NumPy 学习笔记（三）

import numpy as np

# 将 1 维数组改变为形状为 2*5 的数组
arr = np.arange(10).reshape(2, 5)
print("arr: ", arr)

for elem in arr.flat:
    elem = elem + 1
    print(elem, end=" ")        # 1 2...10
# 原数组未改变！！！
print("\narr: ", arr)

arr.shape = (5, 2)
# [0 1 2 3 4 5 6 7 8 9]
print("Order is C: ", arr.flatten())
# [0 2 4 6 8 1 3 5 7 9]
print("Order is F: ", arr.flatten(order="F"))

temp = arr.ravel()
print("arr: ", temp)
# 修改了展开数组下标为 2 的元素
arr.ravel()[2] = 10
print("arr: ", arr)     # arr 发生改变

import numpy as np

# numpy.transpose(arr, axes) 用于对换数组的维度
arr = np.arange(1, 11).reshape(5, 2)
print("transpose arr: ", np.transpose(arr))
# numpy.ndarray.T 类似 numpy.transpose()
print("arr.T: ", arr.T)

# numpy.rollaxis(arr, axis, start) 向后滚动特定的轴到一个特定位置
arr = np.arange(4).reshape(2, 2)
print("rollaxis arr: ", np.rollaxis(arr, axis=1))       # [[0 2] [1 3]]
# numpy.swapaxes(arr, axis1, axis2) 用于交换数组的两个轴
print("swapaxes arr: ", np.swapaxes(arr, 1, 0))     # [[0 2] [1 3]]

import numpy as np

# numpy.broadcast 用于模仿广播的对象，它返回一个对象，该对象封装了将一个数组广播到另一个数组的结果
x = np.array([[1], [2], [3]])
y = np.array([4, 5, 6])
# 它拥有 iterator 属性，基于自身组件的迭代器元组
# 发生广播，[(1, 4), (1, 5), (1, 6), (2, 4), (2, 5), (2, 6), (3, 4), (3, 5), (3, 6)]
b = np.broadcast(x, y)
c = np.empty(b.shape)       # 生成形状如 b 的随机数组

print(c.shape)
print('手动使用 broadcast 将 x 与 y 相加：')
c.flat = [u + v for (u, v) in b]
print("x+y: ", c)
# 若把下面 b 的代码注释掉时输出空列表，以为迭代器指向末尾
b = np.broadcast(x, y)
lst = [o for o in b]
print("lst: ", lst)

# numpy.broadcast_to(array, shape, subok) 将数组广播到新形状。它在原始数组上返回只读视图，通常不连续
a = np.array([[1], [2], [3]])
b = np.broadcast_to(a, (3, 2))      # [[1 1] [2 2] [3 3]]
print("b: ", b)

# numpy.expand_dims(arr, axis) 通过在指定位置插入新的轴来扩展数组形状
a = np.array([[1, 2], [3, 4]])
print("shape of a: ", a.shape)      # (2, 2)
# 可以将 axis 看成数组形状元组的下标，在对应下标插入新轴
b = np.expand_dims(a, axis=0)
print("b: ", b)     # [[[1 2] [3 4]]]
print("shape of b: ", b.shape)      # (1, 2, 2)

b = np.expand_dims(a, axis=1)
print("b: ", b)     # [[[1 2]] [[3 4]]]
print("shape of b: ", b.shape)      # (2, 1, 2)

# numpy.squeeze(arr, axis) 从给定数组的形状中删除一维的条目
x = np.arange(9).reshape(1, 3, 3)
print("x: ", x)
print("shape of x: ", x.shape)      # (1, 3, 3)
# 注意是一维的条目，若在这里 axis=1 则会报错，以为 axis=1 轴不为 1
y = np.squeeze(x, axis=0)
print("y: ", y)
print("shape of y: ", y.shape)      # (3, 3)

import numpy as np

# numpy.concatenate((a1, a2, ...), axis) 用于沿指定轴连接相同形状的两个或多个数组
a = np.array([[1, 2], [5, 6]])
b = np.array([[3, 4], [7, 8]])
# [[1 2 3 4] [5 6 7 8]]
print("使用 1 轴连接 2 个数组： ", np.concatenate((a, b), axis=1))

# numpy.stack(arrays, axis) 用于沿新轴连接数组序列，arrays相同形状的数组序列
# [[1 2] [5 6] [3 4] [7 8]]
print("使用 0 轴堆叠 2 个数组： ", np.concatenate((a, b), axis=0))

# numpy.hstack((a1, a2, ...)) 是 numpy.stack 函数的变体，它通过水平堆叠来生成数组
# [[1 2 3 4] [5 6 7 8]]
print("水平堆叠： ", np.hstack((a, b)))

