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
|
10天前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
26 2
|
12天前
|
缓存 测试技术 Apache
告别卡顿!Python性能测试实战教程,JMeter&Locust带你秒懂性能优化💡
告别卡顿!Python性能测试实战教程,JMeter&Locust带你秒懂性能优化💡
28 1
|
1月前
|
自然语言处理 机器人 Python
ChatGPT使用学习:ChatPaper安装到测试详细教程(一文包会)
ChatPaper是一个基于文本生成技术的智能研究论文工具,能够根据用户输入进行智能回复和互动。它支持快速下载、阅读论文,并通过分析论文的关键信息帮助用户判断是否需要深入了解。用户可以通过命令行或网页界面操作,进行论文搜索、下载、总结等。
49 1
ChatGPT使用学习:ChatPaper安装到测试详细教程(一文包会)
|
16天前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
26 3
|
18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。
39 5
|
17天前
|
存储 机器学习/深度学习 算法
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第26天】NumPy和SciPy是Python科学计算领域的两大核心库。NumPy提供高效的多维数组对象和丰富的数学函数,而SciPy则在此基础上提供了更多高级的科学计算功能,如数值积分、优化和统计等。两者结合使Python在科学计算中具有极高的效率和广泛的应用。
33 2
|
20天前
|
JSON 测试技术 持续交付
自动化测试与脚本编写:Python实践指南
自动化测试与脚本编写:Python实践指南
24 1
|
11天前
|
Web App开发 测试技术 数据安全/隐私保护
自动化测试的魔法:使用Python进行Web应用测试
【10月更文挑战第32天】本文将带你走进自动化测试的世界,通过Python和Selenium库的力量,展示如何轻松对Web应用进行自动化测试。我们将一起探索编写简单而强大的测试脚本的秘诀,并理解如何利用这些脚本来确保我们的软件质量。无论你是测试新手还是希望提升自动化测试技能的开发者,这篇文章都将为你打开一扇门,让你看到自动化测试不仅可行,而且充满乐趣。
|
1月前
|
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
16 0
|
1月前
|
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
33 0