1.reshape

reshape是重塑，常用的三種寫法如下：

numpy.arange(n).reshape(a, b)    
# 依次生成 n個(gè)自然數(shù)，并且以 a行 b列的數(shù)組形式顯示

numpy.arange(a,b,c)    
# 從數(shù)字 a起, 步長(zhǎng)為 c, 到 b結(jié)束，生成 array

numpy.arange(a,b,c).reshape(m,n) 
# 將array的維度變?yōu)?m 行 n 列。

例一：

import numpy as np
arr=np.arange(1,25.0).reshape(4,6)

關(guān)于order：
order可以是數(shù)組排序的方向不同
（1）order='F'列為主序
（2）order='C'行為主序

一種是以order='F'的方式讓數(shù)組豎著排序：

arr=np.arange(1,25.0).reshape((6,-1),order='F')

一種是以order='C'的方式讓數(shù)組橫著排序：

arr=np.arange(1,25.0).reshape((6,-1),order='C')

reshape與flattern:
前者完成的是從低維到高維的轉(zhuǎn)換，后者則相反，還可以使用reval函數(shù)

2.flatten

numpy.ndarray.flattern()是用來返回一維數(shù)組的函數(shù)。
也可以像reshape一樣使用order

arr2=arr.flatten(order='F')

一般默認(rèn)是使用order='C'，有特定需求則使用order='F'。

且 flatten()返回的是拷貝，意味著改變?cè)氐闹?strong>不會(huì)影響原始數(shù)組。

3.ravel

ravel()方法將數(shù)組維度拉成一維數(shù)組

ravel和flatten的區(qū)別：

• ravel在進(jìn)行扁平化處理的時(shí)候沒有復(fù)制原來的數(shù)組，只在列主序打平時(shí)復(fù)制原來的數(shù)組
• flatten在所有情況下打平時(shí)都復(fù)制了原來的數(shù)組
• ravel()返回的是視圖，意味著改變?cè)氐闹禃?huì)影響原始數(shù)組；
• flatten()返回的是拷貝，意味著改變?cè)氐闹挡粫?huì)影響原始數(shù)組。
• 相同點(diǎn)：這兩個(gè)函數(shù)的功能都是將多維數(shù)組轉(zhuǎn)換成一維

ravel()返回的是視圖，意味著改變?cè)氐闹?strong>會(huì)影響原始數(shù)組；

4.stack

numpy.stack(arrays, axis=0)：沿著新軸連接數(shù)組的序列。

一系列的stack函數(shù)有：stack()，hstack()，vstack()

（1）concatenate

還有屬性例如：concatenate
numpy.concatenate((a1,a2,…), axis=0)函數(shù)，能夠一次完成多個(gè)數(shù)組的拼接。其中a1,a2,…是數(shù)組類型的參數(shù)

arr1=['穿過寒冬擁抱你','反貪風(fēng)暴5：最終章','李茂扮太子','誤殺2']
arr2=['以年為單位的戀愛','愛情神話','黑客帝國(guó)：矩陣重啟','雄獅少年']
np.concatenate([arr1,arr2])

注意，兩個(gè)list合并的時(shí)候需要用到 [ ] ,否則出錯(cuò)。

axis參數(shù)指定新軸在結(jié)果尺寸中的索引。例如，如果axis=0，它將是第一個(gè)維度，如果axis=-1，它將是最后一個(gè)維度。

默認(rèn)情況下axis=0

arr1=np.arange(1,25.0).reshape(4,6)
arr2=np.arange(26,50.0).reshape(4,6)
np.concatenate([arr1,arr2],axis=1)
np.concatenate([arr1,arr2],axis=0)

如上圖所示，axis=1是將不同的列串聯(lián)起來，axis=0則類似于append，是合并。

將arr1與arr2進(jìn)行對(duì)調(diào)：

（2）vstack

函數(shù)原型：vstack(tup) ，參數(shù)tup可以是元組，列表，或者numpy數(shù)組，返回結(jié)果為numpy的數(shù)組。它是垂直（按照行順序）的把數(shù)組給堆疊起來。

vstack 和concatenate( ),axis=0等價(jià)

