源地址:http://blog.csdn.net/sunny2038/article/details/9002531
http://blog.csdn.net/sunny2038/article/details/9023797
http://blog.csdn.net/sunny2038/article/details/8907736
NumPy数组(1、数组初探)
更新
目前我的工作是将NumPy引入到Pyston中(一款Dropbox实现的Python编译器/解释器)。在工作过程中,我深入接触了NumPy源码,了解其实现并提交了PR修复NumPy的bug。在与NumPy源码以及NumPy开发者打交道的过程中,我发现当今中文NumPy教程大部分都是翻译或参考英文文档,因此导致了许多疏漏。比如NumPy数组中的broadcast功能,几乎所有中文文档都翻译为“广播”。而NumPy的开发者之一,回复到“broadcast is a compound — native English speakers can see that it’s ” broad” + “cast” = “cast (scatter, distribute) broadly, I guess “cast (scatter, distribute) broadly” probably is closer to the meaning(NumPy中的含义)”。有鉴于此,我打算启动一个项目,以我对NumPy使用以及源码层面的了解编写一个系列的教程。
地址随后会更新。CSDN的排版(列表)怎么显示不正常了。。。
NumPy数组
NumPy数组是一个多维数组对象,称为ndarray。其由两部分组成:
- 实际的数据
- 描述这些数据的元数据
大部分操作仅针对于元数据,而不改变底层实际的数据。
关于NumPy数组有几点必需了解的:
- NumPy数组的下标从0开始。
- 同一个NumPy数组中所有元素的类型必须是相同的。
NumPy数组属性
在详细介绍NumPy数组之前。先详细介绍下NumPy数组的基本属性。NumPy数组的维数称为秩(rank),一维数组的秩为1,二维数组的秩为2,以此类推。在NumPy中,每一个线性的数组称为是一个轴(axes),秩其实是描述轴的数量。比如说,二维数组相当于是两个一维数组,其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是NumPy中的轴(axes),第一个轴相当于是底层数组,第二个轴是底层数组里的数组。而轴的数量——秩,就是数组的维数。
NumPy的数组中比较重要ndarray对象属性有:
ndarray.ndim:数组的维数(即数组轴的个数),等于秩。最常见的为二维数组(矩阵)。
ndarray.shape:数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中,表示数组的“行数”和“列数”。ndarray.shape返回一个元组,这个元组的长度就是维度的数目,即ndim属性。
ndarray.size:数组元素的总个数,等于shape属性中元组元素的乘积。
ndarray.dtype:表示数组中元素类型的对象,可使用标准的Python类型创建或指定dtype。另外也可使用前一篇文章中介绍的NumPy提供的数据类型。
ndarray.itemsize:数组中每个元素的字节大小。例如,一个元素类型为float64的数组itemsiz属性值为8(float64占用64个bits,每个字节长度为8,所以64/8,占用8个字节),又如,一个元素类型为complex32的数组item属性为4(32/8)。
- ndarray.data:包含实际数组元素的缓冲区,由于一般通过数组的索引获取元素,所以通常不需要使用这个属性。
创建数组
先来介绍创建数组。创建数组的方法有很多。如可以使用array函数从常规的Python列表和元组创造数组。所创建的数组类型由原序列中的元素类型推导而来。
[python]
view plain
copy
- >>> from numpy import *
- >>> a = array( [2,3,4] )
- >>> a
- array([2, 3, 4])
- >>> a.dtype
- dtype(‘int32’)
- >>> b = array([1.2, 3.5, 5.1])
- >>> b.dtype
- dtype(‘float64’)
使用array函数创建时,参数必须是由方括号括起来的列表,而不能使用多个数值作为参数调用array。
[python]
view plain
copy
- >>> a = array(1,2,3,4) # 错误
- >>> a = array([1,2,3,4]) # 正确
可使用双重序列来表示二维的数组,三重序列表示三维数组,以此类推。
[python]
view plain
copy
- >>> b = array( [ (1.5,2,3), (4,5,6) ] )
- >>> b
- array([[ 1.5, 2. , 3. ],
- [ 4. , 5. , 6. ]])
可以在创建时显式指定数组中元素的类型
[python]
view plain
copy
- >>> c = array( [ [1,2], [3,4] ], dtype=complex)
- >>> c
- array([[ 1.+0.j, 2.+0.j],
- [ 3.+0.j, 4.+0.j]])
通常,刚开始时数组的元素未知,而数组的大小已知。因此,NumPy提供了一些使用占位符创建数组的函数。这些函数有助于满足除了数组扩展的需要,同时降低了高昂的运算开销。
用函数zeros可创建一个全是0的数组,用函数ones可创建一个全为1的数组,函数empty创建一个内容随机并且依赖与内存状态的数组。默认创建的数组类型(dtype)都是float64。
可以哟娜特d.dtype.itemsize来查看数组中元素占用的字节数目。
[python]
view plain
copy
- >>> d = zeros((3,4))
- >>> d.dtype
- dtype(‘float64’)
- >>> d
- array([[ 0., 0., 0., 0.],
- [ 0., 0., 0., 0.],
- [ 0., 0., 0., 0.]])
