调整形状 | |
调整形状 | reshape, resize, flatten, ravel, squeeze |
调整坐标轴 | transpose, swapaxes |
更改维度
数组中的数据在内存里是固定的,但计算时的排列方式却可以随时更改,这也是数组的强大之处。其中,reshape
和resize
功能相同,区别是前者返回新数组,后者则直接修改原始数组。
>>> x = np.arange(12)
>>> y = x.reshape(2,6)
>>> print(x)
[ 0 1 2 3 4 5 6 7 8 9 10 11]
>>> print(y)
[[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]]
>>> x.resize(2,6)
>>> print(x)
[[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]]
-1
表示自动规划某一轴的尺寸,例如
>>> x.reshape(3,-1)
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
则flatten
和ravel
相当于reshape(-1)
,即将数组展平为一维数组。
squeeze
则比flatten
稍微温和一点,会删除尺寸为1的维度,例如
>>> x.resize(1,3,4,1,1)
>>> print(x)
[[[[[ 0]]
[[ 1]]
[[ 2]]
[[ 3]]]
[[[ 4]]
[[ 5]]
[[ 6]]
[[ 7]]]
[[[ 8]]
[[ 9]]
[[10]]
[[11]]]]]
上面的这个x
有太多层括号,看上去毫无卵用,这个时候可以用squeeze
,
>>> x.squeeze()
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
有木有瞬间清爽了许多。
调整坐标轴
transpose
和swapaxes
用于调整坐标轴,如果用矩阵的视角去理解,那么大致相当于转置。
>>> x
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11]])
>>> x.T
array([[ 0, 6],
[ 1, 7],
[ 2, 8],
[ 3, 9],
[ 4, 10],
[ 5, 11]])
>>> x.transpose(1,0)
array([[ 0, 6],
[ 1, 7],
[ 2, 8],
[ 3, 9],
[ 4, 10],
[ 5, 11]])
其中,transpose(1,0)
表示将第一个坐标轴和第0个坐标轴交换位置。
牛刀小试
熟练掌握数组形状的变换方法,也就相当于熟悉了张量的运算法则,这对于数据科学来说是非常重要的基础技能。
例如,现有300张图像200x100的图像,想要得到每张图像的列质心。传统思路肯定是跑循环,但众所周知Python的循环效率比较慢,所以最佳方法是300张一起做,无非就是300x200x100的张量,对第二个坐标轴进行质心提取而已
imgs = np.random.rand(300,200,100)
xs = np.arange(100)
xCen = np.matmul(imgs, xs) / np.sum(imgs, axis=2)
其中,xCen
就是所要求的质心。
当然,也可以用更加直观的做法
xCen = imgs.reshape(-1,100)@xs / np.sum(imgs.reshape(-1,100), axis=1)
xCen = xCen.reshape(300,200)
Numpy函数
对于上面这几种数组的内置方法,有一些可直接从numpy中调用,这样的好处是可以直接对非数组格式的数据进行操作,例如
>>> x = list(range(12))
>>> np.reshape(x, (3,4))
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
其中,x
是一个列表,np.reshape
会自动将其转化为数组后再行操作。
同样地,flatten
也可以完成数组展平的任务
>>> x = [[i, i+1] for i in range(5)]
>>> x
[[0, 1], [1, 2], [2, 3], [3, 4], [4, 5]]
>>> np.ravel(x)
array([0, 1, 1, 2, 2, 3, 3, 4, 4, 5])
到此这篇关于Python调整数组形状如何实现的文章就介绍到这了,更多相关Python调整数组形状内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网!