（3）dstack

dstack是deep stack，即在深度方向進(jìn)行合并。

dstack可以將一維數(shù)組變成三維數(shù)組。

import numpy as np

# vstack
np.vstack([arr1,arr2])
#結(jié)果：
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.],
       [26., 27., 28., 29., 30., 31.],
       [32., 33., 34., 35., 36., 37.],
       [38., 39., 40., 41., 42., 43.],
       [44., 45., 46., 47., 48., 49.]])
       
# dstack
np.dstack([arr1,arr2])
# 結(jié)果：
array([[[ 1., 26.],
        [ 2., 27.],
        [ 3., 28.],
        [ 4., 29.],
        [ 5., 30.],
        [ 6., 31.]],

       [[ 7., 32.],
        [ 8., 33.],
        [ 9., 34.],
        [10., 35.],
        [11., 36.],
        [12., 37.]],

       [[13., 38.],
        [14., 39.],
        [15., 40.],
        [16., 41.],
        [17., 42.],
        [18., 43.]],

       [[19., 44.],
        [20., 45.],
        [21., 46.],
        [22., 47.],
        [23., 48.],
        [24., 49.]]])

（4）hstack

函數(shù)原型：hstack(tup) ，參數(shù)tup可以是元組，列表，或者numpy數(shù)組，返回結(jié)果為numpy的數(shù)組,水平(按列順序)把數(shù)組給堆疊起來，vstack()函數(shù)正好和它相反。

（5）r,c模式

np.r_[arr1,arr2] ，實(shí)際上是vstack 與 axis=0 做了一個(gè)合并（concatenate）。
np.c_[arr1,arr2] ， hstack 與 axis=1 做了一個(gè)合并（concatenate）。

print(np.r_[-2:2:1,[0]*3,5,6])

上面那段代碼由三部分組成，-2:2:1表示從-2~2的數(shù)字，間隔為1，并且2沒有，然后是3個(gè)0，接下來是5和6

print((np.r_['r',-2:2:1,[0]*3,5,6])) #二維數(shù)組，以行的方式呈現(xiàn)
print((np.r_['c',-2:2:1,[0]*3,5,6])) #二維數(shù)組，以列的方式呈現(xiàn)

默認(rèn)是為r，表示沿著行的方向創(chuàng)建，c則表示以列的方式創(chuàng)建。

注：shape表示矩陣的維度大小。

也可以用'a,b,c'來進(jìn)行表示，a代表軸，沿著軸a來進(jìn)行合并，代表合并后數(shù)組維度至少是b，c是代表在第c維度上做維度提升

print(np.r_['0,2,0',[1,2,3],[4,5,6]],'\n')
print(np.r_['0,2,1',[1,2,3],[4,5,6]],'\n')
print(np.r_['1,2,0',[1,2,3],[4,5,6]],'\n')
print(np.r_['1,2,1',[1,2,3],[4,5,6]])

 b:合并后數(shù)組的維度
 a=0,沿著軸0合并。(3,)-->(1,3)
 a=1,沿著軸1合并。(3,1)-->(3,2)
 c=0,在軸0上上升一維,(3,)-->(3,1)
 c=1,在軸1上上升一維,(3,)-->(1,3)

5.split

（1）split

split 具體有 split() , hsplit() , vsplit()

arr1=np.arange(1,13.0).reshape(2,6)
arr2=np.arange(14,26.0).reshape(2,6)
arr=np.concatenate([arr1,arr2])
arr3=np.split(arr,2)   # 默認(rèn)情況下是 axis=0

由上圖可知，split分割成為二維數(shù)組

arr4=np.split(arr,3,axis=1)
print(arr4[0].shape)
arr4

arr5=np.split(arr,4,axis=0)
arr6=np.split(arr,[1,2,3],axis=0)