- >>> d.dtype.itemsize
- 8
也可以自己制定数组中元素的类型
[python]
view plain
copy
- >>> ones( (2,3,4), dtype=int16 ) #手动指定数组中元素类型
- array([[[1, 1, 1, 1],
- [1, 1, 1, 1],
- [1, 1, 1, 1]],
- [[1, 1, 1, 1],
- [1, 1, 1, 1],
- [1, 1, 1, 1]]], dtype=int16)
- >>> empty((2,3))
- array([[ 2.65565858e-316, 0.00000000e+000, 0.00000000e+000],
- [ 0.00000000e+000, 0.00000000e+000, 0.00000000e+000]])
NumPy提供一个类似arange的函数返回一个数列形式的数组:
[python]
view plain
copy
- >>> arange(10, 30, 5)
- array([10, 15, 20, 25])
以10开始,差值为5的等差数列。该函数不仅接受整数,还接受浮点参数:
[python]
view plain
copy
- >>> arange(0,2,0.5)
- array([ 0. , 0.5, 1. , 1.5])
当arange使用浮点数参数时,由于浮点数精度有限,通常无法预测获得的元素个数。因此,最好使用函数linspace去接收我们想要的元素个数来代替用range来指定步长。linespace用法如下,将在通用函数一节中详细介绍。
[python]
view plain
copy
- >>> numpy.linspace(-1, 0, 5)
- array([-1. , –0.75, –0.5 , –0.25, 0. ])
数组中的元素是通过下标来访问的,可以通过方括号括起一个下标来访问数组中单一一个元素,也可以以切片的形式访问数组中多个元素。关于切片访问,将在切片一节介绍。
知识点:NumPy中的数据类型
对于科学计算来说,Python中自带的整型、浮点型和复数类型远远不够,因此NumPy中添加了许多数据类型。如下:
名称 | 描述 |
bool | 用一个字节存储的布尔类型(True或False) |
inti | 由所在平台决定其大小的整数(一般为int32或int64) |
int8 | 一个字节大小,-128 至 127 |
int16 | 整数,-32768 至 32767 |
int32 | 整数,-2 ** 31 至 2 ** 32 -1 |
int64 | 整数,-2 ** 63 至 2 ** 63 – 1 |
uint8 | 无符号整数,0 至 255 |
uint16 | 无符号整数,0 至 65535 |
uint32 | 无符号整数,0 至 2 ** 32 – 1 |
uint64 | 无符号整数,0 至 2 ** 64 – 1 |
float16 | 半精度浮点数:16位,正负号1位,指数5位,精度10位 |
float32 | 单精度浮点数:32位,正负号1位,指数8位,精度23位 |
float64或float | 双精度浮点数:64位,正负号1位,指数11位,精度52位 |
complex64 | 复数,分别用两个32位浮点数表示实部和虚部 |
complex128或complex | 复数,分别用两个64位浮点数表示实部和虚部 |
NumPy类型转换方式如下:
[python]
view plain
copy
- >>> float64(42)
- 42.0
- >>> int8(42.0)
- 42
- >>> bool(42)
- True
- >>> bool(42.0)
- True
- >>> float(True)
- 1.0
许多函数的参数中可以指定参数的类型,当然,这个类型参数是可选的。如下:
[python]
view plain
copy
- >>> arange(7, dtype=uint16)
- array([0, 1, 2, 3, 4, 5, 6], dtype=uint16)
输出数组
当输出一个数组时,NumPy以特定的布局用类似嵌套列表的形式显示:
- 第一行从左到右输出
- 每行依次自上而下输出
- 每个切片通过一个空行与下一个隔开
- 一维数组被打印成行,二维数组成矩阵,三维数组成矩阵列表。
[python]
view plain
copy
- >>> a = arange(6) # 1d array
