欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

NumPy简明教程(二、数组3)

程序员文章站 2024-01-04 21:32:04
...

前两篇文章对NumPy数组做了基本的介绍,本篇文章对NumPy数组进行较深入的探讨。首先介绍自定义类型的数组,接着数组的组合,最后介绍数组复制方面的问题。

自定义结构数组

通过NumPy也可以定义像C语言那样的结构类型。在NumPy中定义结构的方法如下:

定义结构类型名称;定义字段名称,标明字段数据类型。

  1. student= dtype({‘names’:[‘name’‘age’‘weight’], ‘formats’:[‘S32’‘i’,‘f’]}, align = True)  
student= dtype({'names':['name', 'age', 'weight'], 'formats':['S32', 'i','f']}, align = True)

这里student是自定义结构类型的名称,使用dtype函数创建,在第一个参数中,’names’’formats’不能改变,names中列出的是结构中字段名称,formats中列出的是对应字段的数据类型。S32表示32字节长度的字符串,i表示32位的整数,f表示32位长度的浮点数。最后一个参数为True时,表示要求进行内存对齐。

字段中使用NumPy的字符编码来表示数据类型。更详细的数据类型见下表。

数据类型 字符编码
整数 i
无符号整数 u
单精度浮点数 f
双精度浮点数 d
布尔值 b
复数 D
字符串 S
Unicode U
Void V
在定义好结构类型之后,就可以定义以该类型为元素的数组了

  1. a= array([(“Zhang”, 3265.5), (“Wang”, 2455.2)], dtype =student)  
a= array([(“Zhang”, 32, 65.5), (“Wang”, 24, 55.2)], dtype =student)

除了在每个元素中依次列出对应字段的数据外,还需要在array函数中最后一个参数指定其所对应的数据类型。

注:例子来源于张若愚的Python科学计算艺术的29页。更多关于dtype的内容请参考《NumPy for Beginner》一书的第二章。

组合函数

这里介绍以不同的方式组合函数。首先创建两个数组:

  1. >>> a = arange(9).reshape(3,3)  
  2. >>> a  
  3. array([[012],  
  4.            [345],  
  5.            [678]])  
  6. >>> b = 2 * a  
  7. >>> b  
  8. array([[ 024],  
  9.        [ 6810],  
  10.        [121416]])  
>>> a = arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
           [3, 4, 5],
           [6, 7, 8]])
>>> b = 2 * a
>>> b
array([[ 0, 2, 4],
       [ 6, 8, 10],
       [12, 14, 16]])

水平组合

  1. >>> hstack((a, b))  
  2. array([[ 012024],  
  3.        [ 3456810],  
  4.        [ 678121416]])  
>>> hstack((a, b))
array([[ 0, 1, 2, 0, 2, 4],
       [ 3, 4, 5, 6, 8, 10],
       [ 6, 7, 8, 12, 14, 16]])
也可通过concatenate函数并指定相应的轴来获得这一效果:
  1. >>> concatenate((a, b), axis=1)  
  2. array([[ 012024],  
  3.        [ 3456810],  
  4.        [ 678121416]])  
>>> concatenate((a, b), axis=1)
array([[ 0, 1, 2, 0, 2, 4],
       [ 3, 4, 5, 6, 8, 10],
       [ 6, 7, 8, 12, 14, 16]])

垂直组合

  1. >>> vstack((a, b))  
  2. array([[ 012],  
  3.        [ 345],  
  4.        [ 678],   
  5.        [ 024],  
  6.        [ 6810],  
  7.        [121416]])  
>>> vstack((a, b))
array([[ 0, 1, 2],
       [ 3, 4, 5],
       [ 6, 7, 8], 
       [ 0, 2, 4],
       [ 6, 8, 10],
       [12, 14, 16]])
同样,可通过concatenate函数,并指定相应的轴来获得这一效果。
  1. >>> concatenate((a, b), axis=0)  
  2. array([[ 012],  
  3.        [ 345],  
  4.        [ 678],  
  5.        [ 024],  
  6.        [ 6810],  
  7.        [121416]])  
>>> concatenate((a, b), axis=0)
array([[ 0, 1, 2],
       [ 3, 4, 5],
       [ 6, 7, 8],
       [ 0, 2, 4],
       [ 6, 8, 10],
       [12, 14, 16]])

深度组合

另外,还有深度方面的组合函数dstack。顾名思义,就是在数组的第三个轴(即深度)上组合。如下:

