小白眼中的AI之～Numpy基础

原创

逸鹏

发布于 2018-07-16 07:33:52

9920

发布于 2018-07-16 07:33:52

文章被收录于专栏：逸鹏说道

1.数组定义、常见属性

引入一下 Numpy模块， Numpy的数组使用可以查看一下帮助文档， Numpy的 array数组类型必须是一致的（后面会讲）

# 导入Numpy模块import numpy as np

help(np.array) #或者用 np.array? 查看

1.1.通过List创建数组

np.array(list)

注意：

print(np.array([1,2,3,4,5]))和 np.array([1,2,3,4,5])

在交互摸索下显示是稍微有点区别的，千万别以为是不一样的东西

# 构造一个list1list1 = list(range(10))print(list1)# 通过List创建一个一维数组array1 = np.array(list1)print(array1)type(array1)

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9][0 1 2 3 4 5 6 7 8 9]numpy.ndarray

# 你直接写也一样test_array = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])print(test_array)type(test_array)

[0 1 2 3 4 5 6 7 8 9]numpy.ndarray

# 创建一个嵌套列表list2 = [list1,list1]print(list2)# 通过嵌套列表创建二维数组array2 = np.array(list2)print(array2)

[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9], [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]][[0 1 2 3 4 5 6 7 8 9] [0 1 2 3 4 5 6 7 8 9]]

# 创建3维数组array3 = np.array([    [[1,2,3],[4,5,6],[7,8,9]],    [[1,2,3],[4,5,6],[7,8,9]]])print(array3)type(array3)

[[[1 2 3]  [4 5 6]  [7 8 9]] [[1 2 3]  [4 5 6]  [7 8 9]]]numpy.ndarray

################### 扩展部分 ######################### 其实你通过元组创建也一样，只是官方演示文档里面用的是list# 逆天推荐使用列表（和官方文档一致嘛）

# 一维数组np.array((1,2,3,4,5))

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

# 都是一个数组，你print和直接输入名字是稍微有点区别的# 千万别以为是不一样东西print(np.array((1,2,3,4,5)))

[1 2 3 4 5]

# 二维数组np.array(((1,2,3),(4,5,6)))

array([[1, 2, 3],       [4, 5, 6]])

# 二维数组，这种方式也一样np.array(([1,2,3],[4,5,6]))

array([[1, 2, 3],       [4, 5, 6]])

1.2.常用属性

ndim 查看数组维度

shape 查看数组形状

size 查看数组含有多少元素（行*列）

dtype 查看元素的数据类型

help(array2)

# 查看维度print(array1.ndim)print(array2.ndim)print(array3.ndim)

# 数组的形状，Tuple类型print(array1.shape)print(array2.shape) # 2行10列print(array3.shape)

(10,)(2, 10)(2, 3, 3)

# 查看总共多少元素（行*列）array2.size

# 查看元素的数据类型array2.dtype

dtype('int64')

################### 扩展部分 ########################

# Array元素类型都一致，如果不一致会以最大兼容来初始化np.array([[1,2,3],[4,5,6.0]]) # 都变成Float类型了

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

# 指定类型np.array([[1,2,3],[4,5,6]],dtype=float)

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

# 行元素的个数不一致的测试test_list = [[1],[1,2]]print(test_list)test_array = np.array(test_list)print(test_array)print(test_array.dtype) # 全部变成了object

[[1], [1, 2]][list([1]) list([1, 2])]object

1.3.通过arange和reshape创建数组

range()返回的是 range对象，而 np.arange()返回的是 numpy.ndarray()

两者都可以进行迭代，而 np.nrange还是一个序列，可被当做向量使用

range()不支持步长为小数, np.arange()支持步长为小数

如果这些基础类型还不是很清楚，可以看我之前写的文章：

Python3 与 C# 基础语法对比（新排版）

多维数组创建：（reshape的 行x列 != 元素个数 就会报错）

创建3行5列的数组： np.arange(15).reshape((3,5))

告诉它多少列，自动求行： np.arange(20).reshape((-1,5))

告诉它多少行，自动求列： np.arange(20).reshape((4,-1))

help(np.arange)

list(range(5))

[0, 1, 2, 3, 4]

np.arange(5)

array([0, 1, 2, 3, 4])

type(range(1,10))

range

# 用法和range差不多array1 = np.arange(1,10) # [1,10)print(array1)type(array1)

[1 2 3 4 5 6 7 8 9]numpy.ndarray

# 可以直接迭代for i in array1:    print(i,end=' ')

1 2 3 4 5 6 7 8 9

# Python里面的range不支持步长为小数range(1,10,0.5)

---------------------------------------------------------------------------TypeError                                 Traceback (most recent call last)<ipython-input-27-546bf1d2fbc2> in <module>()      1 # Python里面的range不支持步长为小数----> 2 range(1,10,0.5)TypeError: 'float' object cannot be interpreted as an integer

