numpy 建立加一行_資料處理利器NumPy初識（二）

回顧

在資料處理利器NumPy初識(一)中，我們介紹了NumPy的基本概念、基礎資料結構以及NumPy數組，也就是ndarray的幾種常見建立方法。今天我們介紹一下NumPy的幾個常用函數和ndarray的索引與切片。

NumPy常用函數

NumPy中有很多用于處理ndarray資料的函數，常用的包括reshape()、resize()、copy()、astype()、stack()、split()等，下面我們分别來看一下這幾個函數的功能和用法。

• 改變數組形狀：reshape()、resize()、T

reshape()函數的作用是重新調整ndarray的行數、列數、維數，根據傳入的參數個數不同，可以重置成不同維數的數組，但是新的形狀必須與原來的形狀相容，即相乘後必須等于原數組中元素的總數量，否則會報錯。基本用法如下。​

import numpy as nparr1 = np.arange(12)print(arr1)print("---------------")arr2 = arr1.reshape(3, 2, 2)print(arr2)print("---------------")arr3 = arr2.reshape(3, 4)print(arr3)
           

以上代碼首先建立了一個一維ndarray，共12個數，然後使用reshape()函數将一維ndarray調整成3*2*2的三維ndarray，再對新的三維ndarray調整成3*4的二維ndarray，可以看到，不管做怎樣的調整，相乘後的結果都是源數組的元素總個數12。運作結果如下所示。

reshape()函數

resize()函數與reshape()函數的作用一樣，也可以重新調整ndarray的行數、列數、維數，不同的是reshape()函數需要相容原來的形狀，少于或超出原數組個數會報錯，而resize()函數不會報錯，當少于時，resize()函數會自動截斷，當超出時，resize()函數會循環copy原數組中的值進行填充，直至将新ndarray填充滿。我們建立一個10個數的一維ndarray，将形狀調整成3*4共12個數，代碼如下。​

import numpy as nparr = np.arange(10)print(arr)print("---------------")np.resize(arr, (3, 4)) # 數量不夠時會循環使用直至充滿形狀print(np.resize(arr, (2, 6)))print("---------------")print(arr.resize(2, 6))print(arr)
           

運作結果如下所示，新數組共3*4=12個數，大于原數組的10個數，多出的兩個數就會從原數組中取出前兩個數進行填充。另外，調用ndarray本身的resize()方法不會生成新ndarray，但會改變ndarray形狀，調用後再次列印arr，會發現它的形狀已經被改變了，并且多餘的位置以0填充。

resize()函數

T的作用是轉置， 對二維ndarray來說，就是交換行列，需要注意的是T并不是函數，後面不要加括号。​

import numpy as nparr1 = np.arange(12).reshape(3, 4)print(arr1)print("---------------")arr2 = arr1.Tprint(arr2)
           

運作結果如下所示。

轉置T

• ndarray複制：copy()

ndarray的複制使用NumPy的copy()函數，當我們把一個ndarray複制給新的ndarray時，兩者是緊密關聯的，當原ndarray改變時，新ndarray也會随之改變，但一般我們使用複制并不想要他們有關聯性，這個時候使用copy()函數就可以解決這個問題，其實這就是NumPy中的淺copy和深copy。下面我們看一下兩者的差別。

import numpy as nparr1 = np.arange(10)arr2 = arr1 # 指向同一個數組print(arr1 == arr2)arr1[2] = 100print(arr1)print(arr2)print("---------------")arr3 = arr1.copy()print(arr1 == arr3)arr1[3] = 1000print(arr1)print(arr3)
           

運作結果如下圖所示。首先不管是指派還是使用copy()函數生成新ndarray，兩者的值都是相等的。差別就是改變原數組時，一個會随之改變，一個不會。

copy()函數

• ndarray資料類型轉換：astype()

NumPy中支援的資料類型比Python内置的類型要更多，下表列舉了常用的NumPy基本資料類型。

常見NumPy資料類型

NumPy中設定ndarray資料類型使用astype()函數，基本用法如下。​

import numpy as nparr1 = np.arange(10, dtype=float)print(arr1, arr1.dtype)arr2 = arr1.astype(np.int64)print(arr2, arr2.dtype)arr3 = arr2.astype(np.string_)print(arr3, arr3.dtype)
           

