Numpy数组的高级操作总结

一. 数组上的迭代

NumPy 包含一个迭代器对象numpy.nditer。它是一个有效的多维迭代器对象，可以用于在数组上进行迭代。数组的每个元素可使用 Python 的标准Iterator接口来访问。

importnumpyasnp
a=np.arange(0,60,5)
a=a.reshape(3,4)
print(a)
forxinnp.nditer(a):
print(x)

[[051015]
[20253035]
[40455055]]
0
5
10
15
20
25
30
35
40
45
50
55

如果两个数组是可广播的，nditer组合对象能够同时迭代它们。假设数 组a具有维度 3X4，并且存在维度为 1X4 的另一个数组b，则使用以下类型的迭代器(数组b被广播到a的大小)。

importnumpyasnp
a=np.arange(0,60,5)
a=a.reshape(3,4)
print(a)
b=np.array([1,2,3,4],dtype=int)
print(b)
forx,yinnp.nditer([a,b]):
print(x,y)

[[ 0  5 10 15]
 [20 25 30 35]
 [40 45 50 55]]
[1 2 3 4]
0 1
5 2
10 3
15 4
20 1
25 2
30 3
35 4
40 1
45 2
50 3
554

二.数组形状修改函数

1.ndarray.reshape

函数在不改变数据的条件下修改形状，参数如下：

ndarray.reshape(arr, newshape, order)

其中：

importnumpyasnp
a=np.arange(8)
print(a)
b=a.reshape(4,2)
print(b)

2.ndarray.flat

函数返回数组上的一维迭代器，行为类似 Python 内建的迭代器。

importnumpyasnp
a=np.arange(0,16,2).reshape(2,4)
print(a)
#返回展开数组中的下标的对应元素
print(list(a.flat))

[[0246]
[8101214]]
[0,2,4,6,8,10,12,14]

3.ndarray.flatten

函数返回折叠为一维的数组副本，函数接受下列参数：

ndarray.flatten(order)

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。

importnumpyasnp
a=np.arange(8).reshape(2,4)
print(a)
#defaultiscolumn-major
print(a.flatten())
print(a.flatten(order='F'))

[[0123]
[4567]]
[01234567]
[04152637]

三.数组翻转操作函数

1.numpy.transpose

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：

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。

importnumpyasnp
a=np.arange(24).reshape(2,3,4)
print(a)
b=np.array(np.transpose(a))
print(b)
print(b.shape)

[[[0123]
[4567]
[891011]]

[[12131415]
[16171819]
[20212223]]]
[[[012]
[416]
[820]]

[[113]
[517]
[921]]

[[214]
[618]
[1022]]

[[315]
[719]
[1123]]]
(4,3,2)

b=np.array(np.transpose(a,(1,0,2)))
print(b)
print(b.shape

[[[0123]
[12131415]]

[[4567]
[16171819]]

[[891011]
[20212223]]]
(3,2,4)

2. numpy.ndarray.T

该函数属于ndarray类，行为类似于numpy.transpose.

importnumpyasnp
a=np.arange(12).reshape(3,4)
print(a)
print(a.T)

[[0123]
[4567]
[891011]]
[[048]
[159]
[2610]
[3711]]

3.numpy.swapaxes

函数交换数组的两个轴。这个函数接受下列参数：

– numpy.swapaxes(arr, axis1, axis2)

– 参数：

• 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

importnumpyasnp
a=np.arange(8).reshape(2,2,2)
print(a)
print(np.swapaxes(a,2,0))

[[[01]
[23]]

[[45]
[67]]]
[[[04]
[26]]

[[15]
[37]]]

4.numpy.rollaxis

s 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：

– 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。

importnumpyasnp
a=np.arange(8).reshape(2,2,2)
print(a)
print(np.rollaxis(a,2))
print(np.rollaxis(a,2,1))

[[[01]
[23]]

[[45]
[67]]]
[[[02]
[46]]