- >>> print a
- [0 1 2 3 4 5]
- >>> b = arange(12).reshape(4,3) # 2d array
- >>> print b
- [[ 0 1 2]
- [ 3 4 5]
- [ 6 7 8]
- [ 9 10 11]]
- >>> c = arange(24).reshape(2,3,4) # 3d array
- >>> print c
- [[[ 0 1 2 3]
- [ 4 5 6 7]
- [ 8 9 10 11]]
- [[12 13 14 15]
- [16 17 18 19]
- [20 21 22 23]]]
reshape将在下一篇文章中介绍
如果一个数组太长,则NumPy自动省略中间部分而只打印两端的数据:
[python]
view plain
copy
- >>> print arange(10000)
- [ 0 1 2 …, 9997 9998 9999]
- >>> print arange(10000).reshape(100,100)
- [[ 0 1 2 …, 97 98 99]
- [ 100 101 102 …, 197 198 199]
- [ 200 201 202 …, 297 298 299]
- …,
- [9700 9701 9702 …, 9797 9798 9799]
- [9800 9801 9802 …, 9897 9898 9899]
- [9900 9901 9902 …, 9997 9998 9999]]
可通过设置printoptions参数来禁用NumPy的这种行为并强制打印整个数组。
基本运算
数组的算术运算是按元素逐个运算。数组运算后将创建包含运算结果的新数组。
[python]
view plain
copy
- >>> a= np.array([20,30,40,50])
- >>> b= np.arange( 4)
- >>> b
- array([0, 1, 2, 3])
- >>> c= a-b
- >>> c
- array([20, 29, 38, 47])
- >>> b**2
- array([0, 1, 4, 9])
- >>> 10*np.sin(a)
- array([ 9.12945251,-9.88031624, 7.4511316, –2.62374854])
- >>> a<35
- array([True, True, False, False], dtype=bool)
与其他矩阵语言不同,NumPy中的乘法运算符*按元素逐个计算,矩阵乘法可以使用dot函数或创建矩阵对象实现(后续章节会介绍)
[python]
view plain
copy
- >>> A= np.array([[1,1],
- …[0,1]])
- >>> B= np.array([[2,0],
- …[3,4]])
- >>> A*B # 逐个元素相乘
- array([[2, 0],
- [0, 4]])
- >>> np.dot(A,B) # 矩阵相乘
- array([[5, 4],
- [3, 4]])
有些操作符如+=和*=用来更改已存在数组而不创建一个新的数组。
[python]
view plain
copy
- >>> a= np.ones((2,3), dtype=int)
- >>> b= np.random.random((2,3))
- >>> a*= 3
- >>> a
- array([[3, 3, 3],
- [3, 3, 3]])
- >>> b+= a
- >>> b
- array([[ 3.69092703, 3.8324276, 3.0114541],
- [ 3.18679111, 3.3039349, 3.37600289]])
- >>> a+= b # b转换为整数类型
- >>> a
- array([[6, 6, 6],
- [6, 6, 6]])
当数组中存储的是不同类型的元素时,数组将使用占用更多位(bit)的数据类型作为其本身的数据类型,也就是偏向更精确的数据类型
(这种行为叫做upcast)。
[python]
view plain
copy
- >>> a= np.ones(3, dtype=np.int32)
- >>> b= np.linspace(0,np.pi,3)
- >>> b.dtype.name
- ‘float64’
- >>> c= a+b
- >>> c
- array([ 1., 2.57079633, 4.14159265])
