前言

前面我們學(xué)習(xí)了numpy庫(kù)的簡(jiǎn)單應(yīng)用，今天來(lái)學(xué)習(xí)下比較重要的如何處理數(shù)組。

處理數(shù)組形狀

下面可將多維數(shù)組轉(zhuǎn)換成一維數(shù)組時(shí)的情形。

利用以下函數(shù)處理數(shù)組的形狀：

拆解：ravel()函數(shù)可將多維數(shù)組變成一維數(shù)組。拉直（Flatten）：flatten()函數(shù)與ravel()相同，但是，flatten()返回的是真實(shí)的數(shù)組，需要分配新的內(nèi)存空間；而ravel()函數(shù)返回的只是數(shù)組的視圖。用元組指定數(shù)組形狀：除reshape()函數(shù)外，還可以用元組來(lái)定義數(shù)組的形狀。轉(zhuǎn)置：在線(xiàn)性代數(shù)中，矩陣的轉(zhuǎn)置操作非常常見(jiàn)，轉(zhuǎn)置是一種數(shù)據(jù)變換方法，對(duì)于二維表而言，轉(zhuǎn)置就意味著行變成列，同時(shí)列變成行。調(diào)整大?。汉瘮?shù)resize()的作用類(lèi)似于reshape()，但是會(huì)改變所作用的數(shù)組。

堆疊數(shù)組

從深度看，數(shù)組既可以橫向疊放，也可以豎向疊放。因此，可以使用vstack()、dstack()、hstack()、column_stack()、row_stack()、和concatenate()等函數(shù)。

首先我們要建立一些數(shù)組，然后整體說(shuō)一下各種疊加方式，最后放上示例代碼：

水平疊加：先介紹水平疊加方式，即用元組確定ndarrays()數(shù)組的形狀，然后交由hstack()函數(shù)來(lái)碼放這些數(shù)組。垂直疊加：使用垂直疊加方法，先要構(gòu)建一個(gè)元組，然后將元組交給vstack()函數(shù)來(lái)碼放數(shù)組。深度疊加：還有一種深度疊加方法，這要用到dstack()函數(shù)和一個(gè)元組。這種方法是沿著第三個(gè)坐標(biāo)軸（縱向）的方法來(lái)疊加一摞數(shù)組。舉例來(lái)說(shuō)：可以在一個(gè)圖像數(shù)據(jù)的二維數(shù)組上疊加另一幅圖像的數(shù)據(jù)。列式堆疊：column_stack()函數(shù)以列方式對(duì)一維數(shù)組進(jìn)行堆疊。行式堆疊：同時(shí)，numpy也有以行方式對(duì)數(shù)組進(jìn)行堆疊的函數(shù)，這個(gè)用于一維數(shù)組的函數(shù)名為row_stack()，它將數(shù)組作為行碼放到二維數(shù)組中。