[[13]
[57]]]
[[[02]
[13]]

[[46]
[57]]]

四.数组修改维度函数

1.numpy.broadcast_to

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。该函数接受以下参数：

– numpy.broadcast_to(array, shape, subok)

importnumpyasnp
a=np.arange(4).reshape(1,4)
print(a)
print(np.broadcast_to(a,(4,4)))

[[0123]]
[[0123]
[0123]
[0123]
[0123]]

2.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：

– numpy.expand_dims(arr, axis)

– 其中：

• arr：输入数组
• axis：新轴插入的位置

importnumpyasnp
x=np.array(([1,2],[3,4]))
print(x)
y=np.expand_dims(x,axis=0)
print(y)
print(x.shape,y.shape)
y=np.expand_dims(x,axis=1)
print(y)
print(x.ndim,y.ndim)
print(x.shape,y.shape)

[[12]
[34]]
[[[12]
[34]]]
(2,2)(1,2,2)
[[[12]]

[[34]]]
23
(2,2)(2,1,2)

3.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。

– 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

importnumpyasnp
x=np.arange(9).reshape(1,3,3)
print(x)
y=np.squeeze(x)
print(y)
print(x.shape,y.shape)

[[[012]
[345]
[678]]]
[[012]
[345]
[678]]
(1,3,3)(3,3)

五.数组的连接操作

NumPy中数组的连接函数主要有如下四个：

concatenate 沿着现存的轴连接数据序列

stack 沿着新轴连接数组序列

hstack 水平堆叠序列中的数组(列方向)

vstack 竖直堆叠序列中的数组(行方向)

1.numpy.stack

函数沿新轴连接数组序列，需要提供以下参数：

– 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

importnumpyasnp
a=np.array([[1,2],[3,4]])
print(a)
b=np.array([[5,6],[7,8]])
print(b)
print(np.stack((a,b),0))
print(np.stack((a,b),1))

[[12]
[34]]
[[56]
[78]]
[[[12]
[34]]

[[56]
[78]]]
[[[12]
[56]]

[[34]
[78]]]

2.numpy.hstack

是numpy.stack函数的变体，通过堆叠来生成水平的单个数组。

importnumpyasnp
a=np.array([[1,2],[3,4]])
print(a)
b=np.array([[5,6],[7,8]])
print(b)
print('水平堆叠：')
c=np.hstack((a,b))
print(c)

[[12]
[34]]
[[56]
[78]]
水平堆叠：
[[1256]
[3478]]

3.numpy.vstack

是numpy.stack函数的变体，通过堆叠来生成竖直的单个数组。

importnumpyasnp
a=np.array([[1,2],[3,4]])
print(a)
b=np.array([[5,6],[7,8]])
print(b)
print('竖直堆叠：')
c=np.vstack((a,b))
print(c)

[[12]
[34]]
[[56]
[78]]
竖直堆叠：
[[12]
[34]
[56]
[78]]

4.numpy.concatenate

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。

– 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

importnumpyasnp
a=np.array([[1,2],[3,4]])
print(a)
b=np.array([[5,6],[7,8]])
print(b)
print(np.concatenate((a,b)))
print(np.concatenate((a,b),axis=1))

[[12]
[34]]
[[56]
[78]]
[[12]
[34]
[56]
[78]]
[[1256]
[3478]]

六.数组的分割操作

NumPy中数组的数组分割函数主要如下：

–split将一个数组分割为多个子数组
–hsplit将一个数组水平分割为多个子数组(按列)
–vsplit将一个数组竖直分割为多个子数组(按行)

1.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：

– numpy.split(ary, indices_or_sections, axis)

• 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

importnumpyasnp
a=np.arange(9)
print(a)
print('将数组分为三个大小相等的子数组：')
b=np.split(a,3)
print(b)
print('将数组在一维数组中表明的位置分割：')
b=np.split(a,[4,7])
print(b)

