Numpy数组操作实战

学习目标

通过本课程的学习，学员将掌握Numpy中数组的基本操作，包括数组的合并、分割以及重塑等技巧，能够灵活运用这些操作处理数据，为后续的科学计算和数据分析打下坚实的基础。

相关知识点

Numpy数组操作

学习内容

1 Numpy数组操作

1.1 数组的合并

在数据处理中，经常需要将多个数组合并成一个数组。Numpy提供了多种方法来实现数组的合并，其中最常用的是concatenate和stack函数。

1.1.1 使用concatenate函数合并数组

concatenate函数可以沿着指定的轴将多个数组合并。这个函数非常灵活，可以处理不同形状的数组，只要它们在合并的轴上具有相同的维度。

1.1.1.1 一维数组的合并

对于一维数组，可以直接使用concatenate函数来合并它们。下面是一个简单的例子：

import numpy as np# 创建两个一维数组
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])# 使用concatenate函数合并数组
result = np.concatenate((array1, array2))
print(result)

输出结果：

[1 2 3 4 5 6]

1.1.1.2 二维数组的合并

对于二维数组，可以指定合并的轴。例如，沿着行（轴0）或列（轴1）进行合并。

import numpy as np
# 创建两个二维数组
array1 = np.array([[1, 2], [3, 4]])
array2 = np.array([[5, 6], [7, 8]])# 沿着行（轴0）合并
result_row = np.concatenate((array1, array2), axis=0)
print("沿着行合并：")
print(result_row)# 沿着列（轴1）合并
result_col = np.concatenate((array1, array2), axis=1)
print("沿着列合并：")
print(result_col)

输出结果：

沿着行合并：
[[1 2][3 4][5 6][7 8]]
沿着列合并：
[[1 2 5 6][3 4 7 8]]

1.1.2 使用stack函数合并数组

stack函数可以沿着新轴将多个数组堆叠在一起。与concatenate不同，stack要求所有输入数组具有相同的形状。

1.1.2.1 一维数组的堆叠

对于一维数组，stack函数会沿着新轴（默认为0）堆叠它们，形成一个二维数组。

import numpy as np
# 创建两个一维数组
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])# 使用stack函数堆叠数组
result = np.stack((array1, array2))
print(result)

输出结果：

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

1.1.2.2 二维数组的堆叠

对于二维数组，stack函数同样可以沿着新轴堆叠它们。

import numpy as np
# 创建两个二维数组
array1 = np.array([[1, 2], [3, 4]])
array2 = np.array([[5, 6], [7, 8]])# 沿着新轴（默认为0）堆叠
result = np.stack((array1, array2))
print(result)

输出结果：

[[[1 2][3 4]][[5 6][7 8]]]

1.2 数组的分割

在数据处理中，有时需要将一个大的数组分割成多个小数组。Numpy提供了split、hsplit和vsplit等函数来实现数组的分割。

1.2.1 使用split函数分割数组

split函数可以沿着指定的轴将数组分割成多个子数组。可以指定分割点或分割的子数组数量。

1.2.1.1 一维数组的分割

对于一维数组，可以指定分割点来分割数组。

import numpy as np
# 创建一个一维数组
array = np.array([1, 2, 3, 4, 5, 6])# 指定分割点 索引号2，4前切
result = np.split(array, [2, 4])
print(result)
result = np.split(array, [1, 5])
print(result)

输出结果：

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

1.2.1.2 二维数组的分割

对于二维数组，可以指定分割点或分割的子数组数量来分割数组。

import numpy as np
# 创建一个二维数组
array = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])# 沿着行（轴0）分割，【1】代表索引号前面切
result_row = np.split(array, [1], axis=0)
print("沿着行分割：")
print(result_row)# 沿着列（轴1）分割
result_col = np.split(array, [2], axis=1)
print("沿着列分割：")
print(result_col)

输出结果：

沿着行分割：
[array([[1, 2, 3, 4]]), array([[5, 6, 7, 8]])]
沿着列分割：
[array([[1, 2],[5, 6]]), array([[3, 4],[7, 8]])]

1.2.2 使用hsplit和vsplit函数分割数组

hsplit和vsplit函数分别用于沿水平方向和垂直方向分割数组。它们是split函数的简化版本。

1.2.2.1 使用hsplit函数分割数组

hsplit函数沿水平方向（列）分割数组。

import numpy as np
# 创建一个二维数组
array = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])# 沿水平方向分割,（x=2序号前竖线分割）
result = np.hsplit(array, 2)
print(result)

输出结果：

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

1.2.2.2 使用vsplit函数分割数组

vsplit函数沿垂直方向（行）分割数组。

import numpy as np
# 创建一个二维数组
array = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])# 沿垂直方向分割,（y=2序号前横线分割）
result = np.vsplit(array, 2)
print(result)

输出结果：

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

1.3 数组的重塑

在数据处理中，经常需要改变数组的形状。Numpy提供了reshape和resize等函数来实现数组的重塑。

1.3.1 使用reshape函数重塑数组

reshape函数可以改变数组的形状，但不会改变数组的内容。新的形状必须与原数组的元素数量相同。

1.3.1.1 一维数组的重塑

对于一维数组，可以使用reshape函数将其重塑为多维数组。

import numpy as np
# 创建一个一维数组
array = np.array([1, 2, 3, 4, 5, 6])# 重塑为2x3的二维数组
result = array.reshape(2, 3)
print(result)

输出结果：

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

1.3.1.2 二维数组的重塑

对于二维数组，可以使用reshape函数将其重塑为不同形状的数组。

import numpy as np
# 创建一个二维数组
array = np.array([[1, 2, 3], [4, 5, 6]])# 重塑为3x2的二维数组
result = array.reshape(3, 2)
print(result)

输出结果：

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

1.3.2 使用resize函数重塑数组

resize函数可以改变数组的形状，如果新的形状与原数组的元素数量不同，resize会重复或截断数组的内容。

1.3.2.1 一维数组的重塑

对于一维数组，可以使用resize函数将其重塑为不同形状的数组。

import numpy as np
# 创建一个一维数组
array = np.array([1, 2, 3, 4, 5, 6])# 重塑为2x3的二维数组
result = np.resize(array, (2, 3))
print(result)

输出结果：

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

---

1. Numpy入门：数组操作与科学计算基础
2. Numpy入门：多平台安装与基础环境配置
3. Numpy数组创建与应用入门
4. Numpy数组属性入门：形状、维度与大小
5. Numpy数组索引与切片入门
6. Numpy数组操作入门：合并、分割与重塑
7. Numpy数学函数入门与实践
8. Numpy数据分析基础：统计函数应用
9. Numpy随机数生成入门
10. Numpy线性代数基础与实践
11. Numpy文件操作入门：数组数据的读取与保存
12. Numpy广播机制入门与实践
13. Numpy布尔索引与花式索引实战
14. Numpy高效数据处理与优化
15. Numpy数据分析与图像处理入门