NumPy高级应用与python高级数组操作

目录

ndarray对象的内部机理

NumPy数据类型体系

高级数组操作--数组重塑

数组的合并和拆分

堆叠辅助类:r_和c_

元素的重复操作:tile和repeat

花式索引的等价函数:take和put


ndarray对象的内部机理

Numpy的ndarray提高了一种将同质数据块(可以是连续的跨越的)解释为多维数组的对象的方式。正如你之前所看到的那样,数据类型决定了数据的解释方式,比如浮点数,整数,布尔值等等。

ndarray如此强大的一个原因是所有的数组对象都是数据块的一个跨度视图。(strided view),ndarray不止是一块内存和dtype,它还有跨度信息,这使得数组能够以各种幅度在内存中移动,更准确的讲,ndarray内部由以下内容组成:

*一个指向数组(一个系统内存)的指针。

*数据类型或dtype

*一个表示数组类型(shape)的元组,例如,一个10*5的数组,其形状为(10,5)

*一个跨度元组(stride),其中的整数指的是为了前进到当前纬度下一元素需要跨过的字节数,例如,一个典型的3*4*5的float数组,其跨度为(160,40,8)

NumPy数据类型体系

>>> import numpy as np
>>> ints = np.ones(10,dtype=np.uint16)
>>> ints
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1], dtype=uint16)
>>> float = np.ones(10,dtype = np.uint32)
>>> float = np.ones(10,dtype = np.float32)
>>> float
array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], dtype=float32)
>>> np.issubdtype(ints.dtype,np.integer)
True
>>> np.issubdtype(float.dtype,np.float32)
True
>>> np.issubdtype(float.dtype,np.float)
True

查看所有父类

>>> np.float64.mro()
[<type 'numpy.float64'>, <type 'numpy.floating'>, <type 'numpy.inexact'>, <type 'numpy.number'>, <type 'numpy.generic'>, <type 'float'>, <type 'object'>]

高级数组操作--数组重塑

改变数组的形状

>>> arr = np.arange(8)
>>> arr
array([0, 1, 2, 3, 4, 5, 6, 7])
>>> arr.reshape((4,2))
array([[0, 1],
       [2, 3],
       [4, 5],
       [6, 7]])
>>> arr.reshape((4,2)).reshape((2,4))
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])

作为参数的纬度可以是-1,它表示纬度大小有数据本身推断出来

>>> arr = np.arange(15)
>>> arr.reshape((5,-1))
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11],
       [12, 13, 14]])
>>> arr.reshape((3,-1))
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

由于数组的shape属性是一个元组,因此他也可以被传入reshape:

>>> other_arr = np.ones((3,5))
>>> other_arr.shape
(3L, 5L)
>>> arr.reshape(other_arr.shape)
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

将多维数组展开的运算过程称为扁平化---降维打击

>>> arr = np.arange(15).reshape((5,3))
>>> arr
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11],
       [12, 13, 14]])
>>> arr.ravel()
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])

C和ForTran顺序

与其他科学计算环境相反,NumPy允许你更为灵活地控制在内存中的布局。

默认情况下NumPy是按行优先顺序创建的,在空间方面,这就意味着,对于一个二维数组,每行的数据是存在相邻的行上,另一种是按列优先存放的

C成为行优先,Fortran成为列优先。

>>> arr = np.arange(12).reshape((3,4))
>>> arr
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> arr.ravel()
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
>>> arr.ravel('F')
array([ 0,  4,  8,  1,  5,  9,  2,  6, 10,  3,  7, 11])

C/行优先顺序:现经过更高的纬度,例如轴1会优先于轴0被处理

Fortran/列优先顺序:后经过更高的纬度,例如,轴0会先于轴1被处理。

数组的合并和拆分

>>> import numpy as np
>>> arr1 = np.array([[1,2,3],[4,5,6]])
>>> arr2 = np.array([[7,8,9],[10,11,12]])
>>> np.concatenate([arr1,arr2],axis=0)
array([[ 1,  2,  3],
       [ 4,  5,  6],
       [ 7,  8,  9],
       [10, 11, 12]])
>>> np.concatenate([arr1,arr2],axis=1)
array([[ 1,  2,  3,  7,  8,  9],
       [ 4,  5,  6, 10, 11, 12]])

其他方法

>>> np.vstack((arr1,arr2))
array([[ 1,  2,  3],
       [ 4,  5,  6],
       [ 7,  8,  9],
       [10, 11, 12]])
>>> np.hstack((arr1,arr2))
array([[ 1,  2,  3,  7,  8,  9],
       [ 4,  5,  6, 10, 11, 12]])

拆份矩阵

>>> from numpy.random import randn
>>> arr = randn(5,2)
>>> arr
array([[ 0.97856788, -1.37528149],
       [ 0.55720216, -0.58241076],
       [-0.26465266, -1.46150681],
       [ 0.11445839, -0.66410352],
       [ 0.44568727, -1.0911138 ]])
>>> first,second,third = np.split(arr,[1,3])
>>> first
array([[ 0.97856788, -1.37528149]])
>>> second
array([[ 0.55720216, -0.58241076],
       [-0.26465266, -1.46150681]])
>>> third
array([[ 0.11445839, -0.66410352],
       [ 0.44568727, -1.0911138 ]])