- >>> c.dtype.name
- ‘float64’
- >>> d= exp(c*1j)
- >>> d
- array([ 0.54030231+0.84147098j,-0.84147098+0.54030231j,
- –0.54030231-0.84147098j])
- >>> d.dtype.name
- ‘complex128’
许多非数组运算,如计算数组所有元素之和,都作为ndarray类的方法来实现,使用时需要用ndarray类的实例来调用这些方法。
[python]
view plain
copy
- >>> a= np.random.random((2,3))
- >>> a
- array([[ 0.65806048, 0.58216761, 0.59986935],
- [ 0.6004008, 0.41965453, 0.71487337]])
- >>> a.sum()
- 3.5750261436902333
- >>> a.min()
- 0.41965453489104032
- >>> a.max()
- 0.71487337095581649
这些运算将数组看作是一维线性列表。但可通过指定axis参数(即数组的行)对指定的轴做相应的运算:
[python]
view plain
copy
- >>> b= np.arange(12).reshape(3,4)
- >>> b
- array([[ 0, 1, 2, 3],
- [ 4, 5, 6, 7],
- [ 8, 9, 10, 11]])
- >>> b.sum(axis=0) # 计算每一列的和,注意理解轴的含义,参考数组的第一篇文章
- array([12, 15, 18, 21])
- >>> b.min(axis=1) # 获取每一行的最小值
- array([0, 4, 8])
- >>> b.cumsum(axis=1) # 计算每一行的累积和
- array([[ 0, 1, 3, 6],
- [ 4, 9, 15, 22],
- [ 8, 17, 27, 38]])
索引,切片和迭代
和列表和其它Python序列一样,一维数组可以进行索引、切片和迭代操作。
[python]
view plain
copy
- >>> a= np.arange(10)**3 #记住,操作符是对数组中逐元素处理的!
- >>> a
- array([0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
- >>> a[2]
- 8
- >>> a[2:5]
- array([ 8, 27, 64])
- >>> a[:6:2]= –1000 # 等同于a[0:6:2]= -1000,从开始到第6个位置,每隔一个元素将其赋值为-1000
- >>> a
- array([-1000, 1,-1000, 27,-1000, 125, 216, 343, 512, 729])
- >>> a[: :-1] # 反转a
- array([ 729, 512, 343, 216, 125,-1000, 27,-1000, 1,-1000])
- >>>for i in a:
- … print i**(1/3.),
- …
- nan 1.0 nan 3.0 nan 5.0 6.0 7.0 8.0 9.0
多维数组可以每个轴有一个索引。这些索引由一个逗号分割的元组给出。
[python]
view plain
copy
- >>>def f(x,y):
- … return 10*x+y
- …
- >>> b= np.fromfunction(f,(5,4),dtype=int) #fromfunction是一个函数,下篇文章介绍。
- >>> b
- array([[ 0, 1, 2, 3],
- [10, 11, 12, 13],
- [20, 21, 22, 23],
- [30, 31, 32, 33],
- [40, 41, 42, 43]])
- >>> b[2,3]
- 23
- >>> b[0:5, 1] # 每行的第二个元素
- array([ 1, 11, 21, 31, 41])
- >>> b[: ,1] # 与前面的效果相同
- array([ 1, 11, 21, 31, 41])
- >>> b[1:3,: ] # 每列的第二和第三个元素
- array([[10, 11, 12, 13],
- [20, 21, 22, 23]])
