软件测试|Python科学计算神器numpy教程(八)

简介: 软件测试|Python科学计算神器numpy教程(八)

image.png

NumPy相关数组操作
前言
NumPy是Python中用于数值计算和数据处理的强大库。本文将介绍如何使用NumPy进行数组操作,包括变维、转置、修改数组维度、连接和分割数组等常用操作。

NumPy是Python中最重要的数值计算库之一,它提供了广泛的功能和工具来处理和操作多维数组。本文将向您介绍如何使用NumPy进行一些常见的数组操作,包括变维、转置、修改数组维度、连接和分割数组等。

变维操作
变维操作用于改变数组的形状,可以将数组转换为不同的维度。numpy提供了如下方法进行数组的变维:

reshape:在不改变数组元素的条件下,修改数组的形状
flat:返回一个迭代器,可以用 for 循环遍历其中的每一个元素
flatten:以一维数组的形式返回一份数组的副本,对副本的操作不会影响到原数组
ravel:返回一个连续的扁平数组(即展开的一维数组),与 flatten不同,它返回的是数组视图
注:ravel修改视图会影响原数组

reshape我们已经在之前的教程之中介绍过了,这里不做赘述。

flat
numpy.ndarray.flat 返回一个数组迭代器,实例如下:

import numpy as np
a = np.arange(12).reshape(3,4)
for row in a:
print (row)

使用flat属性:

for ele in a.flat:
print (ele,end=",")


输出结果如下:
[0 1 2 3]
[4 5 6 7]
[ 8 9 10 11]
0,1,2,3,4,5,6,7,8,9,10,11,
flatten
numpy.ndarray.flatten 返回一份数组副本,对副本修改不会影响原始数组,其语法格式如下:

ndarray.flatten(order='C')
实例如下:

import numpy as np
a = np.arange(16).reshape(4,4)
print (a)

默认按行C风格展开的数组

print (a.flatten())

以F风格顺序展开的数组

print (a.flatten(order = 'F'))


输出结果如下:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15]
[ 0 4 8 12 1 5 9 13 2 6 10 14 3 7 11 15]
ravel()
numpy.ravel() 将多维数组中的元素以一维数组的形式展开,该方法返回数组的视图(view),如果修改,则会影响原始数组。语法格式如下:

numpy.ravel(a, order='C')
实例如下:

import numpy as np
a = np.arange(16).reshape(4,4)
print ('原数组:')
print (a)
print ('调用 ravel 函数后:')
print (a.ravel())
print ('F 风格顺序调用 ravel 函数之后:')
print (a.ravel(order = 'F'))


输出结果如下:
原数组:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
调用 ravel 函数后:
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15]
F 风格顺序调用 ravel 函数之后:
[ 0 4 8 12 1 5 9 13 2 6 10 14 3 7 11 15]
转置操作
转置操作将数组的行和列互换。numpy提供了如下方式来进行数组的转置:

transpose:将数组的维度值进行对换,比如二维数组维度(2,4)使用该方法后为(4,2)
ndarray.T:与 transpose 方法相同
rollaxis:沿着指定的轴向后滚动至规定的位置
swapaxes:对数组的轴进行对换
numpy.transpose()
numpy.transpose() 用于对换多维数组的维度,比如二维数组使用此方法可以实现矩阵转置,语法格式如下:

numpy.transpose(arr, axes)
参数说明:

arr:要操作的数组
axes:可选参数,元组或者整数列表,将会按照该参数进行转置
示例如下:

import numpy as np
a = np.arange(16).reshape(4,4)
print (a)

print (np.transpose(a))

输出结果如下:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
[[ 0 4 8 12]
[ 1 5 9 13]
[ 2 6 10 14]
[ 3 7 11 15]]
注:ndarray.T 的使用方法与其类似,这里就不再赘述

numpy.rollaxis()
该方法表示沿着指定的轴,向后滚动至一个特定位置,格式如下:

numpy.rollaxis(arr, axis, start)
参数说明:

arr:要传入的数组
axis:沿着哪条轴向后滚动,其它轴的相对位置不会改变
start:默认以 0 轴开始,可以根据数组维度调整它的值
numpy.swapaxes()
该方法用于交换数组的两个轴,其语法格式如下:

numpy.swapaxes(arr, axis1, axis2)
示例如下:

import numpy as np

创建了三维的 ndarray

a = np.arange(27).reshape(3,3,3)
print (a)

对换0轴与2轴

print(np.swapaxes(a,2,0))

输出结果如下:
[[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]]

[[ 9 10 11]
[12 13 14]
[15 16 17]]

