如何使用 Numpy 来获取和修改数组的大小

如何使用 Numpy 来获取和修改数组的大小

参考：numpy array size

在数据科学和机器学习领域，Numpy 是 Python 中最基本且强大的库之一。Numpy 提供了一个高性能的多维数组对象，及相应的工具，用于处理这些数组。了解如何操作和管理这些数组的大小和形状是进行数据分析和算法开发时的基础技能。本文将详细介绍如何使用 Numpy 来获取和修改数组的大小（size）和形状（shape），并通过多个示例代码展示这些操作。

1. Numpy 数组的基础

在深入了解数组大小操作之前，我们首先需要了解如何创建一个 Numpy 数组。Numpy 数组可以通过多种方式创建，例如使用 np.array 函数直接从 Python 的列表或元组创建。

示例代码 1: 创建 Numpy 数组

import numpy as np

# 创建一个一维数组
array1 = np.array([1, 2, 3, 4, 5], dtype=np.int32)
print(array1)

Output:

示例代码 2: 创建多维数组

import numpy as np

# 创建一个二维数组
array2 = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float64)
print(array2)

Output:

2. 获取数组的大小和形状

数组的“大小”通常指的是数组中元素的总数，而“形状”则是指数组在每个维度上的大小。

示例代码 3: 获取数组的大小

import numpy as np

array3 = np.array([[1, 2, 3], [4, 5, 6]])
size = array3.size
print(size)

Output:

示例代码 4: 获取数组的形状

import numpy as np

array4 = np.array([[1, 2, 3], [4, 5, 6]])
shape = array4.shape
print(shape)

Output:

3. 修改数组的形状

修改数组的形状是在进行数组操作时常见的需求，Numpy 提供了多种方式来改变数组的形状，而不改变其数据。

示例代码 5: 使用 reshape 修改形状

import numpy as np

array5 = np.arange(10)  # 创建一个包含0到9的数组
reshaped_array = array5.reshape((2, 5))
print(reshaped_array)

Output:

示例代码 6: 使用 resize 修改形状

import numpy as np

array6 = np.arange(10)
array6.resize((5, 2))
print(array6)

Output:

4. 数组扁平化

在处理多维数组时，有时需要将其转换为一维数组。这个操作通常称为“扁平化”。

示例代码 7: 使用 flatten 进行扁平化

import numpy as np

array7 = np.array([[1, 2, 3], [4, 5, 6]])
flat_array = array7.flatten()
print(flat_array)

Output:

示例代码 8: 使用 ravel 进行扁平化

import numpy as np

array8 = np.array([[1, 2, 3], [4, 5, 6]])
flat_array = array8.ravel()
print(flat_array)

Output:

5. 数组的合并与分割

在实际应用中，经常需要将多个数组合并成一个大数组，或者将一个大数组分割成多个小数组。

示例代码 9: 使用 concatenate 合并数组

import numpy as np

array9_1 = np.array([1, 2, 3])
array9_2 = np.array([4, 5, 6])
combined_array = np.concatenate((array9_1, array9_2))
print(combined_array)

Output:

示例代码 10: 使用 split 分割数组

import numpy as np

array10 = np.arange(9)
split_arrays = np.split(array10, 3)  # 分割成3个等大小的子数组
print(split_arrays)

Output:

6. 数组的广播

广播是 Numpy 中一个强大的概念，它允许在执行数组运算时自动扩展较小的数组。

示例代码 11: 数组广播的例子

import numpy as np

array11_1 = np.array([1, 2, 3])
array11_2 = np.array([[0], [1], [2]])
broadcasted_array = array11_1 + array11_2
print(broadcasted_array)

Output:

7. 数组的索引和切片

数组的索引和切片是数据处理中常用的技术，用于提取或修改数组的特定部分。

示例代码 12: 数组索引

import numpy as np

array12 = np.array([1, 2, 3, 4, 5])
element = array12[2]
print(element)

Output:

示例代码 13: 数组切片

import numpy as np

array13 = np.array([1, 2, 3, 4, 5])
slice_of_array = array13[1:4]
print(slice_of_array)

Output:

8. 数组的数学运算

Numpy 提供了一系列内置的数学函数，这些函数可以直接应用于数组上，进行元素级的运算。

示例代码 14: 数组加法

import numpy as np

array14_1 = np.array([1, 2, 3])
array14_2 = np.array([4, 5, 6])
sum_array = np.add(array14_1, array14_2)
print(sum_array)

Output:

示例代码 15: 数组乘法

import numpy as np

array15_1 = np.array([1, 2, 3])
array15_2 = np.array([4, 5, 6])
product_array = np.multiply(array15_1, array15_2)
print(product_array)

Output:

9. 数组的统计计算

Numpy 还提供了一系列函数来进行数组的统计计算，如求和、平均、最大值等。

示例代码 16: 数组求和

import numpy as np

array16 = np.array([1, 2, 3, 4, 5])
total_sum = np.sum(array16)
print(total_sum)

Output:

示例代码 17: 数组最大值

import numpy as np

array17 = np.array([1, 2, 3, 4, 5])
max_value = np.max(array17)
print(max_value)

Output:

10. 结论

通过本文的介绍和示例代码，我们可以看到 Numpy 提供了强大而灵活的工具来处理和分析数据。掌握如何操作 Numpy 数组的大小和形状，以及如何进行数组的基本运算和统计计算，对于任何数据科学家来说都是非常重要的。