numpy.transpose()实现数组的转置例子

说到转置操作，顺便提及矩阵与数组的区别：

矩阵：数学里的概念，其元素只能是数值，这也是区别于数组的根本所在

数组：计算机中的概念，代表一种数据组织、存储方式，其元素可以是数字、也可以是字符

数组的转置操作，是借鉴了线性代数中矩阵的转置操作。将行与列对调，即第一行变成第一列…..或第一列变成第一行…..的操作即使转置操作。

1. 多维数组的转置

import numpy as np

test = np.array([[12,4,7,0],[3,7,45,81]])
test

# 以下为test输出的结果
array([[12, 4, 7, 0],
    [ 3, 7, 45, 81]])

# 对test进行转置操作
test.transpose()

# 转置后得到的结果为
array([[12, 3],
    [ 4, 7],
    [ 7, 45],
    [ 0, 81]])

2. 一维数组的转置

test = np.array([12,4,7,0])
test.shape

# test.shape的结果
(4,)

# 以下为test输出的结果
array([12, 4, 7, 0])

# 对test进行转置操作
result = test.transpose()

# 转置后得到的结果为
array([12, 4, 7, 0])
test.shape

# 一维数组（列向量）转置后的长度
(4,)

所以，对一维列向量进行转置，得到的还是一维列向量，并没有发生任何变化。经实践，这时候应借助shape属性来完成转置。详细见以下：

result.shape=(1,4)
result

# 这时输出result的值如下，对比与上面一个code框内的result值
array([[12, 4, 7, 0]])

这时候输出的result就是一个一行四列的一维数组了。

以上这篇numpy.transpose()实现数组的转置例子就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。

赞 (0)

相关推荐

  • python 实现矩阵上下/左右翻转,转置的示例

    python中没有二维数组,用一个元素为list的list(matrix)保存矩阵,row为行数,col为列数 1. 上下翻转:只需要把每一行的list交换即可 for i in range(row // 2): matrix[i], matrix[row-1-i] = matrix[row-1-i], matrix[i] 2. 左右翻转:需要逐个交换元素 for m in matrix: for j in range(col // 2): m[j], m[col-1-j] = m[col-1-

  • Python 使用Numpy对矩阵进行转置的方法

    如下所示: matrix.py #!/usr/bin/python # -*- encoding:UTF-8-*- import pprint import numpy as np matrix = [[1,2],[3,4],[5,6]] print('列表:') pprint.pprint(matrix) matrix_2 = np.matrix(matrix) print('原矩阵:') pprint.pprint(matrix_2) matrix_transpose = np.transp

  • Python 矩阵转置的几种方法小结

    我就废话不多说了,直接上代码吧! #Python的matrix转置 matrix = [[1,2,3,4],[5,6,7,8],[9,10,11,12]] def printmatrix(m): for ele in m: for i in ele: print("%2d" %i,end = " ") print() #1.利用元祖的特性进行转置 def transformMatrix(m): #此处巧妙的先按照传递的元祖m的列数,生成了r的行数 r = [[] f

  • python对矩阵进行转置的2种处理方法

    方法一 :使用常规的思路 def transpose(M): # 初始化转置后的矩阵 result = [] # 获取转置前的行和列 row, col = shape(M) # 先对列进行循环 for i in range(col): # 外层循环的容器 item = [] # 在列循环的内部进行行的循环 for index in range(row): item.append(M[index][i]) result.append(item) return result 思路:矩阵的转置就是从行

  • Python:二维列表下标互换方式(矩阵转置)

    我就废话不多说了,直接上代码吧! #!/usr/bin/env python # coding:UTF-8 """ @version: python3.x @author:曹新健 @contact: 617349013@qq.com @software: PyCharm @file: 二维列表下标互换(矩阵转置).py @time: 2018/12/30 10:24 """ ''' 矩阵转置 将[[1,2,3],[4,5,6],[7,8,9]]

  • numpy.transpose()实现数组的转置例子

    说到转置操作,顺便提及矩阵与数组的区别: 矩阵:数学里的概念,其元素只能是数值,这也是区别于数组的根本所在 数组:计算机中的概念,代表一种数据组织.存储方式,其元素可以是数字.也可以是字符 数组的转置操作,是借鉴了线性代数中矩阵的转置操作.将行与列对调,即第一行变成第一列-..或第一列变成第一行-..的操作即使转置操作. 1. 多维数组的转置 import numpy as np test = np.array([[12,4,7,0],[3,7,45,81]]) test # 以下为test输出

  • numpy.transpose对三维数组的转置方法

    如下所示: import numpy as np 三维数组 arr1 = np.arange(16).reshape((2, 2, 4)) #[[[ 0 1 2 3] # [ 4 5 6 7]] # [[ 8 9 10 11] # [12 13 14 15]]] arr2=arr1.transpose((1,0,2)) #[[[ 0 1 2 3] # [ 8 9 10 11]] # # [[ 4 5 6 7] # [12 13 14 15]]] 正序为(0,1,2),数组为 #[[[ 0 1 2