[[18 19 20]
[21 22 23]
[24 25 26]]]
[[[ 0 9 18]
[ 3 12 21]
[ 6 15 24]]

[[ 1 10 19]
[ 4 13 22]
[ 7 16 25]]

[[ 2 11 20]
[ 5 14 23]
[ 8 17 26]]]
修改维度
有时候,我们需要修改数组的维度,而不改变数组中的元素数量。NumPy提供了一些函数来执行这种操作。

broadcast: 生成一个模拟广播的对象
broadcast_to :将数组广播为新的形状
expand_dims: 扩展数组的形状
numpy.broadcast()
返回值是数组被广播后的对象,该函数以两个数组作为输入参数,实例如下:

import numpy as np
a = np.array([[1], [2], [3]])
b = np.array([4, 5, 6])

对b广播a

d = np.broadcast(a,b)

d它拥有 iterator 属性

r,c = d.iters
print (next(r), next(c))
print (next(r), next(c))

使用broadcast将a与b相加

e = np.broadcast(a,b)
f=np.empty(e.shape)
f.flat=[x+y for (x,y) in e]
print(f)
print(a+b)


输出结果如下:
1 4
1 5
[[5. 6. 7.]
[6. 7. 8.]
[7. 8. 9.]]
[[5 6 7]
[6 7 8]
[7 8 9]]
numpy.broadcast_to()
该函数将数组广播到新形状中,它在原始数组的基础上返回一个只读视图。 如果新形状不符合 NumPy 的广播规则,则会抛出 ValueError 异常。函数的语法格式如下:

numpy.broadcast_to(array, shape, subok)
实例如下:

import numpy as np
a = np.arange(4).reshape(1,4)
print("原数组",a)
print ('调用 broadcast_to 函数之后:')
print (np.broadcast_to(a,(4,4)))


输出结果如下:
原数组 [[0 1 2 3]]
调用 broadcast_to 函数之后:
[[0 1 2 3]
[0 1 2 3]
[0 1 2 3]
[0 1 2 3]]
numpy.expand_dims()
在指定位置插入新的轴,从而扩展数组的维度,语法格式如下:

numpy.expand_dims(arr, axis)
参数说明:

arr:输入数组
axis:新轴插入的位置
示例如下:

import numpy as np
x = np.array(([1,2],[3,4]))
print ('数组 x:')
print (x)

在 0 轴处插入新的轴

y = np.expand_dims(x, axis = 0)
print ('数组 y:')
print (y)
print ('\n')
print ('数组 x 和 y 的形状:')
print (x.shape, y.shape)


输出结果如下:
数组 x:
[[1 2]
[3 4]]
数组 y:
[[[1 2]
[3 4]]]

数组 x 和 y 的形状:
(2, 2) (1, 2, 2)
连接与分割数组
连接与分割数组是数组的两种操作方式,我们为了便于大家记忆,现将它们的方法整合在一起,如下所示:

连接数组:
concatenate:沿指定轴连接两个或者多个相同形状的数组
stack:沿着新的轴连接一系列数组
hstack:按水平顺序堆叠序列中数组(列方向)
按垂直方向堆叠序列中数组(行方向)
分割数组:
split:将一个数组分割为多个子数组
hsplit:将一个数组水平分割为多个子数组(按列)
vsplit:将一个数组垂直分割为多个子数组(按行)
连接数组操作
numpy.concatenate() 沿指定轴连接相同形状的两个或多个数组,格式如下:

numpy.concatenate((a1, a2, ...), axis)
参数说明:

a1, a2, …:表示一系列相同类型的数组
axis:沿着该参数指定的轴连接数组,默认为 0
实例说明:

import numpy as np

创建数组a

a = np.array([[10,20],[30,40]])
print (a)

创建数组b

b = np.array([[50,60],[70,80]])
print (b)

沿轴 0 连接两个数组

print (np.concatenate((a,b)))

沿轴 1 连接两个数组

print (np.concatenate((a,b),axis = 1))


输出结果如下:
[[10 20]
[30 40]]
[[50 60]
[70 80]]
[[10 20]
[30 40]
[50 60]
[70 80]]
[[10 20 50 60]
[30 40 70 80]]
数组连接操作至少需要两个维度相同的数组,才允许对它们进行垂直或者水平方向上的操作。

在垂直方向堆叠数组,示例如下:

import numpy as np
a = np.array([[1,2],[3,4]])
b = np.array([[5,6],[7,8]])

垂直堆叠

c = np.vstack((a,b))
print (c)