上述代碼塊的兩行表示是相同的，第二行相當(dāng)于使用數(shù)組的切片方式進(jìn)行處理。

（2）vsplit和hsplit

• vsplit 垂直（按行）將陣列拆分為多個(gè)子陣列。
• hsplit 水平（按列）將陣列拆分為多個(gè)子陣列。

這部分希望大家看下圖體會(huì)~

arrv=np.vsplit(arr,[1,2,3,4])
arrh=np.hsplit(arr,[1,2,3,4,5])

6.repeat

repeat()： 復(fù)制數(shù)組中的每個(gè)指定元素。
一維數(shù)組：用整數(shù)型和列表型參考來控制元素被復(fù)制的個(gè)數(shù)
多維數(shù)組：用整數(shù)型和列表型來控制元素被復(fù)制的個(gè)數(shù)

import numpy as np
arr=np.arange(3)
print(arr.shape)

（1）標(biāo)量參數(shù)

print(arr.repeat(3))   # 每個(gè)元素復(fù)制三次

（2）列表參數(shù)

print(arr)
print(arr.repeat([1,2,3]))  
# 第一個(gè)沒有復(fù)制，第二個(gè)復(fù)制了兩個(gè)，，依次類推

當(dāng)列表的元素少于數(shù)組元素，或者多余數(shù)組元素，都會(huì)報(bào)錯(cuò)，就如下圖所示。

上面是一維數(shù)組的，接下來再看看二維數(shù)組中利用標(biāo)量參數(shù)和軸參數(shù)：

print(arr.repeat(2)) # 此時(shí)二維數(shù)組變成一維的了
print(arr.repeat(2,1)) 
print(arr.repeat(2,axis=0)) # 在行上面進(jìn)行復(fù)制

再來看看二維數(shù)組中的列表參數(shù)和軸參數(shù)：

7.tile

關(guān)于repeat和title，二者的本質(zhì)都是復(fù)制，而repeat是在元素層面進(jìn)行賦值，title是在數(shù)組層面進(jìn)行賦值。

（1）標(biāo)量參數(shù)

print(np.tile(arr,2))
print(np.repeat(arr,2))

（2）元組參數(shù)

元組參數(shù)即括號(hào)里面用相關(guān)參數(shù)進(jìn)行分割。

print(np.tile(arr,(2,3)))

print(np.tile(arr,(2,3,4)))

在軸0上面復(fù)制兩遍，行復(fù)制3遍，列復(fù)制4遍。

8.sort

排序分為：

• 直接排序
• 間接排序

直接排序sort() :在原來的數(shù)組上進(jìn)行排序操作，而不重新創(chuàng)建一個(gè)數(shù)組

（1）一維數(shù)組排序方法

arr=np.array([9,1,5,7,2,3,8,6]) # 先創(chuàng)建一個(gè)無序數(shù)組
arr

print('排序之前的數(shù)組:',arr)
arr.sort()
print('排序之后的數(shù)組:',arr)

arr[::-1] # 使用倒序的方法顯示

（2）多維數(shù)組排序方法

先使用random隨機(jī)生成一個(gè)二維數(shù)組：（每次）

import numpy as np
np.random.seed(1000)
arr=np.random.randint(40,size=(3,4))
arr

以上的方法在每次重新刷新了之后會(huì)變化數(shù)組的數(shù)字。

如果對(duì)二維數(shù)組直接使用arr.sort()，則會(huì)直接對(duì)行進(jìn)行排序。

對(duì)列進(jìn)行排序：

print('排序之前的數(shù)組:')
print(arr)
arr[:,0].sort()
print('排序之后的數(shù)組:')
print(arr)

np.sort(arr[:,2]) # 選擇第三列進(jìn)行排序

arr.sort(axis=1) # 橫著排序，原來數(shù)組改變
np.sort(arr,axis=1) # 橫著排序，但原來的數(shù)組不會(huì)改變
arr.sort(axis=0) # 豎著排序，原來數(shù)組改變
np.sort(arr,axis=0) # 豎著排序，但原來的數(shù)組不會(huì)改變