2.numpy.hsplit

split()函数的特例，其中轴为 1 表示水平分割。

importnumpyasnp
a=np.arange(16).reshape(4,4)
print(a)
print('水平分割：')
b=np.hsplit(a,2)
print(b)

[[0123]
[4567]
[891011]
[12131415]]
水平分割：
[array([[0,1],
[4,5],
[8,9],
[12,13]]),array([[2,3],
[6,7],
[10,11],
[14,15]])]

3.numpy.vsplit

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。

importnumpyasnp
a=np.arange(16).reshape(4,4)
print(a)
print('竖直分割：')
b=np.vsplit(a,2)
print(b)

[[0123]
[4567]
[891011]
[12131415]]
竖直分割：
[array([[0,1,2,3],
[4,5,6,7]]),array([[8,9,10,11],
[12,13,14,15]])]

七.数组元素操作

NumPy中数组操作函数主要如下：

–resize返回指定形状的新数组

–append将值添加到数组末尾

–insert沿指定轴将值插入到指定下标之前

–delete返回删掉某个轴的子数组的新数组

–unique寻找数组内的唯一元素

1.numpy.resize

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。如果小于则去掉原始数组的部分数据。该函数接受以下参数：

– 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

importnumpyasnp
a=np.array([[1,2,3],[4,5,6]])
print(a)
print(a.shape)
b=np.resize(a,(3,2))
print(b)
print(b.shape)
print('修改第二个数组的大小：')
b=np.resize(a,(3,3))
print(b)
print('修改第三个数组的大小：')
b=np.resize(a,(2,2))
print(b)

[[123]
[456]]
(2,3)
[[12]
[34]
[56]]
(3,2)
修改第二个数组的大小：
[[123]
[456]
[123]]
修改第三个数组的大小：
[[12]
[34]]

2.numpy.append

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：

– 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。

importnumpyasnp
a=np.array([[1,2,3],[4,5,6]])
print(a)
print(np.append(a,[[7,8,9]],axis=0))
print(np.append(a,[[5,5,5],[7,8,9]],axis=1))

[[123]
[456]]
[[123]
[456]
[789]]
[[123555]
[456789]]

3.numpy.insert

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：

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

• 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

importnumpyasnp
a=np.array([[1,2],[3,4],[5,6]])
print(a)
print(np.insert(a,3,[11,12]))
print(np.insert(a,1,[11],axis=0))
print(np.insert(a,1,[11],axis=1))

[[12]
[34]
[56]]
[1231112456]
[[12]
[1111]
[34]
[56]]
[[1112]
[3114]
[5116]]

4.numpy.delete

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：

– Numpy.delete(arr, obj, axis)

• 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

importnumpyasnp
a=np.array([[1,2],[3,4],[5,6]])
print(a)
print(np.delete(a,5))
print(np.delete(a,1,axis=1))

[[12]
[34]
[56]]
[12345]
[[1]
[3]
[5]]

5.numpy.unique

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。

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

• 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

importnumpyasnp
a=np.array([5,2,6,2,7,5,6,8,2,9])
u=np.unique(a)
print(u)
u,indices=np.unique(a,return_index=True)
print(u,indices)
u,indices=np.unique(a,return_inverse=True)
print(u,indices)
u,indices=np.unique(a,return_counts=True)
print(u,indices)

[256789]
[256789][102479]
[256789][1020312405]
[256789][322111]