整體代碼如下：

#-*- coding:utf-8 -*-#stacking.pyimport numpy as np#創(chuàng)建數(shù)組a = np.arange(9).reshape(3,3)print(a)#Out:#array([[0, 1, 2],# [3, 4, 5],# [6, 7, 8]])b = 2 * aprint (b）#Out:#array([[ 0, 2, 4],# [ 6, 8, 10],# [12, 14, 16]])#水平疊加print (np.hstack((a, b)))#Out:#array([[ 0, 1, 2, 0, 2, 4],# [ 3, 4, 5, 6, 8, 10],# [ 6, 7, 8, 12, 14, 16]])print (np.concatenate((a, b), axis=1)）#Out:#array([[ 0, 1, 2, 0, 2, 4],# [ 3, 4, 5, 6, 8, 10],# [ 6, 7, 8, 12, 14, 16]])#垂直疊加print (np.vstack((a, b)))#Out:#array([[ 0, 1, 2],# [ 3, 4, 5],# [ 6, 7, 8],# [ 0, 2, 4],# [ 6, 8, 10],# [12, 14, 16]])print (np.concatenate((a, b), axis=0))#Out:#array([[ 0, 1, 2],# [ 3, 4, 5],# [ 6, 7, 8],# [ 0, 2, 4],# [ 6, 8, 10],# [12, 14, 16]])#深度疊加print (np.dstack((a, b)))#Out:#array([[[ 0, 0],# [ 1, 2],# [ 2, 4]],# [[ 3, 6],# [ 4, 8],# [ 5, 10]],# [[ 6, 12],# [ 7, 14],# [ 8, 16]]])oned = np.arange(2)print (oned)#Out: array([0, 1])twice_oned = 2 * onedprint (twice_oned)#Out: array([0, 2])print (np.column_stack((oned, twice_oned)))#Out:#array([[0, 0],# [1, 2]])print (np.column_stack((a, b)))#Out:#array([[ 0, 1, 2, 0, 2, 4],# [ 3, 4, 5, 6, 8, 10],# [ 6, 7, 8, 12, 14, 16]])#數(shù)組對(duì)比print (np.column_stack((a, b)) == np.hstack((a, b)))#Out:#array([[ True, True, True, True, True, True],# [ True, True, True, True, True, True],# [ True, True, True, True, True, True]], dtype=bool)#列式堆疊print (np.row_stack((oned, twice_oned)))#Out:#array([[0, 1],# [0, 2]])print (np.row_stack((a, b)))#Out:#array([[ 0, 1, 2],# [ 3, 4, 5],# [ 6, 7, 8],# [ 0, 2, 4],# [ 6, 8, 10],# [12, 14, 16]])print (np.row_stack((a,b)) == np.vstack((a, b)))#Out:#array([[ True, True, True],# [ True, True, True],# [ True, True, True],# [ True, True, True],# [ True, True, True],# [ True, True, True]], dtype=bool)

小結(jié)

今天學(xué)習(xí)一下Python中numpy的堆疊數(shù)組。希望通過(guò)上面的操作能幫助大家。如果你有什么好的意見(jiàn)，建議，或者有不同的看法，我都希望你留言和我們進(jìn)行交流、討論。

預(yù)備閱讀：Python之numpy數(shù)組學(xué)習(xí)（一）Python之numpy數(shù)組學(xué)習(xí)（二）Python之numpy數(shù)組學(xué)習(xí)（三）Python之numpy數(shù)組學(xué)習(xí)（四）——索引和視圖

為獲得良好代碼體驗(yàn)，建議查看原文。

前言

前面我們學(xué)習(xí)了numpy庫(kù)的很多知識(shí)，今天來(lái)學(xué)習(xí)下數(shù)組的廣播。

Numpy數(shù)組的廣播

當(dāng)操作對(duì)象的形狀不一樣時(shí)，numpy會(huì)盡力進(jìn)行處理。

假設(shè)一個(gè)數(shù)組要跟一個(gè)標(biāo)量相乘，這時(shí)標(biāo)量需要根據(jù)數(shù)組的形狀進(jìn)行擴(kuò)展，然后才可以執(zhí)行乘法運(yùn)算。這個(gè)擴(kuò)展的過(guò)程叫做廣播（broadcasting）。

廣播的步驟如下：

①讀取WAV文件

（本地沒(méi)有找到好的直接下載WAV文件的網(wǎng)站，歡迎推薦）這里我們使用標(biāo)準(zhǔn)Python代碼來(lái)下載《王牌大賤諜》中的歌曲Smashing，baby。Scipy中有一個(gè)wavfile子程序包，可以用來(lái)加載音頻數(shù)據(jù)，或者生成WAV格式的文件。如果此前已安裝了scipy，現(xiàn)在就可以直接用了。我們使用read()函數(shù)讀取文件，它返回一個(gè)數(shù)據(jù)陣列及采樣率，不過(guò)，我們這里只對(duì)數(shù)據(jù)本身感興趣。

sample_rate, data = scipy.io.wavfile.read(WAV_FILE)

②繪制原WAV數(shù)據(jù)

這里我們利用matplotlib繪制原始WAV數(shù)據(jù)，并用一個(gè)子圖來(lái)顯示標(biāo)題“original”，代碼如下所示：

plt.subplot(2, 1, 1)plt.title("Original")plt.plot(data)