  1. >>> dstack((a, b))  
  2. array([[[ 00],  
  3.         [ 12],  
  4.         [ 24]],  
  5.   
  6.        [[ 36],  
  7.         [ 48],  
  8.         [ 510]],  
  9.   
  10.        [[ 612],  
  11.         [ 714],  
  12.         [ 816]]])  
>>> dstack((a, b))
array([[[ 0, 0],
        [ 1, 2],
        [ 2, 4]],

       [[ 3, 6],
        [ 4, 8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16]]])
仔细观察,发现对应的元素都组合成一个新的列表,该列表作为新的数组的元素。

行组合

行组合可将多个一维数组作为新数组的每一行进行组合:

  1. >>> one = arange(2)  
  2. >>> one  
  3. array([01])  
  4. >>> two = one + 2  
  5. >>> two  
  6. array([23])  
  7. >>> row_stack((one, two))  
  8. array([[01],  
  9.        [23]])  
>>> one = arange(2)
>>> one
array([0, 1])
>>> two = one + 2
>>> two
array([2, 3])
>>> row_stack((one, two))
array([[0, 1],
       [2, 3]])

对于2维数组,其作用就像垂直组合一样。

列组合

列组合的效果应该很清楚了。如下:

  1. >>> column_stack((oned, twiceoned))  
  2. array([[02],  
  3.        [13]])  
>>> column_stack((oned, twiceoned))
array([[0, 2],
       [1, 3]])
对于2维数组,其作用就像水平组合一样。

分割数组

在NumPy中,分割数组的函数有hsplit、vsplit、dsplit和split。可将数组分割成相同大小的子数组,或指定原数组分割的位置。

水平分割

  1. >>> a = arange(9).reshape(3,3)  
  2. >>> a  
  3. array([[012],  
  4.        [345],  
  5.        [678]])  
  6. >>> hsplit(a, 3)  
  7. [array([[0],  
  8.        [3],  
  9.        [6]]),  
  10.  array([[1],  
  11.        [4],  
  12.        [7]]),  
  13.  array([[2],  
  14.        [5],  
  15.        [8]])]  
>>> a = arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> hsplit(a, 3)
[array([[0],
       [3],
       [6]]),
 array([[1],
       [4],
       [7]]),
 array([[2],
       [5],
       [8]])]
也调用split函数并指定轴为1来获得这样的效果:
  1. split(a, 3, axis=1)  
split(a, 3, axis=1)

垂直分割

垂直分割是沿着垂直的轴切分数组:

  1. >>> vsplit(a, 3)  
  2. >>> [array([[012]]), array([[345]]), array([[678]])]  
>>> vsplit(a, 3)
>>> [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
同样,也可通过solit函数并指定轴为1来获得这样的效果:
  1. >>> split(a, 3, axis=0)  
>>> split(a, 3, axis=0)

面向深度的分割

dsplit函数使用的是面向深度的分割方式:

  1. >>> c = arange(27).reshape(333)  
  2. >>> c  
  3. array([[[ 0,  1,  2],  
  4.         [ 3,  4,  5],  
  5.         [ 6,  7,  8]],  
  6.   
  7.        [[ 91011],  
  8.         [121314],  
  9.         [151617]],  
  10.   
  11.        [[181920],  
  12.         [212223],  
  13.         [242526]]])  
  14. >>> dsplit(c, 3)  
  15. [array([[[ 0],  
  16.         [ 3],  
  17.         [ 6]],  
  18.   
  19.        [[ 9],  
  20.         [12],  
  21.         [15]],  
  22.   
  23.        [[18],  
  24.         [21],  
  25.         [24]]]),  
  26.  array([[[ 1],  
  27.         [ 4],  
  28.         [ 7]],  
  29.   
  30.        [[10],  
  31.         [13],  
  32.         [16]],  
  33.   
  34.        [[19],  
  35.         [22],  
  36.         [25]]]),  
  37.  array([[[ 2],  
  38.         [ 5],  
  39.         [ 8]],  
  40.   
  41.        [[11],  
  42.         [14],  
  43.         [17]],  
  44.   
  45.        [[20],  
  46.         [23],  
  47.         [26]]])]  
>>> c = arange(27).reshape(3, 3, 3)
>>> c
array([[[ 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]]])
>>> dsplit(c, 3)
[array([[[ 0],
        [ 3],
        [ 6]],