運作結果如下所示。

astype()函數

• ndarray合并：stack()

ndarray的合并使用NumPy的stack()函數，傳入要合并的ndarray，axis參數表示按行合并或按列合并，預設axis=0按行合并，axis=1時按列合并。按行合并或按列合并還可以使用hstack()函數或vstack()函數。基本用法如下。​

import numpy as npa = np.arange(5)b = np.arange(5, 9)print(a)print(b)print("---------------")print(np.hstack((a, b, a))) # 橫向連接配接print("---------------")c = np.array([[1], [2], [3]])d = np.array([['a'], ['b'], ['c']])print(c)print(d)print("---------------")print(np.vstack((c, d))) # 縱向連接配接print("---------------")# 預設縱向# print(np.stack((a, b), axis=1)) # 列數不一緻，會報錯b = np.arange(5, 10)print(np.stack((a, b, a), axis=1))
           

運作結果如下。需要注意的是，在合并時，必須保證要合并的幾個ndarray在合并方向上的數量是一緻的，否則會報錯。

stack()函數

• ndarray拆分：split()

NumPy中使用split()函數對ndarray進行拆分，與合并的stack()函數類似，axis表示拆分方向，同時，也有hsplit()函數和vsplit()函數分别按行或按列拆分。split()相關函數的基本用法如下。​

import numpy as nparr = np.arange(16).reshape(4, 4)print(arr)print("---------------")print(np.hsplit(arr, 2))print(np.split(arr, 2, axis=1))print("---------------")print(np.vsplit(arr, 2))print(np.split(arr, 2))
           

運作結果如下。拆分時必須保證拆分的數量能等分，否則會報錯。

split()函數

NumPy的索引和切片

NumPy中的索引和切片的運用包括基本索引和切片以及布爾型索引和切片。

• 基本索引和切片

​ NumPy中ndarray的基本索引和切片與Python中的數組類似，我們分别以一維、二維、三維ndarray作為代表看一下NumPy中ndarray的基本索引和切片。

1、一維ndarray的基本索引和切片​

import numpy as nparr = np.arange(10)print(arr)print("---------------")# 直接索引，列印arr索引為2的值print(arr[2])print("---------------")# 切片，列印arr中從索引5開始到最後一個數的值(包括5)print(arr[5:])print("---------------")print("---------------")# 切片，列印arr中從開始到索引5的值(不包括5)print(arr[:5])print("---------------")# 切片，列印arr中從第一個數開始以2位步長到最後一個數的值print(arr[::2])
           

運作結果如下。

一維ndarray索引和切片

2、二維ndarray的基本索引和切片​

import numpy as nparr = np.arange(15).reshape(3, 5)print(arr)print("---------------")# 索引，列印行索引為1的那一行的值print(arr[1])print("---------------")# 索引，列印行索引為1，列索引為1的值print(arr[1][1])print(arr[1, 1])print("---------------")# 切片，列印行索引從開始到行索引為2(不包括2)的幾行值print(arr[:2])print("---------------")# 切片，列印行索引從第一行到行索引為2(不包括2)，列索引從2開始(包括2)到最後一列的值print(arr[:2, 2:])
           

運作結果如下。

二維ndarray索引和切片

3、三維ndarray的基本索引和切片​

import numpy as nparr = np.arange(16).reshape(4, 2, 2)print(arr)print("---------------")# 索引print(arr[1][1][1])print("---------------")# 切片print(arr[1:])
           

運作結果如下。

三維ndarray索引和切片

四維以上的ndarray使用索引和切片的方法以此類推即可。

• 布爾型索引和切片

​ NumPy中還有一種布爾型的索引和切片，布爾型有True和False兩個值，對ndarray使用布爾型索引和切片會取出布爾值為True的值，需要注意的是用于索引和切片的布爾型數組的長度和待操作的ndarray的操作軸的大小必須一緻。另外，布爾型數組也可與切片，整數(整數序列)一起使用。基本用法如下。​

import numpy as nparr = np.arange(12).reshape(3, 4)print(arr)print("---------------")x = np.array([True, False, True])y = np.array([True, True, False, False])print(x)print(y)print("---------------")# 對第一維(這裡是行)操作print(arr[x])print("---------------")# 對第二維(這裡是列)操作print(arr[:, y])print("---------------")print(arr>6)print("---------------")print(arr[arr>6])
           

對第一維操作時，可省略後面的次元，但對非第一維操作時，其他次元上的值不能忽略，可用“:”表示其他次元上的所有值。除了顯示的設定布爾型數組進行索引和切片，還可以使用條件表達式，上述代碼中我們列印了arr>6的值，可以看到，傳回的是一個與arr形狀一緻的布爾型ndarray，再使用新生成的布爾型ndarray對arr進行索引，得到的将會是一個滿足條件的一維ndarray。運作結果如下所示。

布爾型索引和切片

總結

以上介紹了NumPy中的幾個常用函數以及ndarray的索引和切片，下次我們開始介紹NumPy中的各種資料運算處理。感謝大家的關注，歡迎批評指正，一起交流~

​

​