# 支持步长为小数np.arange(1,10,0.5) # step为0.5

array([1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5, 5. , 5.5, 6. , 6.5, 7. ,       7.5, 8. , 8.5, 9. , 9.5])

################### 开始变化 ########################

help(array1.reshape)

# 创建2维数组，参数传元组比较合适（官方案例也是元组）np.arange(1,10,0.5).reshape((2,9))

array([[1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5, 5. ],       [5.5, 6. , 6.5, 7. , 7.5, 8. , 8.5, 9. , 9.5]])

# 3行5列np.arange(15).reshape((3,5))

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

# 告诉它多少列，自动求行np.arange(20).reshape((-1,5))

array([[ 0,  1,  2,  3,  4],       [ 5,  6,  7,  8,  9],       [10, 11, 12, 13, 14],       [15, 16, 17, 18, 19]])

# 告诉它多少行，自动求列np.arange(20).reshape((4,-1))

array([[ 0,  1,  2,  3,  4],       [ 5,  6,  7,  8,  9],       [10, 11, 12, 13, 14],       [15, 16, 17, 18, 19]])

# reshape的 **行x列 != 元素个数** 就会报错np.arange(20).reshape(3,7)

---------------------------------------------------------------------------ValueError                                Traceback (most recent call last)<ipython-input-35-7050b8704de5> in <module>()      1 # reshape的 **行x列 != 元素个数** 就会报错----> 2 np.arange(20).reshape(3,7)ValueError: cannot reshape array of size 20 into shape (3,7)

1.4.创建随机数组

np.random.randint 生成给定范围内均匀分布的整数

np.random.rand 生成 [0,1)之间均匀分布的随机数

np.random.ranf 生成均匀分布的浮点数字 [0.0,1.0)

np.random.randn 生成符合正态分布的随机数

np.random.normal 从正态分布中返回符合你输入的均值与方差以及shape的值

扩展： np.random.seed 设置随机种子，一般不太用，特殊场景需要

# 生成一个给定范围内均匀分布的整数[0,10)np.random.randint(10)

# 生成20个在[0,10)的整数np.random.randint(10,size=20)

array([4, 4, 7, 8, 1, 7, 5, 7, 4, 4, 3, 7, 2, 6, 9, 2, 7, 0, 4, 5])

# 生成2*4的数组，取值范围在[0,5)np.random.randint(5, size=(2, 4))

array([[1, 1, 0, 1],       [3, 0, 1, 4]])

# 更多可以查看help(np.random.randint)

# 均匀分布的随机数[0,1)np.random.rand(10)

array([0.08996296, 0.82827789, 0.74820873, 0.09045909, 0.26352475,       0.66150275, 0.0038369 , 0.47934078, 0.43417883, 0.05288273])

# 更多可以查看help(np.random.rand)

# 均匀分布的浮点数字[0.0, 1.0)np.random.ranf(10)

array([0.95702794, 0.59910303, 0.73824443, 0.6832429 , 0.64869682,       0.0955835 , 0.99294838, 0.55386257, 0.25567338, 0.95512264])

# 更多可以查看help(np.random.ranf)

# 创建10个符合正态分布的随机数np.random.randn(10)

array([ 1.05768826e+00, -3.95641972e-01,  2.37315110e+00, -6.94658823e-01,        7.70828099e-01,  1.91420905e+00, -1.77742033e+00,  1.87125778e+00,        3.81989892e-01,  1.85276444e-03])

# 更多可以查看help(np.random.randn)

# 符合均值为0，方差为1的正态分布的浮点数np.random.normal()

-0.9892652426992485

# 符合均值为10，方差为100的正态分布的浮点数np.random.normal(10,100)

-39.99076455480153

# 符合均值为10，方差为100，3*2的正态分布矩阵np.random.normal(10,100,(3,2))

array([[106.69681561, -81.35604536],       [-22.26387387, 141.78449018],       [ 28.3122283 , -96.87127422]])

# 更多可以查看help(np.random.normal)

1.5.linspace创建等差数组

np.linspace 生成等差数列的数组

和arange不一样的是end值可以取到

help(np.linspace)

# 创建一个从0~10，差值为1的等差数组# 0~10总共11个数（和arange不一样的是end值可以取到）np.linspace(0,10,11)

array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])

# 0~20(总共22个数)差值为2的等差数组np.linspace(0,20,11)

array([ 0.,  2.,  4.,  6.,  8., 10., 12., 14., 16., 18., 20.])