③新建一個(gè)數(shù)組

現(xiàn)在，我們要用numpy來(lái)生成一段“寂靜的”聲音。實(shí)際上，就是將原數(shù)組的值乘以一個(gè)常數(shù)，從而得到一個(gè)新數(shù)組，因?yàn)檫@個(gè)新數(shù)組的元素值肯定是變小了。這就是廣播技術(shù)的用武之地。最后，我們要確保新數(shù)組和原數(shù)組的類(lèi)型一致，即WAV格式。

newdata = data * 0.2

newdata = newdata.astype(np.uint8)

④寫(xiě)入一個(gè)WAV文件中。

將新數(shù)組保存到一個(gè)新的WAV文件中，代碼如下：

scipy.io.wavfile.write("quiet.wav",sample_rate,newdata)

⑤繪制出新的WAV數(shù)據(jù)。

可以使用matplotlib來(lái)畫(huà)出新數(shù)組中數(shù)據(jù)，代碼如下：

plt.subplot(2, 1, 2)plt.title("Quiet")plt.plot(newdata)plt.show()

⑥展現(xiàn)原始WAV數(shù)據(jù)圖像和新數(shù)組的圖像。

下面用完整代碼來(lái)說(shuō)明一下：

#-*- coding:utf-8 -*-import scipy.io.wavfileimport matplotlib.pyplot as pltfrom urllib import requestimport numpy as npurl = 'http://thesoundarchive/austinpowers/smashingbaby.wav'response = request.urlopen(url)print (response.info())WAV_FILE = 'smashingbaby.wav'#二進(jìn)制方式打開(kāi)filehandle = open(WAV_FILE, 'wb+')filehandle.write(response.read())filehandle.close()sample_rate, data = scipy.io.wavfile.read(WAV_FILE)print ("Data type", data.dtype,"--", "Shape", data.shape)#原始圖plt.subplot(2, 1, 1)plt.title("Original")plt.plot(data)#新數(shù)據(jù)newdata = data * 0.2newdata = newdata.astype(np.uint8)print ("Data type", newdata.dtype,"--", "Shape", newdata.shape)scipy.io.wavfile.write("quiet.wav",sample_rate, newdata)#新圖像plt.subplot(2, 1, 2)plt.title("Quiet")plt.plot(newdata)plt.show()

小結(jié)

今天學(xué)習(xí)一下Python中numpy數(shù)組的廣播。希望通過(guò)上面的操作能幫助大家。如果你有什么好的意見(jiàn)，建議，或者有不同的看法，我都希望你留言和我們進(jìn)行交流、討論。

預(yù)備閱讀：Python之numpy數(shù)組學(xué)習(xí)（一）Python之numpy數(shù)組學(xué)習(xí)（二）Python之numpy數(shù)組學(xué)習(xí)（三）

為獲得良好代碼體驗(yàn)，建議查看原文。

前言

前面我們學(xué)習(xí)了numpy庫(kù)的簡(jiǎn)單應(yīng)用和數(shù)組的處理，今天來(lái)學(xué)習(xí)下數(shù)組的視圖和索引。

創(chuàng)建數(shù)組的視圖和拷貝

在學(xué)習(xí)ravel()函數(shù)的時(shí)候，我看到了視圖的概念，這讓我很驚訝，但是注意，這里的視圖和數(shù)據(jù)庫(kù)中的視圖不是一樣的。在numpy中，視圖不是只讀的。關(guān)鍵在于，當(dāng)前處理的是共享的數(shù)組視圖，還是數(shù)組數(shù)據(jù)的副本。舉例來(lái)說(shuō)，可以取數(shù)組的一部分來(lái)生成視圖，這意味著，如果先將數(shù)組的某部分賦值給一個(gè)變量，然后修改原數(shù)組中相應(yīng)位置的數(shù)據(jù)，那么這個(gè)變量的值也會(huì)隨之變化。

