Numpy-数组的基本操作(二)

在上一篇博客中，我们简单介绍了一下Numpy数组的使用，接下来将记录一下Numpy数组的更多操作。

数组分割

Numpy可以对数组进行水平、垂直和深度分割，我们可以将数组分割成大小相等的子数组，也可以指定原数组中需要分割的位置。

(1).

水平分割

，我们将通过

hsplit

函数沿着水平方向将多维数组分割成大小相等子数组，如下所示：

a = np.arange(8).reshape(2,4)
info = np.hsplit(a,4)
print info      # [array([[0],[4]]), array([[1],[5]]), array([[2],[6]]), array([[3],[7]])]

对于同样的数组，

split

函数同样可以实现同样的效果，如下所示：

info = np.split(a,3,axis=1)
print info      # [array([[0],[4]]), array([[1],[5]]), array([[2],[6]]), array([[3],[7]])]

在水平分割中，判断是否可以分割，我们可以看第二维度的值，假设其为m，需要将其分割成n份，如若m为n的倍数，即可以分割，否则不可分割

(2).

垂直分割

，我们可以通过

vsplit

函数沿着垂直方向将多维数组分割成大小相等的子数组，如下所示：

a = np.arange(8).reshape(2,4)
info = np.vsplit(a,2)
print info      # [array([[0],[1],[2],[3]]), array([[4],[5],[6],[7]])]

split

函数同样也可以实现

垂直分割

效果，只需要将

axis

设置为0(axis默认值为0)即可，如下所示:

info = np.split(a,2)
print info      # [array([[0],[1],[2],[3]]), array([[4],[5],[6],[7]])]

在垂直分割中，判断是否可以分割，我们可以看第一维度的值，假设其为m，需要将其分割成n份，如若m为n的倍数，即可以分割，否则不可分割

(3).

深度分割

，我们可以通过

dsplit

函数沿着深度方向将多维数组分割成大小相等的子数组，如下所示：

a = np.arange(12).reshape(2,3,2)
info = np.dsplit(a,2)       # [[[ 0  1][ 2  3][ 4  5]]  [[ 6  7][ 8  9][10 11]]]
print info                  # [array([[[ 0],[ 2],[ 4]], [[ 6],[ 8],[10]]]), array([[[ 1],[ 3],[ 5]], [[ 7],[ 9],[11]]])]

值得注意的是，深度分割只适用于3维或者更多维的数组。判断是否可以分割，我们可以看第三维度的值，假设其为m，需要将其分割成n份，如若m为n的倍数，即可以分割，否则不可分割

数组的属性

数组除了

dtype

，

shape

之外还有很多其他的属性，接下来将一一介绍：

ndim

，获取数组的维数，或者数组轴的个数：

data = np.arange(24).reshape(2,12)
print data.ndim         # 2

size

，获取数组元素的总个数：

data = np.arange(24).reshape(2,12)
print data.size         # 24

itemsize

，获取数组中每个元素所占的内存大小：

data = np.arange(24).reshape(2,12)
print data.itemsize     # 4

nbytes

，获取整个数组所占的内存大小：

data = np.arange(24).reshape(2,12)
print data.nbytes       # 96

T

，

T

属性与

transpose

函数效果一样，对于一维数组，

T

属性就是原数组:

data = np.arange(24).reshape(2,12)
print data.T            # [ [ 0 12][ 1 13][ 2 14][ 3 15][ 4 16][ 5 17][ 6 18][ 7 19][ 8 20][ 9 21][10 22][11 23] ]

flat

，

flat

属性将会返回一个

numpy.flatiter

对象，这是获得flatiter对象的唯一方式，我们无法访问flatiter的构造函数。这个“扁平迭代器”可以像迭代一维数组一样迭代任意多维数组:

data = np.arange(6).reshape(2,3)
for item in data.flat:
print item

复数数组

在Numpy中，复数的虚部是用

j

表示的，我们可以创建一个由复数构成的数组：

data = np.array([1.j + 1, 2.j + 3])
print data              # [ 1.+1.j  3.+2.j]
print data.dtype        # complex128

real

，获取复数数组的实部，如果复数数组只包含实部元素，那么

real

属性将输出原数组：

info = data.real
print info              # [ 1.  3.]

imag

，获取复数数组的虚部：

info = data.imag
print info              # [ 1.  2.]

数组的转换

我们知道，我们现在所说的数组是Numpy中的数组，是一个

numpy.ndarray

对象。那该怎么将其转换成Python中的数组呢？我们可以使用

tolist

函数来实现：

data = np.arange(6).reshape(2,3)
info = data.tolist()
print info              # [[0, 1, 2], [3, 4, 5]]
print type(info)        # <type 'list'>