当少于提供的索引数目少于轴数时,已给出的数值按秩的顺序复制,确失的索引则默认为是整个切片:
[python]
view plain
copy
- >>> b[-1] # 最后一行,等同于b[-1,:],-1是第一个轴,而缺失的认为是:,相当于整个切片。
- array([40, 41, 42, 43])
b[i]中括号中的表达式被当作i和一系列:,来代表剩下的轴。NumPy也允许你使用“点”像b[i,…]。
点(…)代表许多产生一个完整的索引元组必要的分号。如果x是秩为5的数组(即它有5个轴),那么:
- x[1,2,…] 等同于 x[1,2,:,:,:],
- x[…,3] 等同于 x[:,:,:,:,3]
- x[4,…,5,:] 等同 x[4,:,:,5,:]
[python]
view plain
copy
- >>> c= array( [ [[ 0, 1, 2], #三维数组(两个2维数组叠加而成)
- …[ 10, 12, 13]],
- …
- …[[100,101,102],
- …[110,112,113]]] )
- >>> c.shape
- (2, 2, 3)
- >>> c[1,…] #等同于c[1,:,:]或c[1]
- array([[100, 101, 102],
- [110, 112, 113]])
- >>> c[…,2] #等同于c[:,:,2]
- array([[ 2, 13],
- [102, 113]])
多维数组的遍历是以是第一个轴为基础的:
[python]
view plain
copy
- >>>for row in b:
- … print row
- …
- [0 1 2 3]
- [10 11 12 13]
- [20 21 22 23]
- [30 31 32 33]
- [40 41 42 43]
如果想对数组中每个元素都进行处理,可以使用flat属性,该属性是一个数组元素迭代器:
[python]
view plain
copy
- >>>for element in b.flat:
- … print element,
- …
- 0 1 2 3 10 11 12 13 20 21 22 23 30 31 32 33 40 41 42 43
更多关于[]、…、newaxis、ndenumerate、indices、index exp的内容请参考NumPy示例
形状(shape)操作
更改数组的形状
数组的形状取决于其每个轴上的元素个数:
[python]
view plain
copy
- >>> a= np.floor(10*np.random.random((3,4)))
- >>> a
- array([[ 7., 5., 9., 3.],
- [ 7., 2., 7., 8.],
- [ 6., 8., 3., 2.]])
- >>> a.shape
- (3, 4)
可以用多种方式修改数组的形状:
[python]
view plain
copy
- >>> a.ravel() # 平坦化数组
- array([ 7., 5., 9., 3., 7., 2., 7., 8., 6., 8., 3., 2.])
- >>> a.shape= (6, 2)
- >>> a.transpose()
- array([[ 7., 9., 7., 7., 6., 3.],
- [ 5., 3., 2., 8., 8., 2.]])
由ravel()展平的数组元素的顺序通常是“C风格”的,就是以行为基准,最右边的索引变化得最快,所以元素a[0,0]之后是a[0,1]。如果数组改变成其它形状(reshape),数组仍然是“C风格”的。NumPy通常创建一个以这个顺序保存数据的数组,所以ravel()通常不需要创建起调用数组的副本。但如果数组是通过切片其它数组或有不同寻常的选项时,就可能需要创建其副本。还可以同过一些可选参数函数让reshape()和ravel()构建FORTRAN风格的数组,即最左边的索引变化最快。
reshape函数改变调用数组的形状并返回该数组,而resize函数改变调用数组自身。
[python]
view plain
copy
- >>> a
- array([[ 7., 5.],
- [ 9., 3.],
- [ 7., 2.],
- [ 7., 8.],
- [ 6., 8.],
- [ 3., 2.]])
- >>> a.resize((2,6))
- >>> a
- array([[ 7., 5., 9., 3., 7., 2.],
- [ 7., 8., 6., 8., 3., 2.]])