這里，我們通過(guò)動(dòng)物面部照片（face）照片來(lái)創(chuàng)建數(shù)組，然后創(chuàng)建視圖，隨后修改。這里的動(dòng)物面部照片的數(shù)組是從Scipy函數(shù)獲得。

看一下代碼和效果圖如下：

#-*- coding:utf-8 -*-import scipy.miscimport matplotlib.pyplot as plt#創(chuàng)建圖片數(shù)組face = scipy.misc.face()print (face.shape)#副本acopy = face.copy()#創(chuàng)建視圖aview = face.view()# 展示照片數(shù)組plt.subplot(221)plt.imshow(face)#展示照片數(shù)據(jù)副本plt.subplot(222)plt.imshow(acopy)#展示視圖plt.subplot(223)plt.imshow(aview)# 展示改變后的aview.flat = 0plt.subplot(224)plt.imshow(aview)plt.show()

可以看到，只有一副圖片可以看到該動(dòng)物圖片，如上圖所示。

同樣可以看到，程序最后修改了視圖，同時(shí)改變了原來(lái)的照片數(shù)組，這導(dǎo)致3副圖片全部變黑。而復(fù)制的數(shù)組沒(méi)有變化。所以，要記?。簄umpy中，視圖不是只讀的。

Numpy的索引

1、花式索引

花式索引是一種傳統(tǒng)的索引方法，它不使用整數(shù)或者切片。這里，我們將利用花式索引來(lái)把動(dòng)物圖片（face）對(duì)角線(xiàn)上的值全部置0，相當(dāng)于沿著兩條交叉的對(duì)角線(xiàn)畫(huà)兩條黑線(xiàn)。

看一下完整代碼和效果。

#-*- coding:utf-8 -*-import scipy.miscimport matplotlib.pyplot as plt# 加載圖片數(shù)組face = scipy.misc.face()'''這里說(shuō)明一下，默認(rèn)是正方形的圖片，如果不是，則需要xmax和ymax的值一樣大小。（PS.Python3.6中scipy的圖片規(guī)格變成了768*1024）'''xmax = face.shape[0]ymax = face.shape[0]#ymax = face.shape[1]報(bào)錯(cuò)，#IndexError: shape mismatch: indexingarrays could not be broadcast together with shapes (768,) (1024,)# 設(shè)置對(duì)角線(xiàn)的值為0# x 0-xmax# y 0-ymaxface[range(xmax), range(ymax)] = 0# 設(shè)置另一條對(duì)角線(xiàn)的值為0# x xmax-0# y 0-ymaxface[range(xmax-1,-1,-1), range(ymax)] = 0# 展示效果plt.imshow(face)plt.show()

2、基于位置列表的索引方法

下面利用ix_()函數(shù)將動(dòng)物圖片的像素完全打亂。這個(gè)函數(shù)可以根據(jù)多個(gè)序列生成一個(gè)網(wǎng)格，它需要一個(gè)一維序列作為參數(shù)，并返回一個(gè)由numpy數(shù)組構(gòu)成的元組。

利用位置列表索引numpy數(shù)組的過(guò)程如下：

①打亂數(shù)組的索引。用numpy.random子程序包中的shuffle()函數(shù)把數(shù)組中的元素按隨機(jī)的索引號(hào)重新排列，使數(shù)組產(chǎn)生相應(yīng)的變化。

②使用代碼畫(huà)出打亂后的索引。

③照片的像素被完全打亂后，展示效果。

代碼和效果如下圖所示：

#-*- coding:utf-8 -*-import scipy.miscimport matplotlib.pyplot as pltimport numpy as np# 加載圖片數(shù)組face = scipy.misc.face()xmax = face.shape[0]ymax = face.shape[1]#打亂數(shù)組的索引def shuffle_indices(size):arr = np.arange(size)np.random.shuffle(arr)return arrxindices = shuffle_indices(xmax)np.testing.assert_equal(len(xindices), xmax)yindices = shuffle_indices(ymax)np.testing.assert_equal(len(yindices), ymax)# 重畫(huà)打亂后的索引plt.imshow(face[np.ix_(xindices, yindices)])plt.show()

