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（transpose）和轴对换
转置可以对数组进行重置，返回的是源数据的视图（不会进行任何复制操作）。
转置有三种方式，transpose方法、T属性以及swapaxes方法。
1 .T
import numpy as np arr = np.arange(9).reshape((3,3))#生成一个3行3列的数组 print arr [[0 1 2] [3 4 5] [6 7 8]] print arr.T [[0 3 6] [1 4 7] [2 5 8]]
2. transpose
对于高维数组，transpose需要用到一个由轴编号组成的元组，才能进行转置。
比如说三维的数组，那就对维度进行编号，也就是0,1,2。这里的0,1,2可以理解为对shape返回元组的索引。
比如
arr1 = np.arange(24).reshape(2,3,4)#生成一个2*3*4的数组 print arr1 [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] print arr1.shape #看形状 (2, 3, 4) #说明这是一个2*3*4的数组（矩阵），返回的是一个元组，可以对元组进行索引，也就是0,1,2
transpose((1,0,2)) 的意义在于将 (2, 3, 4) 转成 (3, 2, 4) ，比如，数值12开始的索引是 [1,0,0] ，变换后变成了 [0,1,0] ,如下图：
print arr1.transpose((1,0,2)) [[[ 0 1 2 3] [12 13 14 15]] [[ 4 5 6 7] [16 17 18 19]] [[ 8 9 10 11] [20 21 22 23]]]
3.swapaxes
swapaxes，它接受一对轴编号。进行轴对换。
arr1 = np.arange(24).reshape(2,3,4) print arr1 [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] print arr1.swapaxes(1,0) #将第一个轴和第二个轴交换，对比transpose（1,0,2） [[[ 0 1 2 3] [12 13 14 15]] [[ 4 5 6 7] [16 17 18 19]] [[ 8 9 10 11] [20 21 22 23]]]
ndarray数据基本操作
数组与标量的运算
arr1=np.random.random((2,3)) arr2=np.random.random((2,3)) arr3=np.random.random((3,2)) print(arr1) # 加减乘除、乘方 print(arr1*2) print() print(arr1+2) print() print(arr1-2) print() print(arr1/2) print() print(arr1**2)
数组与数组的运算
# 加减乘除、乘方、数组的矩阵积 # 两个二维矩阵(行和列的矩阵)满足第一个矩阵的列数与第二个矩阵的行数相同， # 那么可以进行矩阵的乘法，即矩阵积，矩阵积不是元素级的运算。也称为点积、数量积。 print(arr1+arr2) print() print(arr1-arr2) print() print(arr1*arr2) print() print(arr1/arr2) print() print(arr1**arr2) print() print(arr1.dot(arr3))
数组的索引与切片
# 定义一个3*3*3的数组
arr3=np.array([
[[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]]
])
# 索引
print(arr3)
print("# # # # # # #arr3[0]# # # # # # # # # # # # # # ")
print(arr3[0])
print("# # # # # # #arr3[1] # # # # # # # # # # # # # ")
print(arr3[1])
print("# # # # # # # arr3[2] # # # # # # # # # # # # # # ")
print(arr3[2])
print("# # # # # # # arr3[0][0] # # # # # # # # # # # # # # ")
print(arr3[0][0])
print("# # # # # # # arr3[0][1] # # # # # # # # # # # # # # ")
print(arr3[0][1])
print("# # # # # # # arr3[0][2]# # # # # # # # # # # # # # ")
print(arr3[0][2])
print("# # # # # # # arr3[0][2][0] # # # # # # # # # # # # # # ")
print(arr3[0][2][0])
print("# # # # # # # arr3[0][2][1]# # # # # # # # # # # # # # ")
print(arr3[0][2][1])
print("# # # # # # # arr3[0][2][2]# # # # # # # # # # # # # # ")
print(arr3[0][2][2])
# 切片,,,在各维度上单独切片，如果纬度都保留，则使用冒号，不指定起始值
print("# # # # # # # arr3[0,:,0:2]# # # # # # # # # # # # # # ")
print(arr3[0,:,0:2])
print("# # # # # # # arr3[1,:,0:2]# # # # # # # # # # # # # # ")
print(arr3[1,:,0:2])
print("# # # # # # # arr3[2,:,0:2]# # # # # # # # # # # # # # ")
print(arr3[2,:,0:2])
print("# # # # # # # arr3[:,:,0:2]# # # # # # # # # # # # # # ")
print(arr3[:,:,0:2])
