Numpy 数组操作

n')





# 手动使用 broadcast 将 x 与 y 相加b = np.broadcast(x,y)c = np.empty(b.shape)print ('手动使用 broadcast 将 x 与 y 相加：')print (c.shape)print ('\n')c.flat = [u + v for (u,v) in b]print ('调用 flat 函数：')print (c)print ('\n')





# 获得了和 NumPy 内建的广播支持相同的结果print ('x 与 y 的和：')print (x + y)输出结果为：对 y 广播 x：1 41 5广播对象的形状：(3, 3)手动使用 broadcast 将 x 与 y 相加：(3, 3)调用 flat 函数：[[5. 6. 7.] [6. 7. 8.] [7. 8. 9.]]x 与 y 的和：[[5 6 7] [6 7 8] [7 8 9]]numpy.broadcast_tonumpy.broadcast_to 函数将数组广播到新形状。它在原始数组上返回只读视图。 它通常不连续。 如果新形状不符合 NumPy 的广播规则，该函数可能会抛出ValueError。numpy.broadcast_to(array, shape, subok)实例import numpy as npa = np.arange(4).reshape(1,4)print ('原数组：')print (a)print ('\n')print ('调用 broadcast_to 函数之后：')print (np.broadcast_to(a,(4,4)))输出结果为：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_dimsnumpy.expand_dims 函数通过在指定位置插入新的轴来扩展数组形状，函数格式如下:





numpy.expand_dims(arr, axis)参数说明：arr：输入数组axis：新轴插入的位置实例import numpy as npx = np.array(([1,2],[3,4]))print ('数组 x：')print (x)print ('\n')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)print ('\n')





# 在位置 1 插入轴y = np.expand_dims(x, axis = 1)print ('在位置 1 插入轴之后的数组 y：')print (y)print ('\n')print ('x.ndim 和 y.ndim：')print (x.ndim,y.ndim)print ('\n')print ('x.shape 和 y.shape：')print (x.shape, y.shape)输出结果为：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)在位置 1 插入轴之后的数组 y：[[[1 2]] [[3 4]]]x.ndim 和 y.ndim：2 3x.shape 和 y.shape：(2, 2) (2, 1, 2)numpy.squeezenumpy.squeeze 函数从给定数组的形状中删除一维的条目，函数格式如下：numpy.squeeze(arr, axis) 参数说明：arr：输入数组axis：整数或整数元组，用于选择形状中一维条目的子集实例import numpy as npx = np.arange(9).reshape(1,3,3)print ('数组 x：')print (x)print ('\n')y = np.squeeze(x)print ('数组 y：')print (y)print ('\n')print ('数组 x 和 y 的形状：')print (x.shape, y.shape)输出结果为：数组 x：[[[0 1 2] [3 4 5] [6 7 8]]]数组 y：[[0 1 2] [3 4 5] [6 7 8]]数组 x 和 y 的形状：(1, 3, 3) (3, 3)连接数组函数描述concatenate 连接沿现有轴的数组序列stack 沿着新的轴加入一系列数组。hstack 水平堆叠序列中的数组（列方向）vstack 竖直堆叠序列中的数组（行方向）numpy.concatenatenumpy.concatenate 函数用于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, ...：相同类型的数组axis：沿着它连接数组的轴，默认为 0实例import numpy as npa = np.array([[1,2],[3,4]])print ('第一个数组：')print (a)print ('\n')b = np.array([[5,6],[7,8]])print ('第二个数组：')print (b)print ('\n')





# 两个数组的维度相同print ('沿轴 0 连接两个数组：')print (np.concatenate((a,b)))print ('\n')print ('沿轴 1 连接两个数组：')print (np.concatenate((a,b),axis = 1))输出结果为：第一个数组：[[1 2] [3 4]]第二个数组：[[5 6] [7 8]]沿轴 0 连接两个数组：[[1 2] [3 4] [5 6] [7 8]]沿轴 1 连接两个数组：[[1 2 5 6] [3 4 7 8]]numpy.stacknumpy.stack 函数用于沿新轴连接数组序列，格式如下：numpy.stack(arrays, axis)参数说明：arrays相同形状的数组序列axis：返回数组中的轴，输入数组沿着它来堆叠实例import numpy as npa = np.array([[1,2],[3,4]])print ('第一个数组：')print (a)print ('\n')b = np.array([[5,6],[7,8]])print ('第二个数组：')print (b)print ('\n')print ('沿轴 0 堆叠两个数组：')print (np.stack((a,b),0))print ('\n')print ('沿轴 1 堆叠两个数组：')print (np.stack((a,b),1))输出结果如下：第一个数组：[[1 2] [3 4]]第二个数组：[[5 6] [7 8]]沿轴 0 堆叠两个数组：[[[1 2] [3 4]] [[5 6] [7 8]]]沿轴 1 堆叠两个数组：[[[1 2] [5 6]] [[3 4] [7 8]]]numpy.hstacknumpy.hstack 是 numpy.stack 函数的变体，它通过水平堆叠来生成数组。实例import numpy as npa = np.array([[1,2],[3,4]])print ('第一个数组：')print (a)print ('\n')b = np.array([[5,6],[7,8]])print ('第二个数组：')print (b)print ('\n')print ('水平堆叠：')c = np.hstack((a,b))print (c)print ('\n')输出结果如下：第一个数组：[[1 2] [3 4]]第二个数组：[[5 6] [7 8]]水平堆叠：[[1 2 5 6] [3 4 7 8]]numpy.vstacknumpy.vstack 是 numpy.stack 函数的变体，它通过垂直堆叠来生成数组。实例import numpy as npa = np.array([[1,2],[3,4]])print ('第一个数组：')print (a)print ('\n')b = np.array([[5,6],[7,8]])print ('第二个数组：')print (b)print ('\n')print ('竖直堆叠：')c = np.vstack((a,b))print (c)输出结果为：第一个数组：[[1 2] [3 4]]第二个数组：[[5 6] [7 8]]竖直堆叠：[[1 2] [3 4] [5 6] [7 8]]分割数组函数数组及操作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）numpy.splitnumpy.split 函数沿特定的轴将数组分割为子数组，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：果是一个整数，就用该数平均切分，如果是一个数组，为沿轴切分的位置（左开右闭） axis：沿着哪个维度进行切向，默认为0，横向切分。为1时，纵向切分实例import numpy as npa = np.arange(9)print ('第一个数组：')print (a)pri