3、用布爾型變量索引numpy數(shù)組

布爾型索引是指根據(jù)布爾型數(shù)組來(lái)索引元素的方法，屬于花式索引系列。因?yàn)椴紶栃退饕腔ㄊ剿饕囊粋€(gè)分類(lèi)，所以它們的使用方法基本相同。

下面看代碼和效果展示。

#-*- coding:utf-8 -*-import scipy.miscimport matplotlib.pyplot as pltimport numpy as np# 加載圖片數(shù)組face = scipy.misc.face()#在對(duì)角線(xiàn)上畫(huà)點(diǎn)def get_indices(size):arr = np.arange(size)return arr % 4 == 0# 僅繪畫(huà)出選定的點(diǎn)face1 = face.copy()xindices = get_indices(face.shape[0])yindices = get_indices(face.shape[0])#因?yàn)閳D片大小不是正方形，這里截取正方形圖片face1[xindices, yindices] = 0plt.subplot(211)plt.imshow(face1)face2 = face.copy()#選取數(shù)組值介于最大值的1/4到3/4的元素，將其置0face2[(face > face.max()/4) & (face plt.subplot(212)plt.imshow(face2)#展示效果plt.show()

小結(jié)

今天學(xué)習(xí)一下Python中numpy數(shù)組的視圖和索引。希望通過(guò)上面的操作能幫助大家。如果你有什么好的意見(jiàn)，建議，或者有不同的看法，我都希望你留言和我們進(jìn)行交流、討論。

我回來(lái)了。

前言

前面已經(jīng)安裝并學(xué)習(xí)了Python中的科學(xué)計(jì)算庫(kù)，今天主要學(xué)習(xí)下numpy數(shù)組。

Numpy數(shù)組對(duì)象

Numpy中的多維數(shù)組稱(chēng)為ndarray，它有兩個(gè)組成部分。

數(shù)據(jù)本身。描述數(shù)據(jù)的元數(shù)據(jù)。

在數(shù)組的處理過(guò)程中，原始數(shù)據(jù)不受影響，變化的只是元數(shù)據(jù)。

Numpy數(shù)組通常是由相同種類(lèi)的元素組成，即數(shù)組中數(shù)據(jù)類(lèi)型必須一致。好處是：數(shù)組元素類(lèi)型相同，可輕松確定存儲(chǔ)數(shù)組所需的空間大小。同時(shí)，numpy可運(yùn)用向量化運(yùn)算來(lái)處理整個(gè)數(shù)組。Numpy數(shù)組的索引從0開(kāi)始。（這里我使用的是ipython命令行，ipython最近剛開(kāi)始用，以后詳細(xì)介紹下。）

In[3]:importnumpyasnpIn[4]:a=np.arange(5)In[5]:a.dtypeOut[5]:dtype('int32')

上面數(shù)組的數(shù)據(jù)類(lèi)型為int32，這一般跟你安裝的Python版本有關(guān)。不過(guò)我安裝的是64位，不知道怎么回事這里是int32，后面再檢查下。

上一篇我們說(shuō)了向量（一維的numpy數(shù)組）的創(chuàng)建方法，下面看一下上面生成的向量。

In[6]:aOut[6]:array([0,1,2,3,4])In[7]:a.shapeOut[7]:(5,)

可以看到，該向量有5個(gè)元素，該數(shù)組的shape屬性是一個(gè)元組，存放的是數(shù)組在每一個(gè)維度的長(zhǎng)度。

創(chuàng)建多維數(shù)組

我們已經(jīng)知道了如何創(chuàng)建向量，下面開(kāi)始建立多維numpy數(shù)組，生成矩陣后，再看它的形狀。

In[8]:m=np.array([np.arange(2),np.arange(2)])In[9]:mOut[9]:array([[0,1],[0,1]])

上面我們用arrange方法創(chuàng)建了一個(gè)簡(jiǎn)單的2*2的數(shù)組，利用array()函數(shù)創(chuàng)建數(shù)組時(shí)，需要傳遞給它一個(gè)對(duì)象，并且這個(gè)對(duì)象必須是數(shù)組類(lèi)型。如Python的列表。

