NumPy 中包含了一些处理数组的常用方法，大致可分为以下几类：
| 函数名称 | 函数介绍 |
|---|---|
| reshape | 在不改变数组元素的条件下，修改数组的形状。 |
| flat | 返回是一个迭代器，可以用 for 循环遍历其中的每一个元素。 |
| flatten | 以一维数组的形式返回一份数组的副本，对副本的操作不会影响到原数组。 |
| ravel | 返回一个连续的扁平数组（即展开的一维数组），与 flatten不同，它返回的是数组视图（修改视图会影响原数组）。 |
reshape 在《NumPy ndarray对象》一节已经做了讲解，本节不再介绍。
numpy.ndarray.flat 返回一个数组迭代器，实例如下:
import numpy as np
a = np.arange(9).reshape(3,3)
for row in a:
print (row)
#使用flat属性：
for ele in a.flat:
print (ele,end="，")
输出结果如下：
#原数组 [0 1 2] [3 4 5] [6 7 8] #输出元素 0，1，2，3，4，5，6，7，8，
numpy.ndarray.flatten 返回一份数组副本，对副本修改不会影响原始数组，其语法格式如下：
ndarray.flatten(order='C')
实例如下：
import numpy as np a = np.arange(8).reshape(2,4) print (a) #默认按行C风格展开的数组 print (a.flatten()) #以F风格顺序展开的数组 print (a.flatten(order = 'F'))
输出结果：
#数组a [[0 1 2 3] [4 5 6 7]] #默认c顺序站看数组 [0 1 2 3 4 5 6 7] # F顺序站看数组 [0 4 1 5 2 6 3 7]
numpy.ravel() 将多维数组中的元素以一维数组的形式展开，该方法返回数组的视图（view），如果修改，则会影响原始数组。
numpy.ravel(a, order='C')
实例结果如下：
import numpy as np
a = np.arange(8).reshape(2,4)
print ('原数组：')
print (a)
print ('调用 ravel 函数后：')
print (a.ravel())
print ('F 风格顺序调用 ravel 函数之后：')
print (a.ravel(order = 'F'))
输出结果如下：
原数组： [[0 1 2 3] [4 5 6 7]] 调用 ravel 函数后： [0 1 2 3 4 5 6 7] F 风格顺序调用 ravel 函数之后： [0 4 1 5 2 6 3 7]
| 函数名称 | 说明 |
|---|---|
| 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。 |
| rollaxis | 沿着指定的轴向后滚动至规定的位置。 |
| swapaxes | 对数组的轴进行对换。 |
numpy.transpose() 用于对换多维数组的维度，比如二维数组使用此方法可以实现矩阵转置，语法格式如下：
numpy.transpose(arr, axes)
参数说明如下：
示例如下：
import numpy as np a = np.arange(12).reshape(3,4) print (a) print (np.transpose(a))
输出结果：
原数组： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] 对换数组： [[ 0 4 8] [ 1 5 9] [ 2 6 10] [ 3 7 11]]
ndarray.T 的使用方法与其类似，这里就在赘述。
该方法表示沿着指定的轴，向后滚动至一个特定位置，格式如下：
numpy.rollaxis(arr, axis, start)
参数说明：
numpy.swapaxes(arr, axis1, axis2)
示例如：import numpy as np # 创建了三维的 ndarray a = np.arange(27).reshape(3,3,3) print (a) #对换0轴与2轴 print(np.swapaxes(a,2,0))输出结果：
#原a数组 [[[ 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]]] #对换轴后的数组 [[[ 0 9 18] [ 3 12 21] [ 6 15 24]] [[ 1 10 19] [ 4 13 22] [ 7 16 25]] [[ 2 11 20] [ 5 14 23] [ 8 17 26]]]
修改数组维度的操作，主要有以下方法：
| 函数名称 | 描述说明 |
|---|---|
| broadcast | 生成一个模拟广播的对象。 |
| broadcast_to | 将数组广播为新的形状。 |
| expand_dims | 扩展数组的形状。 |
| squeeze | 从数组的形状中删除一维项。 |
返回值是数组被广播后的对象，该函数以两个数组作为输入参数，实例如下：
import numpy as np a = np.array([[1], [2], [3]]) b = np.array([4, 5, 6]) # 对b广播a d = np.broadcast(a,b) #d它拥有 iterator 属性 r,c = d.iters print (next(r), next(c)) print (next(r), next(c)) # 使用broadcast将a与b相加 e = np.broadcast(a,b) f=np.empty(e.shape) f.flat=[x+y for (x,y) in e] print(f) print(a+b)输出结果：
#对b广播a 1 6 2 4 #f数组 [[5. 6. 7.] [6. 7. 8.] [7. 8. 9.]] #a+b [[5 6 7] [6 7 8] [7 8 9]]
该函数将数组广播到新形状中，它在原始数组的基础上返回一个只读视图。 如果新形状不符合 NumPy 的广播规则，则会抛出 ValueError 异常。函数的语法格式如下：
numpy.broadcast_to(array, shape, subok)
使用实例如下所示：
import numpy as np
