一、numpy数组索引、切片

• 直接进行索引，切片
• 对象[:, :]：先行后列

代码如下 

a = np.array([[1, 2, 3], [11, 22, 33]])   # 二维数组
a[1, [0,1,2]]  # 索引

a = np.array([[1, 2, 3], [11, 22, 33]])    # 二维数组
a[1, 0:3]  # 切片

a2 = np.array([[[1,2,3],[4,5,6]], [[11,22,33],[44,55,66]]])    # 三维数组
a2[1, 0, [0, 2]] 

a2 = np.array([[[1,2,3],[4,5,6]], [[11,22,33],[44,55,66]]])     # 三维数组
a2[1, 0, 0:2]   # 切片为左闭右开

a2 = np.array([[[1,2,3],[4,5,6]], [[11,22,33],[44,55,66]]])     # 三维数组
a2[0:2, 0:2, 1:2]   # 切片为左闭右开

 操作演示如下

二、numpy数组形状修改

• ndarray.reshape(shape, order)：返回一个具有相同数据域，但shape不一样的视图，行、列不进行互换
• ndarray.resize(new_shape)：修改数组本身的形状（需要保持元素个数前后相同），行、列不进行互换
• ndarray.T：数组的转置，将数组的行、列进行互换

代码如下

a = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 22, 33, 44, 55], [66, 77, 88, 99, 100]])   # 二维数组4×5
a.reshape([5,4])  # # 数组的形状被修改为5行4列,总共20个元素，5×4=20

a = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 22, 33, 44, 55], [66, 77, 88, 99, 100]])   # 二维数组
a.reshape([-1, 10])   # 数组的形状被修改为2行10列, -1: 表示通过待计算,2×10=20

a = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 22, 33, 44, 55], [66, 77, 88, 99, 100]])   # 二维数组4×5
a.resize(2, 10)   # 数组的形状被修改为2行10列
a.shape  # 输出：(2, 10)
a

a = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 22, 33, 44, 55], [66, 77, 88, 99, 100]])   # 二维数组
a.T   # 数组的转置

a = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 22, 33, 44, 55], [66, 77, 88, 99, 100]])   # 二维数组
a.T.shape  # 数组的转置

演示如下

三、numpy数组类型修改和数组去重

• ndarray.astype(type)：返回修改了类型之后的数组
• ndarray.tostring([order])或ndarray.tobytes([order])：构造包含数组中原始数据字节的Python字节
•  np.unique()：数组去重

 使用方法代码如下

a = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 22, 33, 44, 55], [66, 77, 88, 99, 100]])   # 二维数组
a.astype(np.string_)

a = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 22, 33, 44, 55], [66, 77, 88, 99, 100]])   # 二维数组
a.tobytes()

a = np.array([[1, 2, 6, 4, 9], [6, 3, 4, 9, 2]])   # 二维数组
np.unique(a)

演示结果如下

学习导航：http://xqnav.top/