堆叠辅助类:r_和c_

Numpy命名空间中有两个特殊对象---r_和c_,他们可以使数组的堆叠操作更为简洁:

>>> arr = np.arange(6)
>>> arr1 = arr.reshape((3,2))
>>> arr2 = randn(3,2)
>>> np.r_[arr1,arr2]
array([[ 0.        ,  1.        ],
       [ 2.        ,  3.        ],
       [ 4.        ,  5.        ],
       [-0.32236699,  0.87641534],
       [-1.10413826, -0.84423609],
       [ 1.52870818, -1.63998148]])
>>> np.c_[arr1,arr2]
array([[ 0.        ,  1.        , -0.32236699,  0.87641534],
       [ 2.        ,  3.        , -1.10413826, -0.84423609],
       [ 4.        ,  5.        ,  1.52870818, -1.63998148]])
>>> np.c_[np.r_[arr1,arr2],arr]
array([[ 0.        ,  1.        ,  0.        ],
       [ 2.        ,  3.        ,  1.        ],
       [ 4.        ,  5.        ,  2.        ],
       [-0.32236699,  0.87641534,  3.        ],
       [-1.10413826, -0.84423609,  4.        ],
       [ 1.52870818, -1.63998148,  5.        ]])
>>> np.c_[1:6,-10:-5]
array([[  1, -10],
       [  2,  -9],
       [  3,  -8],
       [  4,  -7],
       [  5,  -6]])

元素的重复操作:tile和repeat

repeat会将数组每个元素重复一定次数,从而产生一个更大的数组

>>> arr = np.arange(3)
>>> arr.repeat(3)
array([0, 0, 0, 1, 1, 1, 2, 2, 2])

参数为数组,次数就为数组内元素

>>> arr.repeat([2,5,1])
array([0, 0, 1, 1, 1, 1, 1, 2])
>>> arr = randn(2,2)
>>> arr
array([[ 0.62378524,  0.58608875],
       [-2.102162  , -0.20826398]])
>>> arr.repeat(2,axis=0)
array([[ 0.62378524,  0.58608875],
       [ 0.62378524,  0.58608875],
       [-2.102162  , -0.20826398],
       [-2.102162  , -0.20826398]])
>>> arr.repeat(3,axis=1)
array([[ 0.62378524,  0.62378524,  0.62378524,  0.58608875,  0.58608875,
         0.58608875],
       [-2.102162  , -2.102162  , -2.102162  , -0.20826398, -0.20826398,
        -0.20826398]])

tile的功能是沿指定轴向堆叠数组的副本。你可以形象的将其想象成‘铺瓷砖’

>>> np.tile(arr,2)
array([[ 0.62378524,  0.58608875,  0.62378524,  0.58608875],
       [-2.102162  , -0.20826398, -2.102162  , -0.20826398]])
>>> np.tile(arr,(3,2))
array([[ 0.62378524,  0.58608875,  0.62378524,  0.58608875],
       [-2.102162  , -0.20826398, -2.102162  , -0.20826398],
       [ 0.62378524,  0.58608875,  0.62378524,  0.58608875],
       [-2.102162  , -0.20826398, -2.102162  , -0.20826398],
       [ 0.62378524,  0.58608875,  0.62378524,  0.58608875],
       [-2.102162  , -0.20826398, -2.102162  , -0.20826398]])

花式索引的等价函数:take和put

>>> arr = np.arange(10)*100
>>> inds = [7,1,2,6]
>>> arr
array([  0, 100, 200, 300, 400, 500, 600, 700, 800, 900])
>>> arr[inds]
array([700, 100, 200, 600])

ndarray有两个专门用于获取和设置单个轴向上的选区:

>>> arr.take(inds)
array([700, 100, 200, 600])
>>> arr.put(inds,42)
>>> arr
array([  0,  42,  42, 300, 400, 500,  42,  42, 800, 900])
>>> arr.put(inds,[1,111,11111,222222])
>>> arr
array([     0,    111,  11111,    300,    400,    500, 222222,      1,
          800,    900])

在其他轴上使用take,只需传入axis关键字即可:

[2,0,2,1]对应数组第一行的坐标,即是无参数是使用自己的元素填充

>>> inds=[2,0,2,1]
>>> arr = randn(2,4)
>>> arr
array([[ 0.37017406,  0.83873575, -1.49859514,  0.03938596],
       [ 0.03290924, -0.1093802 , -0.17473124,  0.0457244 ]])
>>> arr.take(inds,axis=1)
array([[-1.49859514,  0.37017406, -1.49859514,  0.83873575],
       [-0.17473124,  0.03290924, -0.17473124, -0.1093802 ]])

 

已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 点我我会动 设计师:上身试试 返回首页