# 也可以让end_index取不到np.linspace(0,20,10,endpoint=False)

array([ 0.,  2.,  4.,  6.,  8., 10., 12., 14., 16., 18.])

2.数组常用方法

2.1.数组元素的获取

基础用法之前讲过，可以回顾一下：https://www.cnblogs.com/dotnetcrazy/p/9114691.html#2.1.Python

简写： array_name[行,列] （行列都是从0开始）

其他写法： array_name[行][列]（Numpy不建议这么写，多维数组用切片的时候语义容易偏差，eg: xx[:2][:2])

# 先用熟悉的一维数组array1 = np.arange(10)print(array1)

[0 1 2 3 4 5 6 7 8 9]

# 取第一个元素array1[0]

# 取最后一个元素array1[-1]

# 取第二个元素array1[1]

# 取倒数第二个元素array1[-2]

################### 二维数组 ########################

test_array = np.array([[1,2,3],[4,5,6]])print(test_array)

[[1 2 3] [4 5 6]]

# 获取元素4（行列都是从0开始）test_array[1][0] # Numpy不建议这么写

# 获取元素4 简写test_array[1,0]

# 获取第一行最后一个test_array[0,-1]

# 获取最后一行倒数第二个元素test_array[-1,-2]

2.2.多维数组的切片用法

array_name[行切片,列切片] eg： test_array[1:3,1:3]==> 取索引为1,2的行；取索引为1,2的列

基础用法之前讲过，可以回顾一下：https://www.cnblogs.com/dotnetcrazy/p/9155310.html#1.7.列表切片

# 先用熟悉的一维数组array1 = np.arange(100)print(array1)

[ 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 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99]

# 全部取出来array1[::]

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, 32, 33,       34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,       51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,       68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,       85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])

# 从索引为1～最后array1[1::]

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, 28, 29, 30, 31, 32, 33, 34,       35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51,       52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68,       69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85,       86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])

################### 切片开始 ########################

# 从第二个元素取到最后,step为10array1[1::10]

array([ 1, 11, 21, 31, 41, 51, 61, 71, 81, 91])

# [1,5) 从下标1取到下标4,下标为5的取不到array1[1:5]

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

# 取下标为1～倒数第二个元素（end_index取不到）array1[1:-1]

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, 28, 29, 30, 31, 32, 33, 34,       35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51,       52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68,       69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85,       86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98])

# 取前10个array1[:10]

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

# 取最后10个，可以理解为从索引-5的元素到最后array1[-10:]

array([90, 91, 92, 93, 94, 95, 96, 97, 98, 99])

# 前11~20（eg：第二页）array1[10:20]

array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])

# 取80~90（eg:倒数第二页）array1[-20:-10]

array([80, 81, 82, 83, 84, 85, 86, 87, 88, 89])

# 前20个数，每两个取一个（eg:隔行换样式）array1[:20:2]

array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])

# 所有数每10个取一个（eg:test的时候十里挑一）array1[::10]

array([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90])

################### 二维数组 ########################

# 生成一个多维数组test_array = np.arange(15).reshape(3,5)print(test_array)

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

# [行切片，列切片]# 行：取第2行到最后，列：取第3列到最后test_array[1:,2:]

array([[ 7,  8,  9],       [12, 13, 14]])

# 所有行，最后一列test_array[:,-1:]

array([[ 4],       [ 9],       [14]])

# 所有行，索引[0,2)列test_array[:,:2]

array([[ 0,  1],       [ 5,  6],       [10, 11]])

# 索引1的行，索引1的列test_array[1:2,1:2]

array([[6]])

# 上面的等同于test_array[1][1]print(test_array[1,1])

# 取索引为1,2的行；取索引为1,2的列test_array[1:3,1:3]

array([[ 6,  7],       [11, 12]])

2.3.unique、max、min、sum

np.unique 找出其中不重复的元素

np.max 找出其中最大的值

np.min 找出其中最小值

np.sum 求和系列

a = np.random.randint(5,size=(4,5))print(a)

[[3 4 4 2 0] [3 3 2 1 4] [2 4 1 3 4] [2 0 3 3 0]]

# 找出其中不重复的元素np.unique(a)

array([0, 1, 2, 3, 4])

