Numpy 修炼之道（7）—— 形状操作

abs_zero

修改于 2018-05-26 06:45:06

1K00

代码可运行

文章被收录于专栏：AI派AI派

运行总次数：0

代码可运行

Numpy 有一个强大之处在于可以很方便的修改生成的N维数组的形状。

更改数组形状

数组具有由沿着每个轴的元素数量给出的形状：

>>> a = np.floor(10*np.random.random((3,4)))
>>> a
array([[ 6.,  7.,  2.,  0.],
       [ 6.,  2.,  0.,  9.],
       [ 3.,  9.,  3.,  8.]])
>>> a.shape
(3L, 4L)

上面生成了一个 3x4 的数组，现在对它进行形状的改变。

>>> a.ravel() # 进行平铺
array([ 6.,  7.,  2.,  0.,  6.,  2.,  0.,  9.,  3.,  9.,  3.,  8.])
>>> a.reshape(2, 6) # 重塑成 2x6
array([[ 6.,  7.,  2.,  0.,  6.,  2.],
       [ 0.,  9.,  3.,  9.,  3.,  8.]])
>>> a.T # 转置
array([[ 6.,  6.,  3.],
       [ 7.,  2.,  9.],
       [ 2.,  0.,  3.],
       [ 0.,  9.,  8.]])
>>> a.shape
(3L, 4L)

无论是ravel、reshape、T，它们都不会更改原有的数组形状，都是返回一个新的数组。

使用 resize 方法可以直接修改数组本身：

>>> a
array([[ 6.,  7.,  2.,  0.],
       [ 6.,  2.,  0.,  9.],
       [ 3.,  9.,  3.,  8.]])
>>> a.resize(2, 6)
>>> a
array([[ 6.,  7.,  2.,  0.,  6.,  2.],
       [ 0.,  9.,  3.,  9.,  3.,  8.]])

技巧：在使用 reshape 时，可以将其中的一个维度指定为 -1，Numpy 会自动计算出它的真实值

>>> a.reshape(3, -1)
array([[ 6.,  7.,  2.,  0.],
       [ 6.,  2.,  0.,  9.],
       [ 3.,  9.,  3.,  8.]])

将不同数组堆叠在一起

除了可以对单个数组的形状进行转换外，还可以把多个数据进行堆叠。

>>> a = np.floor(10*np.random.random((2,2)))
>>> a
array([[ 9.,  9.],
       [ 8.,  1.]])
>>> b = np.floor(10*np.random.random((2,2)))
>>> b
array([[ 5.,  2.],
       [ 9.,  5.]])
>>> np.vstack((a,b))
array([[ 9.,  9.],
       [ 8.,  1.],
       [ 5.,  2.],
       [ 9.,  5.]])
>>> np.hstack((a,b))
array([[ 9.,  9.,  5.,  2.],
       [ 8.,  1.,  9.,  5.]])

对于2D数组来说，使用hstack和column_stack 效果一样，对于1D数组来说，column_stack 会将1D数组作为列堆叠到2D数组中：

>>> from numpy import newaxis
>>> np.column_stack((a,b))     # with 2D arrays
array([[ 4.,  3.],
       [ 2.,  8.]])
>>> a = np.array([4.,2.])
>>> b = np.array([3.,8.])
>>> np.column_stack((a,b))
array([[ 4.,  3.],
       [ 2.,  8.]])
>>> np.hstack((a,b))           # 一维数组的情况下，column_stack和hstack结果不一样
array([ 4.,  2.,  3.,  8.])
>>> a[:,newaxis]               # 将一维数组转为二维数组
array([[ 4.],
       [ 2.]])
>>> np.column_stack((a[:,newaxis],b[:,newaxis]))
array([[ 4.,  3.],
       [ 2.,  8.]])
>>> np.hstack((a[:,newaxis],b[:,newaxis]))   # 二维数组的情况下，column_stack和hstack结果一样
array([[ 4.,  3.],
       [ 2.,  8.]])

另一方面，对于任何输入数组，函数row_stack等效于vstack。一般来说，对于具有两个以上维度的数组，hstack沿第二轴堆叠，vstack沿第一轴堆叠，concatenate允许一个可选参数，给出串接应该发生的轴。

将一个数组分成几个较小的数组

既然可以将多个数组进行对堆叠，自然也可以将一个数组拆分成多个小数组。

使用hsplit，可以沿其水平轴拆分数组，通过指定要返回的均匀划分的数组数量，或通过指定要在其后进行划分的列：

>>> from pprint import pprint
>>> a = np.floor(10*np.random.random((2,12)))
>>> a
array([[ 9.,  3.,  4.,  1.,  0.,  0.,  6.,  7.,  3.,  4.,  1.,  1.],
       [ 1.,  2.,  8.,  1.,  0.,  2.,  1.,  4.,  3.,  8.,  1.,  1.]])
>>> pprint(np.hsplit(a,3))   # 水平切成3等份
[array([[ 9.,  3.,  4.,  1.],
       [ 1.,  2.,  8.,  1.]]),
 array([[ 0.,  0.,  6.,  7.],
       [ 0.,  2.,  1.,  4.]]),
 array([[ 3.,  4.,  1.,  1.],
       [ 3.,  8.,  1.,  1.]])]

vsplit沿垂直轴分割，array_split允许指定沿哪个轴分割。

作者：无邪，个人博客：脑洞大开，专注于机器学习研究。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2018-03-07，如有侵权请联系 cloudcommunity@tencent.com 删除

其他

本文分享自脑洞科技栈微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

其他

登录后参与评论

0 条评论

热度