【NumPy学习指南】day5 改变数组的维度 组合数组

我们已经学习了怎样使用reshape函数，现在来学习一下怎样将数组展平。

(1)ravel 我们可以用ravel函数完成展平的操作：

In: b Out: 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]]]) In:b.ravel() Out: 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])

(2)flatten 这个函数恰如其名，flatten就是展平的意思，与ravel函数的功能相同。不过，flatten函数会请求分配内存来保存结果，而ravel函数只是返回数组的一个视图（view）：

In:b.flatten() Out: 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])

(3)用元组设置维度 除了可以使用reshape函数，我们也可以直接用一个正整数元组来设置数组的维度，如下所示：

In:b.shape = (6,4) In: b Out: 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]],

正如你所看到的，这样的做法将直接改变所操作的数组，现在数组b成了一个6×4的多维数组。

(4)transpose 在线性代数中，转置矩阵是很常见的操作。对于多维数组，我们也可以这样做：

In:b.transpose() Out: array([[0, 4, 8, 12, 16, 20], [ 1, 5,9, 13, 17, 21], [ 2,6,10, 14, 18, 22], [ 3,7,11, 15, 19, 23]])

(5)resize resize和reshape函数的功能一样，但resize会直接修改所操作的数组：

In:b.resize((2,12)) In: b Out: 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]])

刚才做了些什么

我们用ravel、flatten、reshape和resize函数对NumPy数组的维度进行了修改。

动手实践：组合数组

首先，我们来创建一些数组：

In: a =arange(9).reshape(3,3) In: a Out: array([[0,1, 2], [3, 4,5], [6, 7,8]]) In: b =2 * a In: b Out: array([[0, 2, 4], [ 6, 8,10], [12,14,16]])

(1)水平组合 我们先从水平组合开始练习。将ndarray对象构成的元组作为参数，传给hstack函数。如下所示：

In:hstack((a, b)) Out: array([[0, 1, 2, 0, 2, 4], [ 3, 4,5, 6, 8,10], [ 6, 7,8,12,14,16]])

我们也可以用concatenate函数来实现同样的效果，如下所示：

In:concatenate((a, b), axis=1) Out: array([[0, 1, 2, 0, 2, 4], [ 3, 4,5, 6, 8,10], [ 6, 7, 8,12,14,16]])

(2)垂直组合 垂直组合同样需要构造一个元组作为参数，只不过这次的函数变成了vstack。如下所示：

In:vstack((a, b)) Out: array([[0, 1, 2], [ 3, 4,5], [ 6, 7,8], [ 0, 2,4], [ 6,8,10], [12,14,16]])

同样，我们将concatenate函数的axis参数设置为0即可实现同样的效果。这也是axis参数的默认值：

In:concatenatel((a, b), axis = 0) Out: array([[0, 1, 2], [ 3, 4,5], [ 6, 7,8], [ 0, 2,4], [ 6,8,10], [12,14,16]])

(3) 深度组合 将相同的元组作为参数传给dstack函数，即可完成数组的深度组合。所谓深度组合，就是将一系列数组沿着纵轴（深度）方向进行层叠组合。举个例子，有若干张二维平面内的图像点阵数据，我们可以将这些图像数据沿纵轴方向层叠在一起，这就形象地解释了什么是深度组合。

In:dstack((a, b)) Out: array([[[0,0], [1, 2], [2, 4]], [[3, 6], [4, 8], [5,10]], [[6,12], [7,14], [8,16]]])

(4)列组合 column_stack函数对于一维数组将按列方向进行组合，如下所示：

In: oned= arange(2) In: oned Out:array([0, 1]) In:twice_oned = 2 * oned In:twice_oned Out:array([0, 2]) In:column_stack((oned, twice_oned)) Out: array([[0,0], [1, 2]])

而对于二维数组，column_stack与hstack的效果是相同的：

In:column_stack((a, b)) Out: array([[0, 1, 2, 0, 2, 4], [ 3, 4,5, 6, 8,10], [ 6, 7,8,12,14,16]]) In:column_stack((a, b)) == hstack((a, b)) Out: array([[True, True, True, True, True, True], [ True,True, True, True, True, True], [ True,True, True, True, True, True]], dtype=bool)

是的，你猜对了！我们可以用==运算符来比较两个NumPy数组，是不是很简洁？

(5)行组合 当然，NumPy中也有按行方向进行组合的函数，它就是row_stack。对于两个一维数组，将直接层叠起来组合成一个二维数组。

In:row_stack((oned, twice_oned)) Out: array([[0,1], [0, 2]])

对于二维数组，row_stack与vstack的效果是相同的：

In:row_stack((a, b)) Out: array([[0, 1, 2], [ 3, 4,5], [ 6, 7,8], [ 0, 2,4], [ 6,8,10], [12,14,16]]) In:row_stack((a,b)) == vstack((a, b)) Out: array([[True, True, True], [ True,True, True], [ True,True, True], [ True,True, True], [ True,True, True], [ True,True, True]], dtype=bool)

刚才做了些什么

我们按照水平、垂直和深度等方式进行了组合数组的操作。我们使用了vstack、dstack、hstack、column_stack、row_stack以及concatenate函数。