  • ndarray数组的转置(transpose)和轴对换方式

    目录 ndarray数组的转置(transpose)和轴对换 1 .T 2. transpose 3.swapaxes ndarray数据基本操作 数组与标量的运算 数组与数组的运算 数组的索引与切片 ndarray-布尔类型索引 ndarray-花式索引:指的是利用整数数组进行索引的方式. ndarray-数组转置与轴对换 ndarray-通用函数/常用函数 一元函数 二元函数 ndarray-聚合函数 np.where函数 np.unique函数 总结 ndarray数组的转置(transp

  • Transpose 数组行列转置的限制方式

    提到数组,大家都不陌生,什么是数组行列转置呢?其实也很简单,如下图所示,行列转置就是将数组元素的存放方式进行转换,原来保存在第一列的数据,将保持在新数组的第一行,并且保持原有顺序,即6在第一个位置,8在最后一个位置.其他列依次类推. 在Excel工作表中有个强大的函数Transpose,可以直接实现数组行列转置,作为VBA开发者来说,肯定不会忘记用这个. Sub Demo1() Dim aData(1 To 3, 1 To 2) For i = 1 To 3 For j = 1 To 2 aDa

  • Python NumPy教程之数组的基本操作详解

    目录 Numpy中的N维数组(ndarray) 数组创建 数组索引 基本操作 数据类型 Numpy中的N维数组(ndarray) Numpy 中的数组是一个元素表(通常是数字),所有元素类型相同,由正整数元组索引.在 Numpy 中,数组的维数称为数组的秩.给出数组沿每个维的大小的整数元组称为数组的形状.Numpy 中的数组类称为ndarray.Numpy 数组中的元素可以使用方括号访问,并且可以使用嵌套的 Python 列表进行初始化. 例子 : [[ 1, 2, 3], [ 4, 2, 5]

  • Python numpy.transpose使用详解

    Python numpy.transpose使用详解

    前言 看Python代码时,碰见 numpy.transpose 用于高维数组时挺让人费解,通过一番画图分析和代码验证,发现 transpose 用法还是很简单的. 注:评论中说的三维坐标图中的 0 1 2 3 标反了,已经修正,感谢大家提醒(2019.02). 正文 Numpy 文档 numpy.transpose中做了些解释,transpose 作用是改变序列,下面是一些文档Examples: 代码1: x = np.arange(4).reshape((2,2)) 输出1: #x 为:ar

  • 使用pandas将numpy中的数组数据保存到csv文件的方法

    接触pandas之后感觉它的很多功能似乎跟numpy有一定的重复,尤其是各种运算.不过,简单的了解之后发现在数据管理上pandas有着更为丰富的管理方式,其中一个很大的优点就是多出了对数据文件的管理. 如果想保存numpy中的数组元素到一个文件中,通过纯Python的文件写入当然是可以实现的,但是总觉得是少了一点便捷性.在这方面,pandas工具的使用就会让工作方便很多.下面通过一个简单的小例子来演示一下. 首先,创建numpy中的数组. In [18]: arr1 = np.arange(10

  • numpy 声明空数组详解

    你搜索这个,你会发现好多都是np.zeros(5,2),嗯都是复制的一个国外的帖子,然而没有翻译人家的话. 然后你愤怒的关闭页面.这简直就是文不对题,这哪是空的. 实际上,numpy的数组机制并不支持空数组.(什么鬼答案?)简单来讲就是numpy会申请连续的内存,如果频繁改变大小,他就要频繁申请新的内存.如果你会c语言知道指针的话,你很容易就能想到他不是list格式而是array格式. 如果你不会c语言,那么也没有关系.不影响.只需要记住,numpy的数组一旦变动大小就会像搬家一样大包小包的带着

  • Numpy中的数组搜索中np.where方法详细介绍

    numpy.where (condition[, x, y]) numpy.where() 有两种用法: 1. np.where(condition, x, y) 满足条件(condition),输出x,不满足输出y. 如果是一维数组,相当于[xv if c else yv for (c,xv,yv) in zip(condition,x,y)] >>> aa = np.arange(10) >>> np.where(aa,1,-1) array([-1, 1, 1,

  • numpy系列之数组重塑的实现

    目录 1.数组重塑 1.1 一维数组重塑 1.2 多维数组重塑 2.数组转置 1.数组重塑 所谓数组重塑就是更改数组的形状.比如将原来3行4列的数组重塑成4行3列的数组.在numpy中用reshape方法来实现数组重塑 1.1 一维数组重塑 一维数组重塑就是将数组从一行或一列数组重塑为多行多列的数组. 先创建一个一维数组 import numpy as np ​arr = np.arange(8) print(arr) result: [0 1 2 3 4 5 6 7] 上面的这个数组既可以转换

随机推荐