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。