# numpy.vstack((a1, a2, ...)) 是 numpy.stack 函数的变体，它通过垂直堆叠来生成数组
# [[1 2] [5 6] [3 4] [7 8]]
print("垂直堆叠： ", np.vstack((a, b)))

import numpy as np

# numpy.split(ary, indices_or_sections, axis) 沿特定的轴将数组分割为子数组
# indices_or_sections：果是一个整数，就用该数平均切分，如果是一个数组，为沿轴切分的位置（左开右闭）
arr = np.linspace(1, 100, 10)
print("每个子数组长度为 2 分割：", np.split(arr, 5))
# 分割成 arr[0...2)    arr[2...4)  arr[4...7)  arr[7...-1]
print("按特定下标分割：", np.split(arr, [2, 4, 7]))

# numpy.hsplit(ary, indices_or_sections) 函数用于水平分割数组，通过指定要返回的相同形状的数组数量来拆分原数组
arr = arr.reshape(2, 5)
print("After reshape arr: ", arr)
print("hsplit the arr: ", np.hsplit(arr, 5))

# numpy.vsplit(ary, indices_or_sections) 沿着垂直轴分割，其分割方式与 hsplit 用法相同
print("vsplit the arr: ", np.vsplit(arr, 2))

import numpy as np

# numpy.resize(arr, shape) 返回指定大小的新数组；若新数组大小大于原始大小，则包含原始数组中的元素的副本
arr = np.sin(np.array([0, 30, 45, 60, 90, 120, 135, 150, 180]).reshape(3, 3) * np.pi/180)
np.set_printoptions(precision=1)        # 保留小数点后一位
print("resize(arr, (1, 9)): ", np.resize(arr, (1, 9)))
# 大小大于原始大小，将数组的头 3 个的副本保存到最后一行
print("resize(arr, (4, 3)): ", np.resize(arr, (4, 3)))
# 保存数组第一个元素的副本到末尾
print("resize(arr, (2, 5)): ", np.resize(arr, (2, 5)))
np.set_printoptions(precision=8)        # 默认为 8

# numpy.append(arr, values, axis=None) 在数组的末尾添加值
arr = np.array([[1, 2, 3], [4, 5, 6]])
# 当axis无定义时，是横向加成，返回总是为一维数组
# [1 2 3 4 5 6 7 8 9]
print("append(arr, [7, 8, 9]): ", np.append(arr, [7, 8, 9]))
# 按 0 轴加成，列数要相同，还有就是追加的是二维数组
# [[1 2 3] [4 5 6] [7 8 9]]
print("append(arr, [7, 8, 9], axis=0): ", np.append(arr, [[7, 8, 9]], axis=0))
# 注意行数要相同，[[1 2 3 4 5 6] [4 5 6 7 8 9]]
print("append(arr, [[4, 5, 6], [7, 8, 9]], axis=1): ", np.append(arr, [[4, 5, 6], [7, 8, 9]], axis=1))

# numpy.insert(arr, obj, values, axis) 在给定索引之前，沿给定轴在输入数组中插入值
arr = np.array([1, 2, 3, 4, 5, 6]).reshape(3, 2)
# 如果未提供轴，则输入数组会被展开
print("insert(arr, 3, [6, 6, 6]): ", np.insert(arr, 3, [6, 6, 6]))
print("insert(arr, 3, [7, 8], axis=0): ", np.insert(arr, 3, [7, 8], axis=0))
# 若形状不匹配，还会试图广播数组
print("insert(arr, 1, [6], axis=1): ", np.insert(arr, 1, [6], axis=1))

# numpy.delete(arr, obj, axis) 返回从输入数组中删除指定子数组的新数组
# 如果未提供轴，则输入数组会被展开
print("delete(arr, 2): ", np.delete(arr, 2))
# 分别按 0 轴和 1 轴删除下标为 1 的元素
print("delete(arr, 1, axis=0): ", np.delete(arr, 1, axis=0))
print("delete(arr, 1, axis=1): ", np.delete(arr, 1, axis=1))

# numpy.unique(arr, return_index, return_inverse, return_counts) 用于去除数组中的重复元素
arr = np.array([5, 3, 4, 2, 2, 1, 9, 0, 3, 4])
print("unique(arr): ", np.unique(arr))
# 若 return_index=True 则返回新元素在旧数组中（第一个符合的元素）的下标
print("unique(arr, return_index=True): ", np.unique(arr, return_index=True))
# 若 return_inverse=True 则返回旧数组元素在新数组中的下标
print("unique(arr, return_inverse=True): ", np.unique(arr, return_inverse=True))
# 若 return_counts=True 则返回对应元素在原数组中出现的次数
print("unique(arr, return_counts=True): ", np.unique(arr, return_counts=True))