八.NumPy - 字符串函数

以下函数用于对dtype为numpy.string_或numpy.unicode_的数组执行向量 化字符串操作。它们基于 Python 内置库中的标准字符串函数。字符数组类(numpy.char)中定义

importnumpyasnp
print(np.char.add(['hello'],['xyz']))
print(np.char.add(['hello','hi'],['abc','xyz']))
print(np.char.multiply('Hello',3))
print(np.char.center('hello',20,fillchar='*'))
print(np.char.capitalize('helloworld'))
print(np.char.title('hellohowareyou?'))
print(np.char.lower(['HELLO','WORLD']))
print(np.char.lower('HELLO'))
print(np.char.upper('hello'))
print(np.char.upper(['hello','world']))
print(np.char.split('hellohowareyou?'))
print(np.char.split('YiibaiPoint,Hyderabad,Telangana',sep=','))
print(np.char.splitlines('hello
howareyou?'))
print(np.char.splitlines('hello
howareyou?'))
print(np.char.strip('ashokarora','a'))
print(np.char.strip(['arora','admin','java'],'a'))
print(np.char.join(':','dmy'))
print(np.char.join([':','-'],['dmy','ymd']))
print(np.char.replace('Heisagoodboy','is','was'))
a=np.char.encode('hello','cp500')
print(a)
print(np.char.decode(a,'cp500'))

['helloxyz']
['helloabc''hixyz']
HelloHelloHello
*******hello********
Helloworld
HelloHowAreYou?
['hello''world']
hello
HELLO
['HELLO''WORLD']
['hello','how','are','you?']
['YiibaiPoint','Hyderabad','Telangana']
['hello','howareyou?']
['hello','howareyou?']
shokaror
['ror''dmin''jav']
dy
['dy''y-m-d']
Hewasagoodboy
b'x88x85x93x93x96'
hello

九.NumPy - 算数函数

NumPy 包含大量的各种数学运算功能。NumPy 提供标准的三角函数，算术运算的函数，复数处理函数等。

– 三角函数
– 舍入函数
–算数函数

1. NumPy -三角函数

NumPy 拥有标准的三角函数，它为弧度制单位的给定角度返回三角函数比值。arcsin，arccos，和arctan函数返回给定角度的sin，cos和tan的反三角函数。

这些函数的结果可以通过numpy.degrees()函数通过将弧度制 转换为角度制来验证。

importnumpyasnp
a=np.array([0,30,45,60,90])
#通过乘pi/180转化为弧度
print(np.sin(a*np.pi/180))
print(np.cos(a*np.pi/180))
print(np.tan(a*np.pi/180))

[0.0.50.707106780.86602541.]
[1.00000000e+008.66025404e-017.07106781e-015.00000000e-01
6.12323400e-17]
[0.00000000e+005.77350269e-011.00000000e+001.73205081e+00
1.63312394e+16]

2.NumPy -舍入函数

• numpy.around()这个函数返回四舍五入到所需精度的值

–numpy.around(a,decimals)–a输入数组
–decimals要舍入的小数位数。默认值为0。如果为负，整数将四舍五入到小数点左侧的位置

• numpy.floor() 函数返回不大于输入参数的最大整数。• numpy.ceil() 函数返回输入值的上限，大于输入参数的最小整数。

importnumpyasnp
a=np.array([1.0,5.55,123,0.567,25.532])
print(np.around(a))
print(np.around(a,decimals=1))
print(np.floor(a))
print(np.ceil(a))

[1.6.123.1.26.]
[1.5.6123.0.625.5]
[1.5.123.0.25.]
[1.6.123.1.26.]

3.NumPy - 算数运算

用于执行算术运算(如add()，subtract()，multiply()和divide())的输入数组必须具有相同的形状或符合数组广播规则。

–numpy.reciprocal()函数返回参数逐元素的倒数。
–numpy.power()函数将第一个输入数组中的元素作为底数，计算它与第二个输入数组中相应元素的幂。
–numpy.mod()函数返回输入数组中相应元素的除法余数。

importnumpyasnp
a=np.array([0.25,2,1,0.2,100])
print(np.reciprocal(a))
print(np.power(a,2))
a=np.array([10,20,30])
b=np.array([3,5,7])
print(np.mod(a,b))

[4.0.51.5.0.01]
[6.25000000e-024.00000000e+001.00000000e+004.00000000e-02
1.00000000e+04]
[102]

