本篇文章中所有代码只给出 def 方法，实际运行需要导包 import numpy as np ，代码中的np实际上指的是numpy
迭代数组
python
def arr_nditer():
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)
for i in np.nditer(arr, order="C"):
print(i, end=" ")
print()
for y in np.nditer(arr, order="F"):
print(y, end=" ")
print()
# 创建一个三维数组
# flags 的 multi_index 的使用
arr02 = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
# 使用 nditer 遍历数组并获取多维索引
it = np.nditer(arr02, flags=['multi_index'])
for x in it:
print(f"Element: {x}, Index: {it.multi_index}")
# 创建一个三维数组
# flags 的 external_loop的使用
arr03 = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
# 使用 nditer 遍历数组并获取多维索引
it = np.nditer(arr03, flags=['external_loop'], order="F")
for y in it:
print(y)1数组操作
1.1数组变维
| 函数名称 | 函数介绍 |
|---|---|
| reshape | 在不改变数组元素的条件下，修改数组的形状 |
| flat | 返回是一个迭代器，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（修改视图会影响原数组） |
1.1.1 flat
python
def flat_test():
array_one = np.arange(4).reshape(2,2)
print("原数组元素：")
for i in array_one:
print(i,end=" ")
print()
print("使用flat属性，遍历数组：")
for i in array_one.flat:
print(i,end=" ")1.1.2 flatten()
用于将多维数组转换为一维数组。flatten() 返回的是原数组的一个拷贝，因此对返回的数组进行修改不会影响原数组
语法：
ndarray.flatten(order='C')参数
order: 指定数组的展开顺序。
-
'C'：按行优先顺序展开（默认）。 -
'F'：按列优先顺序展开。 -
'A'：如果原数组是 Fortran 连续的，则按列优先顺序展开；否则按行优先顺序展开。 -
'K'：按元素在内存中的顺序展开。
python
def arr_flatten():
arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(arr)
print("--------")
# flatten 转为一维数组(原数组的拷贝，修改数据不会对原数据有影响)
arr2 = arr.flatten(order="C")
print(arr2)
# 修改 ravel 返回的数组的元素
arr2[-1] = 20
print(arr) # 发现 flatten 返回的数组修改数据，原数组的数据没被修改
print(arr2)
print("---------")1.1.3 ravel()
用于将多维数组转换为一维数组。与 flatten() 不同，ravel() 返回的是原数组的一个视图（view），而不是拷贝。因此，对返回的数组进行修改会影响原数组
python
def arr_ravel():
arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(arr)
print("---------")
# 降维成为一维数组
arr1 = arr.ravel(order="C")
print(arr1)
# 修改 ravel 返回的数组的元素
arr1[-1] = 20
print(arr) # 发现 ravel 返回的数组修改数据，原数组的数据也被修改
print(arr1)1.2 数组转置
| 函数名称 | 说明 |
|---|---|
| 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 |
python
def arr_transpose():
arr = np.arange(1,7).reshape(2,3)
print(arr)
arr2 = np.transpose(arr)
print(arr2)1.3 修改数组维度
多维数组（也称为 ndarray）的维度（或轴）是从外向内编号的。这意味着最外层的维度是轴0，然后是轴1，依此类推。
| 函数名称 | 参数 | 说明 |
|---|---|---|
| expand_dims(arr, axis) | arr：输入数组 axis：新轴插入的位置 | 在指定位置插入新的轴(相对于结果数组而言)，从而扩展数组的维度 |
| squeeze(arr, axis) | arr：输入数的组 axis：取值为整数或整数元组，用于指定需要删除的维度所在轴，指定的维度值必须为 1 ，否则将会报错，若为 None，则删除数组维度中所有为 1 的项 | 删除数组中维度为 1 的项 |
python
def arr_dims():
arr = np.arange(1, 7).reshape(2, 3)
print(arr)
arr1 = np.expand_dims(arr, axis=2)
print(arr1)1.4 连接数组
| 函数名称 | 参数 | 说明 |