       [[ 9],
        [12],
        [15]],

       [[18],
        [21],
        [24]]]),
 array([[[ 1],
        [ 4],
        [ 7]],

       [[10],
        [13],
        [16]],

       [[19],
        [22],
        [25]]]),
 array([[[ 2],
        [ 5],
        [ 8]],

       [[11],
        [14],
        [17]],

       [[20],
        [23],
        [26]]])]

复制和镜像(View

   当运算和处理数组时,它们的数据有时被拷贝到新的数组有时不是。这通常是新手的困惑之源。这有三种情况:

完全不复制

   简单的赋值,而不复制数组对象或它们的数据。

  1. >>> a = arange(12)  
  2. >>> b = a      #不创建新对象  
  3. >>> b is a           # a和b是同一个数组对象的两个名字  
  4. True  
  5. >>> b.shape = 3,4    #也改变了a的形状  
  6. >>> a.shape  
  7. (34)  
>>> a = arange(12)
>>> b = a      #不创建新对象
>>> b is a           # a和b是同一个数组对象的两个名字
True
>>> b.shape = 3,4    #也改变了a的形状
>>> a.shape
(3, 4)

    Python 传递不定对象作为参考4,所以函数调用不拷贝数组。

  1. >>> def f(x):  
  2. …     print id(x)  
  3. …  
  4. >>> id(a)       #id是一个对象的唯一标识  
  5. 148293216  
  6. >>> f(a)  
  7. 148293216  
>>> def f(x):
...     print id(x)
...
>>> id(a)       #id是一个对象的唯一标识
148293216
>>> f(a)
148293216

视图(view)和浅复制

   不同的数组对象分享同一个数据。视图方法创造一个新的数组对象指向同一数据。

  1. >>> c = a.view()  
  2. >>> c is a  
  3. False  
  4. >>> c.base is a      #c是a持有数据的镜像  
  5. True  
  6. >>> c.flags.owndata  
  7. False  
  8. >>>  
  9. >>> c.shape = 2,6    # a的形状没变  
  10. >>> a.shape  
  11. (34)  
  12. >>> c[0,4] = 1234        #a的数据改变了  
  13. >>> a  
  14. array([[   0,    1,    2,    3],  
  15.        [1234,    5,    6,    7],  
  16.        [   8,    9,   10,   11]])  
>>> c = a.view()
>>> c is a
False
>>> c.base is a      #c是a持有数据的镜像
True
>>> c.flags.owndata
False
>>>
>>> c.shape = 2,6    # a的形状没变
>>> a.shape
(3, 4)
>>> c[0,4] = 1234        #a的数据改变了
>>> a
array([[   0,    1,    2,    3],
       [1234,    5,    6,    7],
       [   8,    9,   10,   11]])
切片数组返回它的一个视图:
  1. >>> s = a[ : , 1:3]     # 获得每一行1,2处的元素  
  2. >>> s[:] = 10           # s[:] 是s的镜像。注意区别s=10 and s[:]=10  
  3. >>> a  
  4. array([[   0,   10,   10,    3],  
  5.        [1234,   10,   10,    7],  
  6.        [   8,   10,   10,   11]])  
>>> s = a[ : , 1:3]     # 获得每一行1,2处的元素
>>> s[:] = 10           # s[:] 是s的镜像。注意区别s=10 and s[:]=10
>>> a
array([[   0,   10,   10,    3],
       [1234,   10,   10,    7],
       [   8,   10,   10,   11]])

深复制

   这个复制方法完全复制数组和它的数据。

  1. >>> d = a.copy()       #创建了一个含有新数据的新数组对象  
  2. >>> d is a  
  3. False  
  4. >>> d.base is a        #d和a现在没有任何关系  
  5. False  
  6. >>> d[0,0] = 9999  
  7. >>> a  
  8. array([[   0,   10,   10,    3],  
  9.        [1234,   10,   10,    7],  
  10.        [   8,   10,   10,   11]])  
>>> d = a.copy()       #创建了一个含有新数据的新数组对象
>>> d is a
False
>>> d.base is a        #d和a现在没有任何关系
False
>>> d[0,0] = 9999
>>> a
array([[   0,   10,   10,    3],
       [1234,   10,   10,    7],
       [   8,   10,   10,   11]])

参考文献:

《Python科学计算》
《Tentative NumPy Tutorial》
《NumPy for Beginner》


前两篇文章对NumPy数组做了基本的介绍,本篇文章对NumPy数组进行较深入的探讨。首先介绍自定义类型的数组,接着数组的组合,最后介绍数组复制方面的问题。

自定义结构数组

通过NumPy也可以定义像C语言那样的结构类型。在NumPy中定义结构的方法如下:

定义结构类型名称;定义字段名称,标明字段数据类型。

  1. student= dtype({‘names’:[‘name’‘age’‘weight’], ‘formats’:[‘S32’‘i’,‘f’]}, align = True)  
student= dtype({'names':['name', 'age', 'weight'], 'formats':['S32', 'i','f']}, align = True)

这里student是自定义结构类型的名称,使用dtype函数创建,在第一个参数中,’names’’formats’不能改变,names中列出的是结构中字段名称,formats中列出的是对应字段的数据类型。S32表示32字节长度的字符串,i表示32位的整数,f表示32位长度的浮点数。最后一个参数为True时,表示要求进行内存对齐。

字段中使用NumPy的字符编码来表示数据类型。更详细的数据类型见下表。

数据类型 字符编码
整数 i
无符号整数 u
单精度浮点数 f
双精度浮点数 d
布尔值 b
复数 D
字符串 S
Unicode U
Void V
在定义好结构类型之后,就可以定义以该类型为元素的数组了

  1. a= array([(“Zhang”, 3265.5), (“Wang”, 2455.2)], dtype =student)  
a= array([(“Zhang”, 32, 65.5), (“Wang”, 24, 55.2)], dtype =student)

除了在每个元素中依次列出对应字段的数据外,还需要在array函数中最后一个参数指定其所对应的数据类型。

注:例子来源于张若愚的Python科学计算艺术的29页。更多关于dtype的内容请参考《NumPy for Beginner》一书的第二章。

组合函数

这里介绍以不同的方式组合函数。首先创建两个数组:

  1. >>> a = arange(9).reshape(3,3)  
  2. >>> a  
  3. array([[012],  
  4.            [345],  
  5.            [678]])  
  6. >>> b = 2 * a  
  7. >>> b  
  8. array([[ 024],  
  9.        [ 6810],  
  10.        [121416]])  
>>> a = arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
           [3, 4, 5],
           [6, 7, 8]])
>>> b = 2 * a
>>> b
array([[ 0, 2, 4],
       [ 6, 8, 10],
       [12, 14, 16]])

水平组合

  1. >>> hstack((a, b))  
  2. array([[ 012024],  
  3.        [ 3456810],  
  4.        [ 678121416]])  
>>> hstack((a, b))
array([[ 0, 1, 2, 0, 2, 4],
       [ 3, 4, 5, 6, 8, 10],
       [ 6, 7, 8, 12, 14, 16]])
也可通过concatenate函数并指定相应的轴来获得这一效果:
  1. >>> concatenate((a, b), axis=1)  
  2. array([[ 012024],  
  3.        [ 3456810],  
  4.        [ 678121416]])  
>>> concatenate((a, b), axis=1)
array([[ 0, 1, 2, 0, 2, 4],
       [ 3, 4, 5, 6, 8, 10],
       [ 6, 7, 8, 12, 14, 16]])

垂直组合

  1. >>> vstack((a, b))  
  2. array([[ 012],  
  3.        [ 345],  
  4.        [ 678],   
  5.        [ 024],  
  6.        [ 6810],  
  7.        [121416]])  
>>> vstack((a, b))
array([[ 0, 1, 2],
       [ 3, 4, 5],
       [ 6, 7, 8], 
       [ 0, 2, 4],
       [ 6, 8, 10],
       [12, 14, 16]])
同样,可通过concatenate函数,并指定相应的轴来获得这一效果。
  1. >>> concatenate((a, b), axis=0)  
  2. array([[ 012],  
  3.        [ 345],  
  4.        [ 678],  
  5.        [ 024],  
  6.        [ 6810],  
  7.        [121416]])  
>>> concatenate((a, b), axis=0)
array([[ 0, 1, 2],
       [ 3, 4, 5],
       [ 6, 7, 8],
       [ 0, 2, 4],
       [ 6, 8, 10],
       [12, 14, 16]])

深度组合

另外,还有深度方面的组合函数dstack。顾名思义,就是在数组的第三个轴(即深度)上组合。如下:

  1. >>> dstack((a, b))  
  2. array([[[ 00],  
  3.         [ 12],  
  4.         [ 24]],  
  5.   
  6.        [[ 36],  
  7.         [ 48],  
  8.         [ 510]],  
  9.   
  10.        [[ 612],  
  11.         [ 714],  
  12.         [ 816]]])  
>>> dstack((a, b))
array([[[ 0, 0],
        [ 1, 2],
        [ 2, 4]],

       [[ 3, 6],
        [ 4, 8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16]]])
仔细观察,发现对应的元素都组合成一个新的列表,该列表作为新的数组的元素。

行组合

行组合可将多个一维数组作为新数组的每一行进行组合:

  1. >>> one = arange(2)  
  2. >>> one  
  3. array([01])  
  4. >>> two = one + 2  
  5. >>> two  
  6. array([23])  
  7. >>> row_stack((one, two))  
  8. array([[01],  
  9.        [23]])  
>>> one = arange(2)
>>> one
array([0, 1])
>>> two = one + 2
>>> two
array([2, 3])
>>> row_stack((one, two))
array([[0, 1],
       [2, 3]])

对于2维数组,其作用就像垂直组合一样。

列组合

列组合的效果应该很清楚了。如下:

  1. >>> column_stack((oned, twiceoned))  
  2. array([[02],  
  3.        [13]])  
>>> column_stack((oned, twiceoned))
array([[0, 2],
       [1, 3]])
对于2维数组,其作用就像水平组合一样。

分割数组

在NumPy中,分割数组的函数有hsplit、vsplit、dsplit和split。可将数组分割成相同大小的子数组,或指定原数组分割的位置。

水平分割

  1. >>> a = arange(9).reshape(3,3)  
  2. >>> a  
  3. array([[012],  
  4.        [345],  
  5.        [678]])  
  6. >>> hsplit(a, 3)  
  7. [array([[0],  
  8.        [3],  
  9.        [6]]),  
  10.  array([[1],  
  11.        [4],  
  12.        [7]]),  
  13.  array([[2],  
  14.        [5],  
  15.        [8]])]  
>>> a = arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> hsplit(a, 3)
[array([[0],
       [3],
       [6]]),
 array([[1],
       [4],
       [7]]),
 array([[2],
       [5],
       [8]])]
也调用split函数并指定轴为1来获得这样的效果:
  1. split(a, 3, axis=1)  
split(a, 3, axis=1)

垂直分割

垂直分割是沿着垂直的轴切分数组:

  1. >>> vsplit(a, 3)  
  2. >>> [array([[012]]), array([[345]]), array([[678]])]  
>>> vsplit(a, 3)
>>> [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
同样,也可通过solit函数并指定轴为1来获得这样的效果:
  1. >>> split(a, 3, axis=0)  
>>> split(a, 3, axis=0)

面向深度的分割

dsplit函数使用的是面向深度的分割方式:

  1. >>> c = arange(27).reshape(333)  
  2. >>> c  
  3. array([[[ 0,  1,  2],  
  4.         [ 3,  4,  5],  
  5.         [ 6,  7,  8]],  
  6.   
  7.        [[ 91011],  
  8.         [121314],  
  9.         [151617]],  
  10.   
  11.        [[181920],  
  12.         [212223],  
  13.         [242526]]])  
  14. >>> dsplit(c, 3)  
  15. [array([[[ 0],  
  16.         [ 3],  
  17.         [ 6]],  
  18.   
  19.        [[ 9],  
  20.         [12],  
  21.         [15]],  
  22.   
  23.        [[18],  
  24.         [21],  
  25.         [24]]]),  
  26.  array([[[ 1],  
  27.         [ 4],  
  28.         [ 7]],  
  29.   
  30.        [[10],  
  31.         [13],  
  32.         [16]],  
  33.   
  34.        [[19],  
  35.         [22],  
  36.         [25]]]),  
  37.  array([[[ 2],  
  38.         [ 5],  
  39.         [ 8]],  
  40.   
  41.        [[11],  
  42.         [14],  
  43.         [17]],  
  44.   
  45.        [[20],  
  46.         [23],  
  47.         [26]]])]  
>>> c = arange(27).reshape(3, 3, 3)
>>> c
array([[[ 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]]])
>>> dsplit(c, 3)
[array([[[ 0],
        [ 3],
        [ 6]],