（3）argsort函數(shù)

接下來看看間接排序：

間接排序：利用特定的參數(shù)進(jìn)行排序，按需排序，需要使用argsort( )函數(shù)
argsort函數(shù)：返回的是數(shù)組值從小到大的索引值。

score=np.array([100,65,76,89,58])
idx=score.argsort()
idx

因此如果打印數(shù)組的時(shí)候帶上下標(biāo)就相當(dāng)于排序了：

print(score[idx]) # 利用索引標(biāo)簽來打印

arr[:,arr[0].argsort()]
#按第一行從低到高進(jìn)行排序，并且對(duì)應(yīng)的列也會(huì)跟著變化 
arr#由于使用的是argsort,因此原數(shù)組不會(huì)改變 

（4）lexsort函數(shù)

numpy.lexsort() 用于對(duì)多個(gè)序列進(jìn)行排序。把它想象成對(duì)電子表格進(jìn)行排序，每一列代表一個(gè)序列，排序時(shí)優(yōu)先照顧靠后的列。

這里舉一個(gè)應(yīng)用場(chǎng)景：小升初考試，重點(diǎn)班錄取學(xué)生按照總成績(jī)錄取。在總成績(jī)相同時(shí)，數(shù)學(xué)成績(jī)高的優(yōu)先錄取，在總成績(jī)和數(shù)學(xué)成績(jī)都相同時(shí)，按照英語成績(jī)錄取…… 這里，總成績(jī)排在電子表格的最后一列，數(shù)學(xué)成績(jī)?cè)诘箶?shù)第二列，英語成績(jī)?cè)诘箶?shù)第三列。

arr1=np.array(['E','B','C','A','D'])
arr2=np.array(['4','1','3','2','5'])
idx=np.lexsort((arr1,arr2))

9.insert

insert 是插入，但原數(shù)組不會(huì)改變。

arr=np.arange(6)
np.insert(arr,1,100) # 在下標(biāo)為1的位置插入100

arr=np.arange(6)
np.insert(arr,1,100) # 在下標(biāo)為1的位置插入100

10.delete

delete是刪除，但原數(shù)組同樣不會(huì)改變。

arr=np.arange(6)
np.delete(arr,1)
np.delete(arr,[1,2])

11.copy

關(guān)于copy和view ,這里需要了解一下數(shù)組切片和列表切片的區(qū)別：

• 數(shù)組切片得到的是原數(shù)組的一個(gè)view(視圖)，修改切片中的內(nèi)容會(huì)改變?cè)瓉頂?shù)組
• 列表切片得到的是原列表的一個(gè)copy(復(fù)制)，修改切片后的列表不會(huì)改變?cè)斜?/li>

arr=np.arange(6)
arr_copy=arr.copy()
arr_copy[0]=100
arr_copy

12.view

arr=np.arange(6)
arr_view=arr.view()
arr_view[0]=100
arr_view

講了以上12種數(shù)組變形，那么如何使用容器型數(shù)據(jù)的特性和數(shù)組相關(guān)函數(shù)的方法對(duì)字符串或者其他對(duì)象進(jìn)行去重呢？

s='數(shù)組切片得到的是原數(shù)組的一個(gè),修改切片中的內(nèi)容會(huì)改變?cè)瓉頂?shù)組'

假設(shè)現(xiàn)在要對(duì)s進(jìn)行去重：

方法一：使用set

sets=set(s)

方法二：使用unique

sarr=np.array(s)
np.unique(list(s))

 到此這篇關(guān)于Python數(shù)組變形的幾種實(shí)現(xiàn)方法的文章就介紹到這了,更多相關(guān)Python數(shù)組變形內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！