# 找出其中最大的值np.max(a) # 或者：a.max()

# 找出第1行最大值np.max(a[0]) # 或者：max(a[0])

# 找出第3列最大值np.max(a[:,2]) # 或者：max(a[:,2])

print(a)

[[3 4 4 2 0] [3 3 2 1 4] [2 4 1 3 4] [2 0 3 3 0]]

# 找出其中最小值np.min(a) # a.min()

# 找出第1行最小值np.min(a[0]) # min(a[0])

# 找出第3列最小值np.min(a[:,2]) # min(a[:,2])

print(a)

[[3 4 4 2 0] [3 3 2 1 4] [2 4 1 3 4] [2 0 3 3 0]]

np.sum(a)

# 注意：这个是每一列分别求和sum(a)

array([10, 11, 10,  9,  8])

# 求第1行和np.sum(a[0]) # sum(a[0])

# 求第3列和np.sum(a[:,2]) # sum(a[:,2])

2.4.load导入、save导出

以前我们可能使用 pickle来实现，现在直接可以用自带的方法实现，eg：

import picklef = open('x.dat','wb') # 写二进制文件pickle.dump(array2,f) # 把对象array2写入f中f.close()f = open('x.dat','rb') # 读二进制文件temp = pickle.load(f)print(temp)

现在直接调用Numpy里面的方法即可

np.save('file_name',obj)np.load('file_name.npy')

多个文件：推荐用这种指定key的方式默认以npz结尾:

np.savez('file_name',obj1=obj1,obj2=obj2)temp = np.load('file_name.npz')temp[obj1]temp.close()

也可以用扩展里面的方法

help(np.save)

!ls # 查看下当前目录print(array2)

NumpyBase.ipynb  矩阵系列.ipynb[[0 1 2 3 4 5 6 7 8 9] [0 1 2 3 4 5 6 7 8 9]]

# 把array2对象保存成本地二进制文件（自动以.npy结尾）np.save('bak',array2)

!ls

bak.npy  NumpyBase.ipynb  矩阵系列.ipynb

# 读取np.load('bak.npy')

array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],       [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])

################### 多个对象保存 ########################

help(np.savez)

print(array1)print(array2)

[ 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 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99][[0 1 2 3 4 5 6 7 8 9] [0 1 2 3 4 5 6 7 8 9]]

# 推荐用这种指定key的方式 默认以npz结尾np.savez('good',array1=array1,array2=array2)

!ls

bak.npy  good.npz  NumpyBase.ipynb  矩阵系列.ipynb

temp = np.load('good.npz')

temp['array1']

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, 32, 33,       34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,       51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,       68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,       85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])

temp['array2']

array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],       [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])

################### 扩展系列 ########################

# 默认以npz结尾np.savez('some',array1,array2)

!ls

bak.npy  good.npz  NumpyBase.ipynb  some.npz  矩阵系列.ipynb

temp = np.load('some.npz')type(temp)

numpy.lib.npyio.NpzFile

# 知道有那些文件名，也就是对应的key了keys = temp.filesprint(keys)

['arr_0', 'arr_1']

# 通过这种方式获取temp[keys[0]]

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, 32, 33,       34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,       51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,       68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,       85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])

temp[keys[1]]

array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9],       [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])

看个图就知道它多文件是啥意思了

2.5.合并系列（concatenate、hstack、vstack）

2.5.1. `concatenate`

np.concatenate(tuple,axis=0) 默认是x轴拼接（上下、按照列顺序）， axis=1 => y轴拼接（左右、按照行顺序）

help(np.concatenate)

A = np.random.randint(10,size=(2,3))print(A)

[[8 9 1] [8 9 0]]

# 默认是上下（x轴）拼接，第一个参数是元组np.concatenate((A,A))

array([[8, 9, 1],       [8, 9, 0],       [8, 9, 1],       [8, 9, 0]])

# 左右（沿y轴）拼接np.concatenate((A,A),axis=1)

array([[8, 9, 1, 8, 9, 1],       [8, 9, 0, 8, 9, 0]])

2.5.2.hstack and vstack

注意一点：concatenate只能处理一个维度的，如果维度不同可以使用容错性更强的 vstack（垂直拼接）和 hstack（水平拼接）

print(A)print(new_test_array)np.concatenate((A,new_test_array)) # 只能处理一个维度的

[[8 9 1] [8 9 0]]---------------------------------------------------------------------------NameError                                 Traceback (most recent call last)<ipython-input-124-1d57e04ff24b> in <module>()      1 print(A)----> 2 print(new_test_array)      3       4 np.concatenate((A,new_test_array)) # 只能处理一个维度的NameError: name 'new_test_array' is not defined

help(np.hstack

print(A)np.hstack((A,A))