如果在reshape操作中指定一个维度为-1,那么其准确维度将根据实际情况计算得到
前两篇文章对NumPy数组做了基本的介绍,本篇文章对NumPy数组进行较深入的探讨。首先介绍自定义类型的数组,接着数组的组合,最后介绍数组复制方面的问题。
自定义结构数组
通过NumPy也可以定义像C语言那样的结构类型。在NumPy中定义结构的方法如下:
定义结构类型名称;定义字段名称,标明字段数据类型。
[python]
view plain
copy
- student= dtype({‘names’:[‘name’, ‘age’, ‘weight’], ‘formats’:[‘S32’, ‘i’,‘f’]}, align = True)
这里student是自定义结构类型的名称,使用dtype函数创建,在第一个参数中,‘names’和‘formats’不能改变,names中列出的是结构中字段名称,formats中列出的是对应字段的数据类型。S32表示32字节长度的字符串,i表示32位的整数,f表示32位长度的浮点数。最后一个参数为True时,表示要求进行内存对齐。
字段中使用NumPy的字符编码来表示数据类型。更详细的数据类型见下表。
数据类型 | 字符编码 |
整数 | i |
无符号整数 | u |
单精度浮点数 | f |
双精度浮点数 | d |
布尔值 | b |
复数 | D |
字符串 | S |
Unicode | U |
Void | V |
在定义好结构类型之后,就可以定义以该类型为元素的数组了:
[python]
view plain
copy
- a= array([(“Zhang”, 32, 65.5), (“Wang”, 24, 55.2)], dtype =student)
除了在每个元素中依次列出对应字段的数据外,还需要在array函数中最后一个参数指定其所对应的数据类型。
注:例子来源于张若愚的Python科学计算艺术的29页。更多关于dtype的内容请参考《NumPy for Beginner》一书的第二章。
组合函数
这里介绍以不同的方式组合函数。首先创建两个数组:
[python]
view plain
copy
- >>> a = arange(9).reshape(3,3)
- >>> a
- array([[0, 1, 2],
- [3, 4, 5],
- [6, 7, 8]])
- >>> b = 2 * a
- >>> b
- array([[ 0, 2, 4],
- [ 6, 8, 10],
- [12, 14, 16]])
水平组合
[python]
view plain
copy
- >>> hstack((a, b))
- array([[ 0, 1, 2, 0, 2, 4],
- [ 3, 4, 5, 6, 8, 10],
- [ 6, 7, 8, 12, 14, 16]])
也可通过concatenate函数并指定相应的轴来获得这一效果:
[python]
view plain
copy
- >>> concatenate((a, b), axis=1)
- array([[ 0, 1, 2, 0, 2, 4],
- [ 3, 4, 5, 6, 8, 10],
- [ 6, 7, 8, 12, 14, 16]])
垂直组合
[python]
view plain
copy
- >>> vstack((a, b))
- array([[ 0, 1, 2],
- [ 3, 4, 5],
- [ 6, 7, 8],
- [ 0, 2, 4],
- [ 6, 8, 10],
- [12, 14, 16]])
同样,可通过concatenate函数,并指定相应的轴来获得这一效果。
[python]
view plain
copy
- >>> concatenate((a, b), axis=0)
- array([[ 0, 1, 2],
- [ 3, 4, 5],
- [ 6, 7, 8],
- [ 0, 2, 4],
- [ 6, 8, 10],
- [12, 14, 16]])
深度组合
另外,还有深度方面的组合函数dstack。顾名思义,就是在数组的第三个轴(即深度)上组合。如下:
[python]
view plain
copy
- >>> dstack((a, b))
- array([[[ 0, 0],
- [ 1, 2],
- [ 2, 4]],
- [[ 3, 6],
- [ 4, 8],
- [ 5, 10]],
- [[ 6, 12],
- [ 7, 14],
- [ 8, 16]]])
仔细观察,发现对应的元素都组合成一个新的列表,该列表作为新的数组的元素。
行组合
行组合可将多个一维数组作为新数组的每一行进行组合:
[python]
view plain
copy
- >>> one = arange(2)
- >>> one
- array([0, 1])
- >>> two = one + 2
- >>> two
- array([2, 3])
- >>> row_stack((one, two))
- array([[0, 1],
- [2, 3]])
对于2维数组,其作用就像垂直组合一样。
列组合
列组合的效果应该很清楚了。如下:
[python]
view plain
copy
- >>> column_stack((oned, twiceoned))
- array([[0, 2],
- [1, 3]])
对于2维数组,其作用就像水平组合一样。
分割数组