       [[ 9],
        [12],
        [15]],

       [[18],
        [21],
        [24]]]),
 array([[[ 1],
        [ 4],
        [ 7]],

       [[10],
        [13],
        [16]],

       [[19],
        [22],
        [25]]]),
 array([[[ 2],
        [ 5],
        [ 8]],

       [[11],
        [14],
        [17]],

       [[20],
        [23],
        [26]]])]

复制和镜像(View

   当运算和处理数组时,它们的数据有时被拷贝到新的数组有时不是。这通常是新手的困惑之源。这有三种情况:

完全不复制

   简单的赋值,而不复制数组对象或它们的数据。

  1. >>> a = arange(12)  
  2. >>> b = a      #不创建新对象  
  3. >>> b is a           # a和b是同一个数组对象的两个名字  
  4. True  
  5. >>> b.shape = 3,4    #也改变了a的形状  
  6. >>> a.shape  
  7. (34)  
>>> a = arange(12)
>>> b = a      #不创建新对象
>>> b is a           # a和b是同一个数组对象的两个名字
True
>>> b.shape = 3,4    #也改变了a的形状
>>> a.shape
(3, 4)

    Python 传递不定对象作为参考4,所以函数调用不拷贝数组。

  1. >>> def f(x):  
  2. …     print id(x)  
  3. …  
  4. >>> id(a)       #id是一个对象的唯一标识  
  5. 148293216  
  6. >>> f(a)  
  7. 148293216  
>>> def f(x):
...     print id(x)
...
>>> id(a)       #id是一个对象的唯一标识
148293216
>>> f(a)
148293216

视图(view)和浅复制

   不同的数组对象分享同一个数据。视图方法创造一个新的数组对象指向同一数据。

  1. >>> c = a.view()  
  2. >>> c is a  
  3. False  
  4. >>> c.base is a      #c是a持有数据的镜像  
  5. True  
  6. >>> c.flags.owndata  
  7. False  
  8. >>>  
  9. >>> c.shape = 2,6    # a的形状没变  
  10. >>> a.shape  
  11. (34)  
  12. >>> c[0,4] = 1234        #a的数据改变了  
  13. >>> a  
  14. array([[   0,    1,    2,    3],  
  15.        [1234,    5,    6,    7],  
  16.        [   8,    9,   10,   11]])  
>>> c = a.view()
>>> c is a
False
>>> c.base is a      #c是a持有数据的镜像
True
>>> c.flags.owndata
False
>>>
>>> c.shape = 2,6    # a的形状没变
>>> a.shape
(3, 4)
>>> c[0,4] = 1234        #a的数据改变了
>>> a
array([[   0,    1,    2,    3],
       [1234,    5,    6,    7],
       [   8,    9,   10,   11]])
切片数组返回它的一个视图:
  1. >>> s = a[ : , 1:3]     # 获得每一行1,2处的元素  
  2. >>> s[:] = 10           # s[:] 是s的镜像。注意区别s=10 and s[:]=10  
  3. >>> a  
  4. array([[   0,   10,   10,    3],  
  5.        [1234,   10,   10,    7],  
  6.        [   8,   10,   10,   11]])  
>>> s = a[ : , 1:3]     # 获得每一行1,2处的元素
>>> s[:] = 10           # s[:] 是s的镜像。注意区别s=10 and s[:]=10
>>> a
array([[   0,   10,   10,    3],
       [1234,   10,   10,    7],
       [   8,   10,   10,   11]])

深复制

   这个复制方法完全复制数组和它的数据。

  1. >>> d = a.copy()       #创建了一个含有新数据的新数组对象  
  2. >>> d is a  
  3. False  
  4. >>> d.base is a        #d和a现在没有任何关系  
  5. False  
  6. >>> d[0,0] = 9999  
  7. >>> a  
  8. array([[   0,   10,   10,    3],  
  9.        [1234,   10,   10,    7],  
  10.        [   8,   10,   10,   11]])  
>>> d = a.copy()       #创建了一个含有新数据的新数组对象
>>> d is a
False
>>> d.base is a        #d和a现在没有任何关系
False
>>> d[0,0] = 9999
>>> a
array([[   0,   10,   10,    3],
       [1234,   10,   10,    7],
       [   8,   10,   10,   11]])

参考文献:

《Python科学计算》
《Tentative NumPy Tutorial》
《NumPy for Beginner》


上一篇:

下一篇: