极客笔记Numpy数组的形状相关的操作和概念
在Python的数据科学和数值计算领域，Numpy库占据了核心地位。Numpy提供了一个强大的数组对象：ndarray，它是一个多维数组，可以用来存储同类型数据。理解数组的形状（shape）是使用Numpy进行数据处理的基础。本文将详细介绍Numpy数组的形状相关的操作和概念，并通过多个示例代码展示如何在实际中操作数组形状。
1. 创建数组
在深入了解数组形状之前，首先需要知道如何创建一个Numpy数组。以下是一些基本的数组创建方法：
示例代码 1：创建一维数组
import numpy as np
# 创建一维数组
array_1d = np.array([1, 2, 3, 4, 5])
print(array_1d)
Output:
示例代码 2：创建二维数组
import numpy as np
# 创建二维数组
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
print(array_2d)
Output:
示例代码 3：使用arange创建数组
import numpy as np
# 使用arange创建数组
array_arange = np.arange(10) # 创建从0到9的一维数组
print(array_arange)
Output:
2. 查看数组形状
数组的形状可以通过数组的shape属性获得，它返回一个元组，表示各个维度的大小。
示例代码 4：查看一维数组形状
import numpy as np
array_1d = np.array([1, 2, 3, 4, 5])
print(array_1d.shape) # 输出: (5,)
Output:
示例代码 5：查看二维数组形状
import numpy as np
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
print(array_2d.shape) # 输出: (2, 3)
Output:
3. 修改数组形状
Numpy提供了多种方式来修改数组的形状，常用的方法包括reshape和resize。
示例代码 6：使用reshape修改形状
import numpy as np
array = np.arange(6)
new_array = array.reshape((2, 3))
print(new_array)
Output:
示例代码 7：使用resize修改形状
import numpy as np
array = np.arange(10)
array.resize((2, 5))
print(array)
Output:
4. 数组扁平化
数组扁平化是将多维数组转换为一维数组的过程，常用的方法是flatten和ravel。
示例代码 8：使用flatten扁平化数组
import numpy as np
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
flat_array = array_2d.flatten()
print(flat_array)
Output:
示例代码 9：使用ravel扁平化数组
import numpy as np
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
flat_array = array_2d.ravel()
print(flat_array)
Output:
5. 数组的维度操作
Numpy允许通过expand_dims和squeeze等函数来增加或减少数组的维度。
示例代码 10：使用expand_dims增加维度
import numpy as np
array_1d = np.array([1, 2, 3, 4, 5])
expanded_array = np.expand_dims(array_1d, axis=0)
print(expanded_array)
Output:
示例代码 11：使用squeeze减少维度
import numpy as np
array_with_extra_dim = np.array([[[1, 2, 3, 4, 5]]])
squeezed_array = np.squeeze(array_with_extra_dim)
print(squeezed_array)
Output:
6. 数组转置和轴对换
数组的转置是一种特殊的形状变换，涉及到维度的对换。
示例代码 12：使用transpose进行轴对换
import numpy as np
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
transposed_array = array_2d.transpose()
print(transposed_array)
Output:
示例代码 13：使用T属性进行转置
import numpy as np
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
transposed_array = array_2d.T
print(transposed_array)
Output:
7. 特殊形状操作
Numpy还提供了一些特殊的形状操作，如tile和repeat，这些可以用来复制数组。
示例代码 14：使用tile复制数组
import numpy as np
array_1d = np.array([1, 2, 3])
tiled_array = np.tile(array_1d, (3, 2))
print(tiled_array)
Output:
示例代码 15：使用repeat重复数组元素
import numpy as np
array_1d = np.array([1, 2, 3])
repeated_array = np.repeat(array_1d, 3)
print(repeated_array)
Output:
8. 结论
理解和操作Numpy数组的形状是进行高效数值计算的基础。通过本文的介绍和示例代码，您应该能够掌握如何查看、修改以及操作Numpy数组的形状。