Numpy用法(二)

一.数组变维

1.1 reshape

reshape() 可以改变数组维度，但是返回的是一个新的数组，原数组的形状不会被修改.reshape后产生的新数组是原数组的一个视图，即它与原数组共享相同的数据，但可以有不同的形状或维度，且对视图的修改会直接影响原数组数据。

元素总数必须匹配：新形状中的元素总数必须与原数组中的元素总数相同,即（2，3）可以改成（3，2）而不能是（2，2）

import numpy as npa = np.array([[1,2,3],[4,5,6]])# 进行变维
b = a.reshape(3,2)print(a)# 换个行
print()print(b)

[[1 2 3]
 [4 5 6]]

[[1 2]
 [3 4]
 [5 6]]

# 试试将一维变成三维
import numpy as npa = np.array([1,2,3,4,5,6,7,8,9,10,11,12])b = a.reshape(2,2,3)print(a)
print()
print(b)

[ 1  2  3  4  5  6  7  8  9 10 11 12]

[[[ 1  2  3]
  [ 4  5  6]]

 [[ 7  8  9]
  [10 11 12]]]

事实确实证明，只要两个形状里元素个数一致，形状怎么变，或者改变维度也可以。

-1 作为占位符：

你可以使用 -1 作为占位符，让 numpy 自动计算某个维度的大小。也就是-1在哪，就会自动改变那个行或列的大小以适配新的形状。

import numpy as npa = np.array([[1,2,3],[4,5,6]])b = a.reshape(3,-1)
print(b)

[[1 2]
 [3 4]
 [5 6]]

1.2 flat

返回一个一维迭代器，用于遍历数组中的所有元素。

import numpy as npa = np.array([[1,2,3],[4,5,6]])# 创建flat
b = a.flat
for i in b:print(i)

1
2
3
4
5
6

1.3 flatten()

用于将多维数组转换为一维数组，返回的也是一个副本

ndarray.flatten(order='C')

- 'C'：按行优先顺序展开（默认）。

- 'F'：按列优先顺序展开。

- 'A'：如果原数组是 Fortran 连续的，则按列优先顺序展开；否则按行优先顺序展开。

- 'K'：按元素在内存中的顺序展开。

import numpy as npa = np.array([[1,2,3],[4,5,6]])b = a.flatten()
print(b)

[1 2 3 4 5 6]

1.4 ravel()

ndarray.ravel()

- 'C'：按行优先顺序展开（默认）。

- 'F'：按列优先顺序展开。

- 'A'：如果原数组是 Fortran 连续的，则按列优先顺序展开；否则按行优先顺序展开。

- 'K'：按元素在内存中的顺序展开。

其用于将多维数组转换为一维数组。与 flatten() 不同，ravel() 返回的是原数组的一个视图（view），而不是副本。因此，对返回的数组进行修改会影响原数组数据。

import numpy as npa = np.array([[1,2,3],[4,5,6]])b = a.ravel()
print(b)b[0] = 100
print(a)

[1 2 3 4 5 6]
[[100   2   3]
 [  4   5   6]]

二.数组转置

transpose	将数组的维度值进行对换 比如二维数组维度(2,4)使用该方法后为(4,2)
ndarray.T	与 transpose 方法相同

import numpy as np 
# x.T
a = np.arange(1,7).reshape(2,3)
print(a)print()print(a.T)print()# transpose()
print(np.transpose(a))

[[1 2 3]
 [4 5 6]]

[[1 4]
 [2 5]
 [3 6]]

[[1 4]
 [2 5]
 [3 6]]