输出结果如下:
[[1 2]
[3 4]
[5 6]
[7 8]]
分割数组
numpy.split() 沿指定的轴将数组分割为多个子数组,语法格式如下:

numpy.split(ary, indices_or_sections, axis)
参数说明:

ary:被分割的数组
indices_or_sections:若是一个整数,代表用该整数平均切分,若是一个数组,则代表沿轴切分的位置(左开右闭)
axis:默认为0,表示横向切分;为1时表示纵向切分
示例如下:

import numpy as np
a = np.arange(6)

原数组

print (a)

将数组分为二个形状大小相等的子数组

b = np.split(a,2)
print (b)

将数组在一维数组中标明要位置分割

b = np.split(a,[3,4])
print (b)


输出结果如下:

a数组

[0 1 2 3 4 5]

切分分形状大小相同的数组

[array([0, 1, 2]), array([3, 4, 5])]

按数组标明位置切分,切分时左开右闭

[array([0, 1, 2]), array([3]), array([4, 5])]
hsplit() 的使用方法,示例如下:

import numpy as np

arr1数组

arr1 = np.floor(10 * np.random.random((2, 6)))
print(arr1)

拆分后数组

print(np.hsplit(arr1, 3))


输出结果如下:
[[6. 3. 4. 4. 9. 8.]
[7. 9. 9. 0. 2. 7.]]
[array([[6., 3.],
[7., 9.]]), array([[4., 4.],
[9., 0.]]), array([[9., 8.],
[2., 7.]])]
总结
NumPy是Python中用于数值计算和数据处理的关键库之一。本文介绍了NumPy中常用的数组操作,包括变维、转置、修改数组维度、连接和分割数组等。熟练掌握这些操作将使您能够更有效地处理和操作多维数组数据,提高数据处理的效率。

相关文章
|
20天前
|
Web App开发 前端开发 JavaScript
探索Python科学计算的边界:利用Selenium进行Web应用性能测试与优化
【10月更文挑战第6天】随着互联网技术的发展,Web应用程序已经成为人们日常生活和工作中不可或缺的一部分。这些应用不仅需要提供丰富的功能,还必须具备良好的性能表现以保证用户体验。性能测试是确保Web应用能够快速响应用户请求并处理大量并发访问的关键步骤之一。本文将探讨如何使用Python结合Selenium来进行Web应用的性能测试,并通过实际代码示例展示如何识别瓶颈及优化应用。
69 5
|
1天前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
12 5
|
21天前
|
机器学习/深度学习 数据采集 算法
探索Python科学计算的边界:NumPy、Pandas与SciPy在大规模数据分析中的高级应用
【10月更文挑战第5天】随着数据科学和机器学习领域的快速发展,处理大规模数据集的能力变得至关重要。Python凭借其强大的生态系统,尤其是NumPy、Pandas和SciPy等库的支持,在这个领域占据了重要地位。本文将深入探讨这些库如何帮助科学家和工程师高效地进行数据分析,并通过实际案例来展示它们的一些高级应用。
39 0
探索Python科学计算的边界:NumPy、Pandas与SciPy在大规模数据分析中的高级应用
|
27天前
|
机器学习/深度学习 算法 数据挖掘
【Python篇】深度探索NumPy(下篇):从科学计算到机器学习的高效实战技巧1
【Python篇】深度探索NumPy(下篇):从科学计算到机器学习的高效实战技巧
45 5
|
27天前
|
机器学习/深度学习 算法 数据可视化
【Python篇】深度探索NumPy(下篇):从科学计算到机器学习的高效实战技巧2
【Python篇】深度探索NumPy(下篇):从科学计算到机器学习的高效实战技巧
33 1
|
14天前
|
数据挖掘 索引 Python
Python数据分析篇--NumPy--进阶
Python数据分析篇--NumPy--进阶
13 0
|
14天前
|
数据挖掘 索引 Python
Python数据分析篇--NumPy--入门
Python数据分析篇--NumPy--入门
26 0
|
27天前
|
数据可视化 IDE 开发工具
【Python篇】PyQt5 超详细教程——由入门到精通(中篇二)
【Python篇】PyQt5 超详细教程——由入门到精通(中篇二)
193 13
|
27天前
|
监控 数据可视化 搜索推荐
【Python篇】matplotlib超详细教程-由入门到精通(下篇)2
【Python篇】matplotlib超详细教程-由入门到精通(下篇)
32 8
|
27天前
|
数据可视化 API 数据处理
【Python篇】matplotlib超详细教程-由入门到精通(上篇)
【Python篇】matplotlib超详细教程-由入门到精通(上篇)
63 5