[[8 9 1] [8 9 0]]array([[8, 9, 1, 8, 9, 1],       [8, 9, 0, 8, 9, 0]])

np.vstack((A,A))

array([[8, 9, 1],       [8, 9, 0],       [8, 9, 1],       [8, 9, 0]])

print(new_test_array)np.hstack((A,new_test_array))

---------------------------------------------------------------------------NameError                                 Traceback (most recent call last)<ipython-input-128-2b6aab3c90b4> in <module>()----> 1 print(new_test_array)      2       3 np.hstack((A,new_test_array))NameError: name 'new_test_array' is not defined

# 元素不够也是一样报错的np.vstack((A,new_test_array))

---------------------------------------------------------------------------NameError                                 Traceback (most recent call last)<ipython-input-129-97df5d70dcf5> in <module>()      1 # 元素不够也是一样报错的----> 2 np.vstack((A,new_test_array))NameError: name 'new_test_array' is not defined

help(np.vstack)

2.6.切割系列（split、hsplit、vsplit）

按行切割 np.split(test_array,[index]) 简化： np.vsplit(test_array,[index])

按列切割 np.split(test_array,[index],axis=1) 简化： np.hsplit(test_array,[index])

A = np.random.randint(10,size=10) # np.arange(10)print(A)

[2 9 3 9 1 5 7 4 0 0]

a,b = np.split(A,[2])print(a)print(b)

[2 9][3 9 1 5 7 4 0 0]

# 索引2、4分割a,b,c = np.split(A,[2,4])print(a)print(b)print(c)

[2 9][3 9][1 5 7 4 0 0]

################### 多维系列 ########################

test_array = np.random.randint(10,size=(4,5))print(test_array)

[[4 6 2 2 2] [0 7 7 9 1] [5 1 1 3 6] [9 0 5 0 1]]

# 按行切割a,b = np.split(test_array,[1])print(a)print(b)

[[4 6 2 2 2]][[0 7 7 9 1] [5 1 1 3 6] [9 0 5 0 1]]

# 简化写法a,b = np.vsplit(test_array,[1])print(a)print(b)

[[4 6 2 2 2]][[0 7 7 9 1] [5 1 1 3 6] [9 0 5 0 1]]

# 按列切割a,b = np.split(test_array,[1],axis=1)print(a)print(b)

[[4] [0] [5] [9]][[6 2 2 2] [7 7 9 1] [1 1 3 6] [0 5 0 1]]

# 简化写法a,b = np.hsplit(test_array,[1])print(a)print(b)

[[4] [0] [5] [9]][[6 2 2 2] [7 7 9 1] [1 1 3 6] [0 5 0 1]]

help(np.split)

2.7.扩展系列

2.7.1. `np.copy`

我们先来看看为什么要用copy

test_list = list(range(10))print(test_list)# 在Python中切片是不改变原列表的new_test_list = test_list[:5]print(test_list)print(new_test_list)

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9][0, 1, 2, 3, 4, 5, 6, 7, 8, 9][0, 1, 2, 3, 4]

# 修改切片出来的列表不影响原列表new_test_list[0] = 22print(test_list)print(new_test_list)

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9][22, 1, 2, 3, 4]

# 再看看Numpy的数组test_array = np.random.randint(10,size=(3,5))print(test_array)new_test_array = test_array[:2,:2]print(new_test_array)print(test_array)

[[5 5 2 6 6] [1 2 2 4 8] [8 4 2 5 8]][[5 5] [1 2]][[5 5 2 6 6] [1 2 2 4 8] [8 4 2 5 8]]

# Numpy只要效率，所以不是真的给你切出新数组new_test_array[0,0]=22print(new_test_array)print(test_array)

[[22  5] [ 1  2]][[22  5  2  6  6] [ 1  2  2  4  8] [ 8  4  2  5  8]]

################### Copy登场 ########################

print(test_array)temp = test_array.copy()new_test_array = temp[:2,:2]print(new_test_array)

[[22  5  2  6  6] [ 1  2  2  4  8] [ 8  4  2  5  8]][[22  5] [ 1  2]]

# 验证一下是不是真的copy，的确是真copynew_test_array[0,0] = 6print(new_test_array)print(test_array)

[[6 5] [1 2]][[22  5  2  6  6] [ 1  2  2  4  8] [ 8  4  2  5  8]]

还有什么补充以后就添加在这（有更新欢迎到原文链接查看）

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

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

numpy

python

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

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

numpy

python