|---|---|---|
| hstack(tup) | tup：可以是元组，列表，或者numpy数组，返回结果为numpy的数组 | 按水平顺序堆叠序列中数组（列方向） |
| vstack(tup) | tup：可以是元组，列表，或者numpy数组，返回结果为numpy的数组 | 按垂直方向堆叠序列中数组（行方向） |
hstack函数要求堆叠的数组在垂直方向（行）上具有相同的形状。如果行数不一致，hstack() 将无法执行，并会抛出 ValueError 异常。
hstack() 要求堆叠的数组在垂直方向（行）上具有相同的形状。如果列数不一致，将无法执行堆叠操作。
vstack() 和 hstack() 要求堆叠的数组在某些维度上具有相同的形状。如果维度不一致，将无法执行堆叠操作。
python
def arr_stack():
arr11 = np.array([[1, 2, 3], [4, 5, 6]]) # 2*3
arr12 = np.array([[7, 9], [8, 10]]) # 2 * n
arr1 = np.hstack((arr11, arr12)) # 垂直方向上连接,行数要匹配
print(arr1)
arr21 = np.array([[1, 2, 3], [4, 5, 6]]) # 2 * 3
arr22 = np.array([[7, 9, 6], [8, 10, 6], [8, 10, 6]]) # n * 3
arr2 = np.vstack((arr21, arr22)) # 水平方向上连接，列数要匹配
print(arr2)1.5 分割数组
| 函数名称 | 参数 | 说明 |
|---|---|---|
| hsplit(ary, indices_or_sections) | ary：原数组 indices_or_sections：按列分割的索引位置 | 将一个数组水平分割为多个子数组（按列） |
| vsplit(ary, indices_or_sections) | ary：原数组 indices_or_sections：按列分割的索引位置 | 将一个数组垂直分割为多个子数组（按行） |
python
def arr_split():
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(arr)
result = np.hsplit(arr, [1]) # 垂直方向切割
print(result[0])
print(result[1])
result = np.vsplit(arr, [1]) # 水平切割
print(result[0])
print(result[1])2.数组元素的增删改查
2.1 resize
| 函数名称 | 参数 | 说明 |
|---|---|---|
| resize(a, new_shape) | a：操作的数组 new_shape：返回的数组的形状，如果元素数量不够，重复数组元素来填充新的形状 | 返回指定形状的新数组 |
python
def arr_resize():
arr = np.arange(6).reshape(2, 3)
print(arr)
print('resize 后数组：\n', np.resize(arr, (3, 4)))
# 输出：
# [[0 1 2 3]
# [4 5 0 1]
# [2 3 4 5]]2.2 append
| 函数名称 | 参数 | 说明 |
|---|---|---|
| append(arr, values, axis=None) | arr：输入的数组 values：向 arr 数组中添加的值，需要和 arr 数组的形状保持一致 axis：默认为 None，返回的是一维数组；当 axis =0 时，追加的值会被添加到行，而列数保持不变，若 axis=1 则与其恰好相反 | 在数组的末尾添加值，返回一个一维数组 |
python
# np.append(array, values, axis)
def arr_append1():
arr = np.arange(6).reshape(2, 3)
print(arr)
arr1 = np.append(arr, [[1, 2, 3], [1, 2, 4]], axis=0)
print(arr1)
def arr_append2():
arr = np.arange(6).reshape(2, 3)
print(arr)
arr1 = np.append(arr, [[1, 2, 3], [1, 2, 4]], axis=1)
print(arr1)2.3 insert
| 函数名称 | 参数 | 说明 |
|---|---|---|
| insert(arr, obj, values, axis) | arr：输入的数组 obj：表示索引值，在该索引值之前插入 values 值 values：要插入的值 axis：默认为 None，返回的是一维数组；当 axis =0 时，追加的值会被添加到行，而列数保持不变，若 axis=1 则与其恰好相反 | 沿规定的轴将元素值插入到指定的元素前 |
python
def arr_insert():
arr1 = np.arange(1, 7).reshape(2, 3)
arr2 = np.arange(7, 13).reshape(2, 3)
arr12 = np.insert(arr1, 2, [4, 5], axis=1)
arr21 = np.insert(arr2, 2, [4, 5, 9], axis=0)
print(arr12)
print(arr21)2.4 delete
| 函数名称 | 参数 | 说明 |
|---|---|---|
| delete(arr, obj, axis) | arr：输入的数组 obj：表示索引值，在该索引值之前插入 values 值 axis：默认为 None，返回的是一维数组；当 axis =0 时，删除指定的行，若 axis=1 则与其恰好相反 | 删掉某个轴上的子数组，并返回删除后的新数组 |