a = np.arange(4).reshape(1,4)
print("原数组",a)
print ('调用 broadcast_to 函数之后：')
print (np.broadcast_to(a,(4,4)))
最后的输出结果如下：
#原数组 [[0 1 2 3]] #调用 broadcast_to 函数之后： [[0 1 2 3] [0 1 2 3] [0 1 2 3] [0 1 2 3]]
在指定位置插入新的轴，从而扩展数组的维度，语法格式如下:
numpy.expand_dims(arr, axis)
参数说明：
实例如下：
import numpy as np
x = np.array(([1,2],[3,4]))
print ('数组 x：')
print (x)
# 在 0 轴处插入新的轴
y = np.expand_dims(x, axis = 0)
print ('数组 y：')
print (y)
print ('\n')
print ('数组 x 和 y 的形状：')
print (x.shape, y.shape)
输出结果为：
数组 x： [[1 2] [3 4]] 数组 y： [[[1 2] [3 4]]] 数组 x 和 y 的形状： (2, 2) (1, 2, 2)
删除数组中维度为 1 的项，例如，一个数组的 shape 是 (5,1)，经此函数后，shape 变为 (5,) 。其函数语法格式如下：
numpy.squeeze(arr, axis)
参数说明：
下面是带有 axis 参数的实例：
>>> x = np.array([[[0], [1], [2]]]) >>> x.shape (1, 3, 1) >>> np.squeeze(x).shape (3,) >>> np.squeeze(x, axis=(2,)).shape (1, 3)
再看另一组示例，如下所示：
import numpy as np
a = np.arange(9).reshape(1,3,3)
print (a)
b = np.squeeze(a)
print (b)
print ('数组 a 和 b 的形状：')
print (x.shape, y.shape)
输出结果为：
数组 a: [[[0 1 2] [3 4 5] [6 7 8]]] 数组 b： [[0 1 2] [3 4 5] [6 7 8]] 数组 a 和 b 的形状： (1, 3, 3) (3, 3)
连接与分割数组是数组的两种操作方式，我们为了便于大家记忆，现将它们的方法整合在一起，如下所示：
| 类型 | 函数名称 | 描述说明 |
|---|---|---|
| 连接数组方法 | concatenate | 沿指定轴连接两个或者多个相同形状的数组 |
| stack | 沿着新的轴连接一系列数组 | |
| hstack | 按水平顺序堆叠序列中数组（列方向） | |
| vstack | 按垂直方向堆叠序列中数组（行方向） | |
| 分割数组方法 | split | 将一个数组分割为多个子数组 |
| hsplit | 将一个数组水平分割为多个子数组（按列） | |
| vsplit | 将一个数组垂直分割为多个子数组（按行） |
numpy.concatenate() 沿指定轴连接相同形状的两个或多个数组，格式如下：
numpy.concatenate((a1, a2, ...), axis)
参数说明：
实例说明：创建两个 a 、b 数组，并沿指定轴将它们连接起来。注意两个数组的形状要保持一致。
import numpy as np #创建数组a a = np.array([[10,20],[30,40]]) print (a) #创建数组b b = np.array([[50,60],[70,80]]) print (b) #沿轴 0 连接两个数组 print (np.concatenate((a,b))) #沿轴 1 连接两个数组 print (np.concatenate((a,b),axis = 1))
输出结果：
#a [[10 20] [30 40]] #b [[50 60] [70 80]] #axis=0沿着垂直方向 [[10 20] [30 40] [50 60] [70 80]] #axis=1沿着水平方向 [[10 20 50 60] [30 40 70 80]]
数组连接操作至少需要两个维度相同的数组，才允许对它们进行垂直或者水平方向上的操作。
在垂直方向堆叠数组，示例如下：
import numpy as np a = np.array([[1,2],[3,4]]) b = np.array([[5,6],[7,8]]) #垂直堆叠 c = np.vstack((a,b)) print (c)
输出结果如下：
[[1 2]
[3 4]
[5 6]
[7 8]]
numpy.split() 沿指定的轴将数组分割为多个子数组，语法格式如下：
numpy.split(ary, indices_or_sections, axis)
参数说明：
示例如下所示：
import numpy as np a = np.arange(6) #原数组 print (a) #将数组分为二个形状大小相等的子数组 b = np.split(a,2) print (b) #将数组在一维数组中标明要位置分割 b = np.split(a,[3,4]) print (b)
输出结果如下：
#a数组 [0 1 2 3 4 5] #切分分形状大小相同的数组 [array([0, 1, 2]), array([3, 4, 5])] #按数组标明位置切分,切分时左开右闭 [array([0, 1, 2]), array([3]), array([4, 5])]
最后看一下 hsplit() 的使用方法，示例如下：
import numpy as np #arr1数组 arr1 = np.floor(10 * np.random.random((2, 6))) print(arr1) #拆分后数组 print(np.hsplit(arr1, 3))
输出结果：
#原arr1数组
[[2. 1. 5. 3. 1. 7.]
[1. 2. 9. 0. 9. 9.]]
#经过水平切分后得到的数组
[array([[2., 1.],
[1., 2.]]), array([[5., 3.],
[9., 0.]]), array([[1., 7.],
[9., 9.]])]]
本文链接：http://task.lmcjl.com/news/13612.html