小白眼中的AI之～Numpy基础
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 nphelp(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list1
list1 = 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)1
2
3# 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.size20# 查看元素的数据类型
array2.dtypedtype('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])]
object1.3.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：
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0.5array([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)0# 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]0# 取最后一个元素
array1[-1]9# 取第二个元素
array1[1]1# 取倒数第二个元素
array1[-2]8################### 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4# 获取元素4 简写
test_array[1,0]4# 获取第一行最后一个
test_array[0,-1]3# 获取最后一行倒数第二个元素
test_array[-1,-2]52.2.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10
array1[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])6# 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()4# 找出第1行最大值
np.max(a[0]) # 或者：max(a[0])4# 找出第3列最大值
np.max(a[:,2]) # 或者：max(a[:,2])4print(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()0# 找出第1行最小值
np.min(a[0]) # min(a[0])0# 找出第3列最小值
np.min(a[:,2]) # min(a[:,2])1print(a)[[3 4 4 2 0]
[3 3 2 1 4]
[2 4 1 3 4]
[2 0 3 3 0]]np.sum(a)48# 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])13# 求第3列和
np.sum(a[:,2]) # sum(a[:,2])102.4.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 pickle
f = 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)!lsbak.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)!lsbak.npy good.npz NumpyBase.ipynb 矩阵系列.ipynbtemp = 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)!lsbak.npy good.npz NumpyBase.ipynb some.npz 矩阵系列.ipynbtemp = 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.files
print(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 definedhelp(np.hstackprint(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 definedhelp(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] = 22
print(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]=22
print(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copy
new_test_array[0,0] = 6
print(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]]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：2018-07-14，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