4.NumPy - 统计函数

NumPy 有很多有用的统计函数，用于从数组中给定的元素中查找最小，最大，百分标准差和方差等。

–numpy.amin(),numpy.amax()从给定数组中的元素沿指定轴返回最小值和最大值。
–numpy.ptp()函数返回沿轴的值的范围(最大值-最小值)。
–numpy.percentile()表示小于这个值得观察值占某个百分比
•numpy.percentile(a,q,axis)
•a输入数组;q要计算的百分位数，在0~100之间;axis沿着它计算百分位数的轴
–numpy.median()返回数据样本的中位数。
–numpy.mean()沿轴返回数组中元素的算术平均值。
–numpy.average()返回由每个分量乘以反映其重要性的因子得到的加权平均值

importnumpyasnp
a=np.array([[3,7,5],[8,4,3],[2,4,9]])
print(np.amin(a,1))
print(np.amax(a,1))
print(np.ptp(a))
print(np.percentile(a,50))
print(np.median(a))
print(np.mean(a))
print(np.average(a))
print(np.std([1,2,3,4]))#返回数组标准差
print(np.var([1,2,3,4]))#返回数组方差

[332]
[789]
7
4.0
4.0
5.0
5.0
1.11803398875
1.25

十.NumPy排序、搜索和计数函数

NumPy中提供了各种排序相关功能。

–numpy.sort函数返回输入数组的排序副本。numpy.sort(a,axis,kind,order)
•a要排序的数组;
•axis沿着它排序数组的轴，如果没有数组会被展开，沿着最后的轴排序;•kind默认为'quicksort'(快速排序);
•order如果数组包含字段，则是要排序的字段
– numpy.argsort()函数对输入数组沿给定轴执行间接排序，并使用指定排序类型返回数据的索引数组。这个索引数组用于构造排序后的数组。
– numpy.lexsort()函数使用键序列执行间接排序。键可以看作是电子表格中的一列。该函数返回一个索引数组，使用它可以获得排序数据。注意，最后一个键恰好是sort的主键。
– numpy.argmax()和 numpy.argmin()这两个函数分别沿给定轴返回最大和最小元素的索引。
– numpy.nonzero()函数返回输入数组中非零元素的索引。
–numpy.where()函数返回输入数组中满足给定条件的元素的索引。
– numpy.extract()函数返回满足任何条件的元素。

importnumpyasnp
a=np.array([[3,7,3,1],[9,7,8,7]])
print(np.sort(a))
print(np.argsort(a))
print(np.argmax(a))
print(np.argmin(a))
print(np.nonzero(a))
print(np.where(a>3))
nm=('raju','anil','ravi','amar')
dv=('f.y.','s.y.','s.y.','f.y.')
print(np.lexsort((dv,nm)))

[[1337]
[7789]]
[[3021]
[1320]]
4
3
(array([0,0,0,0,1,1,1,1],dtype=int64),array([0,1,2,3,0,1,2,3],dtype=int64))
(array([0,1,1,1,1],dtype=int64),array([1,0,1,2,3],dtype=int64))
[3102]

十一.NumPy IO文件操作

ndarray对象可以保存到磁盘文件并从磁盘文件加载。可用的 IO 功能有：

–numpy.save()文件将输入数组存储在具有npy扩展名的磁盘文件中。
–numpy.load()从npy文件中重建数组。
–numpy.savetxt()和numpy.loadtxt()函数以简单文本文件格式存储和获取数组数据。

importnumpyasnp
a=np.array([1,2,3,4,5])
np.save('outfile',a)
b=np.load('outfile.npy')
print(b)
a=np.array([1,2,3,4,5])
np.savetxt('out.txt',a)
b=np.loadtxt('out.txt')
print(b)

[12345]
[1.2.3.4.5.]

原文标题：这 11 种 Numpy 高级操作你都会吗？

文章出处：【微信公众号：数据分析与开发】欢迎添加关注！文章转载请注明出处。

审核编辑：汤梓红