3个轴的数组。
其shape是 2 2 4 。

先看下对应关系：

（0，0）-》 [ 0, 1, 2, 3]

（0，1）-》 [ 4, 5, 6, 7]

（1，0）-》 [ 8, 9, 10, 11]

（1，1）-》 [12, 13, 14, 15]

转换之后：

（0，0）-》 [ 0, 1, 2, 3]

（0，1）-》 [ 8, 9, 10, 11]

（1，0）-》[ 4, 5, 6, 7]

（1，1）-》 [12, 13, 14, 15]

于是得到了我们上面的的结果。

多维数组的轴转换可能比较繁芜，大家多多理解。

还可以利用 swapaxes 来交流两个轴，上面的例子可以重写为：

arr.swapaxes(0,1)

本文已收录于 http://www.flydean.com/09-python-numpy-ndarray/

最普通的解读，最深刻的干货，最简洁的教程，浩瀚你不知道的小技巧等你来创造！

欢迎关注我的公众号:「程序那些事」,懂技能，更懂你！