print("# # # # # # # arr3[:,0,0:2]# # # # # # # # # # # # # # ")
print(arr3[:,0,0:2])
print("# # # # # # # arr3[:,1,0:2]# # # # # # # # # # # # # # ")
print(arr3[:,1,0:2])
print("# # # # # # # arr3[:,2,0:2]# # # # # # # # # # # # # # ")
print(arr3[:,2,0:2])
ndarray-布尔类型索引
# 利用布尔类型的数组进行数据索引，最终返回的结果是对应索引数组中数据为True位置的值。
# numpy中不能使用Python中and、or、not，使用&（与）、|（或）、~（非）
arr6=np.random.random((3,4))
print(arr6)
print("# # # # # # ## #arr6>0.5得到的布尔值，为真则取该位置的值，否则就舍去 # # # # # # # # # ")
# A=arr6<0.5
A=arr6>0.5
print(A)
print("# # # # # # ## # # # # # #将对应的布尔值转换为一维数组 # # # # # # # # # # # # # # ## # ")
# 装换成一维数组
arr7=arr6[A]
print(arr7)
print(arr7.shape)
# 利用布尔值进行索引的一个应用实例
names=np.array(['Gerry','Tom','John'])
scores=np.array([
[98,87,86,95],
[48,84,84,45],
[58,7,81,95]
])
class1=np.array(['语文','数学','英语','科学'])
print("Gerry score is:",scores[names=='Gerry'].reshape((-1)))
print("Gerry score is:",scores[names=='Gerry'].reshape((-1))[class1=='数学'])
print("Gerry和Tom的成绩")
print(scores[(names=='Gerry')|(names=='Tom')])
print("非Gerry和Tom的成绩")
print(scores[(names!='Gerry')&(names!='Tom')])
print("成绩大于90的全部输出")
print(scores[scores>90])
ndarray-花式索引：指的是利用整数数组进行索引的方式。
arr7=np.arange(40).reshape(5,8)
print(arr7)
print("获取第0、3、5行的数据")
print(arr7[[0,2,4]])
print("获取第(0,0)、(3,0)、(4,2)的数据")
print(arr7[[0,3,4],[0,0,2]])
print("获取第0、3、5行的第0、2、3列数据")
print(arr7[[0,3,4]].T[[0,1,2]].T)
print("ix_会产生一个索引器")
print(arr7[np.ix_([0,3,4],[0,1,2])])
# ndarray-花式索引：指的是利用整数数组进行索引的方式。
arr7=np.arange(40).reshape(5,8)
print(arr7)
print("获取第0、3、5行的数据")
print(arr7[[0,2,4]])
print("获取第(0,0)、(3,0)、(4,2)的数据")
print(arr7[[0,3,4],[0,0,2]])
print("获取第0、3、5行的第0、2、3列数据")
print(arr7[[0,3,4]])
print("##################")
print(arr7[[0,3,4]].T)
print("##################")
print(arr7[[0,3,4]].T[[0,1,2]])
print("##################")
print(arr7[[0,3,4]].T[[0,1,2]].T)
print("ix_会产生一个索引器")
print(arr7[np.ix_([0,3,4],[0,1,2])])
ndarray-数组转置与轴对换
# 数组转置是指将shape进行重置操作，并将其值重置为原始shape元组的倒置，
# 比如原始的shape值为:(2,3,4)，那么转置后的新元组的shape的值为: (4,3,2)f
# 可以通过调用数组的transpose函数或者T属性进行数组转置操作
arr=np.random.random(30).reshape(3,5,2)
print(arr)
print("#############################################")
arr1=arr.T
print(arr1)
print("#############################################")
arr2=np.transpose(arr1)
print(arr2)
ndarray-通用函数/常用函数
numpy模块中对ndarray中数据进行快速元素级运算的函数，也可以看做是简单的函数(接受一个或多个标量值，并产生一个或多个标量值)的矢量化包装器。主要包括一元函数和二元函数。
一元函数
arr3=np.array([
[1,2,-3],
[0.1,0.6,-0.4]
])
print(arr3)
print("#############################################")
# abs fabs计算绝对值
print(np.abs(arr3))
print("#############################################")
# sqrt 计算各元素的平方根
print(np.sqrt(abs(arr3)))
print("#############################################")
# square计算各元素的评分：arr3**2
print(np.square(arr3))
print("#############################################")