創(chuàng)建之后，我們要選擇矩陣的元素，這里就相當(dāng)于一個(gè)二維坐標(biāo)系，我們只要找到對(duì)應(yīng)的坐標(biāo)即可。

In[10]:m[0,0]Out[10]:0In[11]:m[0,1]Out[11]:1In[12]:m[1,0]Out[12]:0In[13]:m[1,1]Out[13]:1

可以看到，選擇數(shù)組元素很簡(jiǎn)單，對(duì)于數(shù)組m，只要通過(guò)m[m,n]的形式，就能訪問(wèn)數(shù)組內(nèi)的元素，其中m和n為數(shù)組元素的下標(biāo)，從0開(kāi)始。

Numpy的數(shù)值類(lèi)型

Python本身支持整型、浮點(diǎn)型和復(fù)數(shù)型，為了科學(xué)計(jì)算，numpy提供了更加豐富的數(shù)據(jù)類(lèi)型，注意：numpy跟數(shù)學(xué)運(yùn)算有關(guān)的數(shù)據(jù)類(lèi)型的名稱(chēng)都以數(shù)字結(jié)尾。這個(gè)數(shù)字指示了該類(lèi)型的變量所占用的二進(jìn)制位數(shù)。Numpy的各種數(shù)值類(lèi)型如下圖所示：

每一種數(shù)據(jù)類(lèi)型都有相應(yīng)的轉(zhuǎn)換函數(shù)，許多函數(shù)都帶有一個(gè)指定數(shù)據(jù)類(lèi)型的參數(shù)，該參數(shù)一般可選。

In[15]:np.float64(30)Out[15]:30.0In[16]:np.bool(30)Out[16]:TrueIn[17]:np.float(True)Out[17]:1.0In[18]:np.int8(30)Out[18]:30In[20]:np.arange(7,dtype='uint16')Out[20]:array([0,1,2,3,4,5,6],dtype=uint16)

注意：不允許把復(fù)數(shù)轉(zhuǎn)化成整型。也不允許把復(fù)數(shù)轉(zhuǎn)化為浮點(diǎn)數(shù)，但是允許把浮點(diǎn)數(shù)轉(zhuǎn)化為復(fù)數(shù)。復(fù)數(shù)的實(shí)部和虛部分別使用real()函數(shù)和imag()函數(shù)提取。

數(shù)據(jù)類(lèi)型對(duì)象是numpy.dtype類(lèi)的實(shí)例。數(shù)組是一種數(shù)據(jù)類(lèi)型。數(shù)據(jù)類(lèi)型對(duì)象表明了數(shù)據(jù)占用的字節(jié)數(shù)，所占用字節(jié)的具體數(shù)目一般存放在類(lèi)dtype的itemsize中。

In[6]:importnumpyasnpIn[7]:a=np.arange(5)In[8]:aOut[8]:array([0,1,2,3,4])In[9]:a.dtype.itemsizeOut[9]:4

一維數(shù)組的切片和索引

一維numpy數(shù)組的切片操作和Python列表的切片一樣，看一下下面的例子來(lái)體驗(yàn)一下。

In[34]:a=np.arange(9)In[35]:aOut[35]:array([0,1,2,3,4,5,6,7,8])#通過(guò)下標(biāo)取數(shù)據(jù)In[36]:a[3:7]Out[36]:array([3,4,5,6])#用下標(biāo)選擇元素，范圍0到7，下標(biāo)每次遞增2In[37]:a[:7:2]Out[37]:array([0,2,4,6])#反轉(zhuǎn)數(shù)組In[38]:a[::-1]Out[38]:array([8,7,6,5,4,3,2,1,0])

小結(jié)

今天學(xué)習(xí)一下Python中numpy的簡(jiǎn)單使用。希望通過(guò)上面的操作能幫助大家。如果你有什么好的意見(jiàn)，建議，或者有不同的看法，我都希望你留言和我們進(jìn)行交流、討論。