python
def arr_delete():
arr = np.arange(6).reshape(2, 3)
print(arr)
arr1 = np.delete(arr, [1, 2], axis=1)
print(arr1)2.5 argwhere
返回数组中非 0 元素的索引，若是多维数组则返回行、列索引组成的索引坐标
2.6 unique
| 函数名称 | 参数 | 说明 |
|---|---|---|
| unique(ar, return_index=False, return_inverse=False, return_counts=False, axis=None) | ar：输入的数组 return_index：如果为 True，则返回新数组元素在原数组中的位置（索引） return_inverse：如果为 True，则返回原数组元素在新数组中的位置（逆索引） return_counts：如果为 True，则返回去重后的数组元素在原数组中出现的次数 | 删掉某个轴上的子数组，并返回删除后的新数组 |
1：返回唯一元素的索引
2：返回唯一元素及其逆索引
3：返回唯一元素的计数
3.统计函数
3.1 amin() 和 amax()
-
计算数组沿指定轴的最小值与最大值，并以数组形式返回
-
对于二维数组来说，axis=1 表示沿着水平方向，axis=0 表示沿着垂直方向
-
按1轴求最小值，表示在最内层轴中（每列中）分别找最小值；按0轴求最小值表示在最外层轴中（所有行中按列）找最小值。求最大值类似
3.2 ptp()
-
计算数组元素中最值之差值，即最大值 - 最小值
-
对于二维数组来说，axis=1 表示沿着水平方向，axis=0 表示沿着垂直方向
3.3 median()
用于计算中位数，中位数是指将数组中的数据按从小到大的顺序排列后，位于中间位置的值。如果数组的长度是偶数，则中位数是中间两个数的平均值。
3.4 mean()
沿指定的轴，计算数组中元素的算术平均值（即元素之总和除以元素数量）
3.5 average()
加权平均值是将数组中各数值乘以相应的权数，然后再对权重值求总和，最后以权重的总和除以总的单位数（即因子个数）；根据在数组中给出的权重，计算数组元素的加权平均值。该函数可以接受一个轴参数 axis，如果未指定，则数组被展开为一维数组。
其中 xi是数组中的元素，wi是对应的权重。
如果所有元素的权重之和等于1，则表示为数学中的期望值。
3.6 var()
在 NumPy 中，计算方差时使用的是统计学中的方差公式，而不是概率论中的方差公式，主要是因为 NumPy 的设计目标是处理实际数据集，而不是概率分布。
np.var 函数默认计算的是总体方差（Population Variance），而不是样本方差（Sample Variance）。
总体方差：
对于一个总体数据集 X={x1,x2,...,xN}，总体方差的计算公式为：
其中：
-
N是总体数据点的总数。
-
μ是总体的均值
样本方差：
对于一个样本数据集 X={x1,x2,...,xn}，样本方差 的计算公式为：
其中：
-
n是样本数据点的总数。
-
xˉ是样本的均值。
在样本数据中，样本均值的估计会引入一定的偏差。通过使用 n−1n−1 作为分母，可以校正这种偏差，得到更准确的总体方差估计
3.7 std()
标准差是方差的算术平方根，用来描述一组数据平均值的分散程度。若一组数据的标准差较大，说明大部分的数值和其平均值之间差异较大；若标准差较小，则代表这组数值比较接近平均值
python
import numpy as np
def arr_min():
arr = np.array([[9, 2, 3], [2, 5, 8], [6, 7, 8]])
print(arr)
print(np.min(arr, axis=0)) # 按垂直方向取最小的
print(np.min(arr, axis=1)) # 按水平方向取最小的
def arr_ptp():
arr = np.array([[9, 2, 3], [2, 5, 8], [6, 7, 8]])
print(arr)
print(np.ptp(arr, axis=0)) # 按垂直方向取最大值和最小值的差
print(np.ptp(arr, axis=1)) # 按水平方向取最大值和最小值的差
def arr_median():
arr = np.array([[9, 2, 3, 6], [2, 5, 8, 9], [6, 7, 8, 9]])
print(arr)
print(np.median(arr, axis=0)) # 按垂直方向取中位数
print(np.median(arr, axis=1)) # 按水平方向取中位数
def arr_mean():
arr = np.array([[9, 2, 3], [2, 5, 8], [6, 7, 8]])
print(arr)
print(np.mean(arr, axis=0)) # 按垂直方向取算术平均值（即元素之总和除以元素数量）
print(np.mean(arr, axis=1)) # 按水平方向取算术平均值（即元素之总和除以元素数量）
def arr_average():
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5])
# 创建权重数组
weights01 = np.array([0.1, 0.2, 0.3, 0.2, 0.2])
# 使用 np.average 计算加权平均值
average_value = np.average(arr, weights=weights01)
print(average_value)
if __name__ == '__main__':
arr_min()
arr_ptp
arr_median()
arr_mean()
arr_average()