在NumPy中,分割数组的函数有hsplit、vsplit、dsplit和split。可将数组分割成相同大小的子数组,或指定原数组分割的位置。
水平分割
[python]
view plain
copy
- >>> a = arange(9).reshape(3,3)
- >>> a
- array([[0, 1, 2],
- [3, 4, 5],
- [6, 7, 8]])
- >>> hsplit(a, 3)
- [array([[0],
- [3],
- [6]]),
- array([[1],
- [4],
- [7]]),
- array([[2],
- [5],
- [8]])]
也调用split函数并指定轴为1来获得这样的效果:
[python]
view plain
copy
- split(a, 3, axis=1)
垂直分割
垂直分割是沿着垂直的轴切分数组:
[python]
view plain
copy
- >>> vsplit(a, 3)
- >>> [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
同样,也可通过solit函数并指定轴为1来获得这样的效果:
[python]
view plain
copy
- >>> split(a, 3, axis=0)
面向深度的分割
dsplit函数使用的是面向深度的分割方式:
[python]
view plain
copy
- >>> c = arange(27).reshape(3, 3, 3)
- >>> c
- array([[[ 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]]])
- >>> dsplit(c, 3)
- [array([[[ 0],
- [ 3],
- [ 6]],
- [[ 9],
- [12],
- [15]],
- [[18],
- [21],
- [24]]]),
- array([[[ 1],
- [ 4],
- [ 7]],
- [[10],
- [13],
- [16]],
- [[19],
- [22],
- [25]]]),
- array([[[ 2],
- [ 5],
- [ 8]],
- [[11],
- [14],
- [17]],
- [[20],
- [23],
- [26]]])]
复制和镜像(View)
当运算和处理数组时,它们的数据有时被拷贝到新的数组有时不是。这通常是新手的困惑之源。这有三种情况:
完全不复制
简单的赋值,而不复制数组对象或它们的数据。
[python]
view plain
copy
- >>> a = arange(12)
- >>> b = a #不创建新对象
- >>> b is a # a和b是同一个数组对象的两个名字
- True
- >>> b.shape = 3,4 #也改变了a的形状
- >>> a.shape
- (3, 4)
Python 传递不定对象作为参考4,所以函数调用不拷贝数组。
[python]
view plain
copy
- >>> def f(x):
- … print id(x)
- …
- >>> id(a) #id是一个对象的唯一标识
- 148293216
- >>> f(a)
- 148293216
视图(view)和浅复制
不同的数组对象分享同一个数据。视图方法创造一个新的数组对象指向同一数据。
[python]
view plain
copy
- >>> c = a.view()
- >>> c is a
- False
- >>> c.base is a #c是a持有数据的镜像
- True
- >>> c.flags.owndata
- False
- >>>
- >>> c.shape = 2,6 # a的形状没变
- >>> a.shape
- (3, 4)
- >>> c[0,4] = 1234 #a的数据改变了
- >>> a
- array([[ 0, 1, 2, 3],
- [1234, 5, 6, 7],
- [ 8, 9, 10, 11]])
切片数组返回它的一个视图:
[python]
view plain
copy
- >>> s = a[ : , 1:3] # 获得每一行1,2处的元素
- >>> s[:] = 10 # s[:] 是s的镜像。注意区别s=10 and s[:]=10
- >>> a
- array([[ 0, 10, 10, 3],
- [1234, 10, 10, 7],
- [ 8, 10, 10, 11]])
深复制
这个复制方法完全复制数组和它的数据。
[python]
view plain
copy
- >>> d = a.copy() #创建了一个含有新数据的新数组对象
- >>> d is a
- False
- >>> d.base is a #d和a现在没有任何关系
- False
- >>> d[0,0] = 9999
- >>> a
- array([[ 0, 10, 10, 3],
- [1234, 10, 10, 7],
- [ 8, 10, 10, 11]])
参考文献:
《Python科学计算》
《Tentative NumPy Tutorial》
《NumPy for Beginner》
更多关于shape、reshape、resize和ravel的内容请参考NumPy示例
- set_printoptions(threshold=‘nan’)
这样,输出时数组的所有元素都会显示出来。