# exp计算各元素指数e的x次方
print(np.exp(arr3))
print("#############################################")
# log2、log10分别计算底数为10、2的log值，以及log(1+x)
print(np.log10(abs(arr3)))
print(np.log2(abs(arr3)))
print(np.log1p(abs(arr3)))
print("#############################################")
# sign计算各个元素的正负号,1:正号 0:0 -1:负号
print(np.sign(arr3))
print("#############################################")
# ceil 计算各个元素的ceil值,大于等于该值的最小整数
print(np.ceil(arr3))
print("#############################################")
# floor 计算各个元素的floor的值，小于等于该值的最大整数
print(np.floor(arr3))
print("#############################################")
# rint 将各个元素的四书五入到最接近的整数
print(np.rint(arr3)
print("#############################################")
# modf 将数组中元素的小数位和整数位以两部分独立数组的形式返回
print(np.modf(arr3))
print("#############################################")
# isnan 返回一个表示“那些值是NaN(不是一个数字)”的布尔类型数组
print(np.isnan(arr3))
print("#############################################")
# isfinite、isinf 分别一个表示”那些元素是有穷的(非inf、非NaN)”或者“那些元素是无穷的”的布尔型数组
print(np.isfinite(arr3))
print(np.isinf(arr3))
print("#############################################")
# cos、cosh、sin、sinh、tan、tanh 普通以及双曲型三角函数
print(np.tan(arr3))
print("#############################################")
# arccos、arccosh、arcsin、arcsinh、arctan、arctanh 反三角函数
print(np.arctan(arr3))
二元函数
arr4=np.array([
[1,0,-3],
[0.1,0.6,-0.4]
])
arr5=np.array([
[2,-5,8],
[-0.1,-0.6,0.4],
])
arr6=np.array([
[2,-5,8],
[-0.1,-0.6,0.4],
[-0.1,-0.6,0.4]
])
print("#############################################")
# mod 取模运算,做除法运算之后的余数
print(np.mod(arr4,arr5))
print("#############################################")
# dot 求两个数组的点积
print(np.dot(arr4,arr6))
print("#############################################")
# greater(大于)、greater_equal（大于等于）、less（小于）、less_equal（小于等于）、equal（等于）、not_equal（不等于）
# 执行元素级别的比较运算，最终返回一个布尔型数组
print(np.greater(arr4,arr5))
print("#############################################")
# logical_and、logical_or、logical_xor
# 执行元素级别的布尔逻辑运算，相当于中缀运算符&、|、^
print(np.logical_and(arr4,arr5))
print(np.logical_xor(arr4,arr5))
print("#############################################")
# power 求解对数组中的每个元素进行给定次数的指数值，类似于: arr ** 3
print(np.power(arr3,4))
ndarray-聚合函数
聚合函数是对一组值(eg一个数组)进行操作，返回一个单一值作为结果的函数。
当然聚合函数也可以指定对某个具体的轴进行数据聚合操作；
#常将的聚合操作有：平均值mean、最大值max、最小值min、方差std等等 arr7=np.array([ [2,-5,8], [-0.1,-0.6,0.4], [-0.1,-0.6,0.4] ]) print(np.mean(arr7)) print(np.max(arr7)) print(np.min(arr7)) print(np.std(arr7))
np.where函数
# np.where函数是三元表达式x if condition else y的矢量化版本 arr8=np.array([2,7,8]) arr9=np.array([-0.1,-0.6,0.4]) condition=arr8>arr result=np.where(condition,arr8,arr9) print(result)
np.unique函数
# np.unique函数的主要作用是将数组中的元素进行去重操作(也就是只保存不重复的数据) arr10=np.array(["Python","Python","java"]) print(arr10) print(np.unique(arr10))
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持我们。
赞 (0)