三.升维和降维

        多维数组（也称为 ndarray）的维度（或轴）是从外向内编号的。这意味着最外层的维度是轴0，然后是轴1，依此类推。

        比如[ [ [ 1,2,3 ] ] ],最外面那层括号就是轴0，也就是最外层维度，该形状为(1,1,3)。维度长度分别为1,1,3。

expand_dims(arr, axis)	arr：输入数组 axis：新轴插入的位置	在指定位置插入新的轴(相对于结果数组而言)，从而扩展数组的维度
squeeze(arr, axis)	arr：输入数组 axis：取值为整数或整数元组，用于指定需要删除的维度所在轴，指定的维度值必须为 1 ，否则将会报错，若为 None，则删除数组维度中所有为 1 的项	删除数组中维度为 1 的项

import numpy as np
# 升维
a = np.array([1, 2, 3])
print(a.shape)# 在轴0即 行上升维
b = np.expand_dims(a, axis=0)
print(b.shape)
print(b)# 换个行
print()# 在轴1即 列上升维
c = np.expand_dims(a, axis=1)
print(c.shape)
print(c)# 换个行
print()# 在原来轴1的位置上再升维
d = np.expand_dims(c, axis=1)
print(d.shape)
print(d)
# 注意，这里的1是加在(3,1)中间的

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

(3, 1)
[[1]
 [2]
 [3]]

(3, 1, 1)
[[[1]]

 [[2]]

 [[3]]]

        你可以这样理解，按轴0升维是在最外层加上俩括号，按最大轴升维是在最内层元素两旁加上俩括号。

import numpy as np
# 降维
a = np.array([[[1, 2, 3]]])# 删除最外层维度即最外层括号
b = np.squeeze(a, axis = 0)
print(b)

[[1 2 3]]

# 降维不了的情况,即要删除的维度长度不为1a = np.array([1, 2, 3])
a.shape = (3, 1)
print(a)np.squeeze(a,axis=0)

[[1]
 [2]
 [3]]

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
Cell In[31], line 7
      4 a.shape = (3, 1)
      5 print(a)
----> 7 np.squeeze(a,axis=0)

File c:\Users\Clocky7\anaconda3\envs\pyhon-numpy\lib\site-packages\numpy\core\fromnumeric.py:1558, in squeeze(a, axis)
   1556     return squeeze()
   1557 else:
-> 1558     return squeeze(axis=axis)

ValueError: cannot select an axis to squeeze out which has size not equal to one

四.连接数组

hstack(tup)	tup：可以是元组，列表，或者numpy数组返回结果为numpy的数组	按水平顺序堆叠序列中数组（列方向）
vstack(tup)	tup：可以是元组，列表，或者numpy数组，返回结果为numpy的数组	按垂直方向堆叠序列中数组（行方向）

        其上分别要求行数一致和列数一致,而且vstack() 和 hstack() 要求堆叠的数组在某些维度上具有相同的形状，否则无法堆叠。

import numpy
# hstack
a = numpy.array([1, 2, 3])
b = numpy.array([4, 5, 6])
print(np.hstack((a, b)))# vstack
print(np.vstack((a, b)))

[1 2 3 4 5 6]
[[1 2 3]
 [4 5 6]]

五.分割数组

hsplit(ary, indices_or_sections)	ary：原数组 indices_or_sections： 按列分割的索引位置	将一个数组水平分割为多个子数组 （按列）
vsplit(ary, indices_or_sections)	ary：原数组 indices_or_sections： 按行分割的索引位置	将一个数组垂直分割为多个子数组 （按行）

import numpy as npa = np.array([[1, 2, 3,4], [ 5,6,7,8]])
# 注意这里的索引位置要加括号哦
b = np.hsplit(a,[1,3])
print(b)

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

六.矩阵运算

6.1 np.dot

是一个通用的点积函数，适用于多种维度的数组。

- 对于二维数组（矩阵），np.dot 等价于矩阵乘法。

- 对于一维数组（向量），np.dot 计算的是向量的点积（内积）。

# 点积
a = numpy.array([1, 2, 3])
b = numpy.array([4, 5, 6])
print(numpy.dot(a, b))

32

# 矩阵乘法
a = numpy.array([[1, 2],[3, 4]])
b = numpy.array([[5, 6],[7, 8]])
print(numpy.dot(a, b))

[[19 22]
 [43 50]]

6.2 np.matmul

是专门用于矩阵乘法的函数，适用于二维及更高维度的数组。np.dot是通用点积函数，np.matmul专门用于矩阵运算，性能要好于np.dot

6.3 np.linalg.det

求方阵行列式

import numpy as npa = np.array([[1, 2], [3, 4]])
print(np.linalg.det(a))

-2.0000000000000004