前言

本文包含数组的形状变换，数组的合并和分割，数组的条件筛选，为了专注于应用，我只会讲解其中相对常用的几个部分。

建议先读完第一天（点击传送）的文章再读本文。

本文代码：
链接
提取码：1024`

数组的形状变换

在Numpy中，数组的形状变换是非常常见的操作，它让你能够重新排列数组的维度。本人认为最常用的形状变换方法是reshape，因此本部分我们只会讲解reshape。

reshape的基本介绍

通常，我们会给reshape传入一个列表，或者元祖，这里为了区分圆括号，我们将会传入列表，列表中的元素指定了形状。在下面的代码中，我们将会写reshape([10, 1])和reshape([-1, 1])。

使用reshape

假设你有一个1维数组（只有一个维度的数组），你想要将它转换为一个多个行1个列的数组（拥有两个维度的数组）（通常，这是一个适合sklearn的机器学习模型的输入格式的2维数组），现在我们知道这个1维数组有10个元素，如果它们要变成只有1列的形式，意味着它们有10行，我们可以写reshape([10, 1])，代表将数组转为10行1列的二维数组，请看下面代码：

import numpy as np

# 创建一个1维数组
arr = np.arange(10)  # 这将生成一个包含0到9的数组

# 使用reshape将其变为2维数组
arr_reshaped = arr.reshape([10, 1])
print('原来的数组：')
print(arr)
print()
print('reshape([10, 1])之后的数组：')
print(arr_reshaped)

reshape([10, 1])运行结果

可以看到，我们的数组的形状已经成功改变了。

reshape自动判断形状

上文中，我们希望将一个一维数组，arr，转为一个拥有多个行一个列的二维数组，由于我们很清楚arr 中有10个元素，所以我们写了reshape(10, 1)，但如果我们不知道有多少个元素，但是仍然希望将这个一维数组变成多个行一个列的二维数组呢？此时，我们可以写reshape(-1, 1)，-1代表的是：让Numpy自动推导形状
。

具体使用请看下面代码：

import numpy as np

# 创建一个1维数组
arr = np.arange(10)  # 这将生成一个包含0到9的数组

# 使用reshape将其变为2维数组
arr_reshaped = arr.reshape([-1, 1])
print('原来的数组：')
print(arr)
print()
print('reshape([-1, 1])之后的数组：')
print(arr_reshaped)

reshape([-1, 1])运行结果

可以看到，即使我们没有指定行数为10，Numpy也自动推导出了新形状应有的行的个数。

合并数组

合并是将多个数组拼接为一个更大的数组。在Numpy中，你可以用concatenate、vstack和hstack等方法来实现。

使用vstack和hstack

比较简单易理解的是下面两种方法：

• vstack（垂直堆叠）
• hstack（水平堆叠）

我们一般会把要进行堆叠的Numpy数组放入一个列表中，再传给vstack和hstack，比如vstack([arr1, arr2])，我们把arr1和arr2装入一个列表中，传给vstack进行垂直堆叠，hstack的使用方法同理。

具体请看下面的代码：

import numpy as np

# 创建两个数组
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])

# 垂直堆叠
arr_vstack = np.vstack([arr1, arr2])

# 水平堆叠
arr_hstack = np.hstack([arr1, arr2])
print('arr1： ')
print(arr1)
print()
print('arr2：')
print(arr2)
print()
print('arr1和arr2进行vstack（垂直堆叠）之后：')
print(arr_vstack)
print()
print('arr1和arr2进行hstack（水平堆叠）之后：')
print(arr_hstack)

vstack和hstack的运行结果

使用concatenate

concatenate相对更加灵活，但是对于初学者来说也相对复杂。

concatenate相对vstack和hstack，多了一个参数叫axis，你可以通过指定axis的值指定堆叠的轴

• axis=0时，在行的轴上进行堆叠，与vstack的效果相同
• axis=1时，在列的轴上进行堆叠，与hstack的效果相同

当axis更大的时候，就是在高维数组上的操作了，对于初学者来说可能会太过抽象，可以暂时忽略，先理解简单情况，学习会更高效。

print('arr1： ')
print(arr1)
print()
print('arr2：')
print(arr2)
print()

# 使用concatenate进行垂直堆叠
arr_vstack = np.concatenate([arr1, arr2], axis=0)

print('arr1和arr2进行concatenate([arr1, arr2], axis=0)之后：')
print(arr_vstack)


# 使用concatenate进行水平堆叠
arr_hstack = np.concatenate([arr1, arr2], axis=1)

print('arr1和arr2进行concatenate([arr1, arr2], axis=1)之后：')
print(arr_hstack)

concatenate运行结果

可以看到，我们只需要使用一个concatenate就可以完成vstack和hstack两者的任务。

分割数组

数组的分割操作相对较少用，我们了解一下即可。

我们可以使用array_split，将一个数组分为指定数量的部分。

具体请看下面代码：

import numpy as np

arr = np.arange(10)  # 创建一个包含0到9的数组
newarr = np.array_split(arr, 5)  # 分割成5部分

print(newarr)

array_split运行结果

可以看到我们的数组被分割成了5个相同大小的部分。

数组的条件筛选

在Numpy中，你可以使用条件筛选来获取数组中符合特定条件的元素，这里的筛选操作和pandas相差不大，弄懂了numpy的条件筛选，你可以很自然地用到pandas上。

对于单个条件：

• 筛选出数组中大于5的元素，可以写arr[arr > 5]
• 筛选出数组中等于5的元素，可以写arr[arr == 5]
• 筛选出数组中小于5的元素，可以写arr[arr < 5]

对于多个条件：

• 筛选出数组中小于5，同时大于2的元素，可以写arr[(arr < 5) & (arr > 2)]

注意： 不同条件必须使用圆括号括起来。如果对这个注意点有疑问，请看解释，如果看解释看得一头雾水，请跳过。

解释：
&代表and，也就是二进制运算中的按位与运算，因为按位与的特性，也有人会将&当成Python的关键字and使用来结合多个条件，这里刚刚提到的(arr < 5) & (arr > 2)就是这个用法。

如果写arr & 5，代表对arr中的所有元素跟5进行一次按位与运算，运算结果是数值，比如，arr中的数字3的二进制表达是011，因为arr & 5，所以arr中的数字3会与数字5的二进制表达（101）进行按位与运算，运算结果是001，也就是十进制中的1。

因此&的结果不仅仅是结合多个条件中得到的true或者false，在一些需要用到位运算的情况下，我们可能希望比较按位与之后的数值结果，而不是简单地使用&来结合多个条件。既然有按位与和结合条件这两种用法，如果不同条件不加括号，难免造成歧义，为了消除歧义，Numpy的开发者要求我们不同条件必须使用圆括号括起来。

以此类推，你可以自己尝试编写其它类似的代码。 具体请看下面的代码。

import numpy as np

# 创建一个数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])

# 条件筛选
greater = arr[arr > 5]
equals = arr[arr == 5]
less = arr[arr < 5]
between = arr[(arr < 5) & (arr > 2)]

print('大于5：', greater)
print('等于5：', equals)
print('小于5：', less)
print('小于5同时大于2：', between)

条件筛选运行结果