Numpy 数组操作

Numpy 中包含了一些函数用于处理数组，大概可分为以下几类：

修改数组形状
翻转数组
修改数组维度
连接数组
分割数组
数组元素的添加与删除

修改数组形状

函数	描述
`reshape`	不改变数据的条件下修改形状
`flat`	数组元素迭代器
`flatten`	返回一份数组拷贝，对拷贝所做的修改不会影响原始数组
`ravel`	返回展开数组

numpy.reshape

numpy.reshape 函数可以在不改变数据的条件下修改形状，格式如下：

numpy.reshape(arr, newshape, order='C')

arr ：要修改形状的数组
newshape ：整数或者整数数组，新的形状应当兼容原有形状
order：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'k' -- 元素在内存中的出现顺序。

示例代码

importnumpyasnpa=np.arange(8)print('原始数组：')print(a)print('\n')b=a.reshape(4,2)print('修改后的数组：')print(b)

输出结果如下：

原始数组：

[0 1 2 3 4 5 6 7]



修改后的数组：

[[0 1]

 [2 3]

 [4 5]

 [6 7]]

numpy.ndarray.flat

numpy.ndarray.flat 是一个数组元素迭代器，实例如下:

示例代码

importnumpyasnpa=np.arange(9).reshape(3,3)print('原始数组：')forrowina:print(row)#对数组中每个元素都进行处理，可以使用flat属性，该属性是一个数组元素迭代器：print('迭代后的数组：')forelementina.flat:print(element)

输出结果如下：

原始数组：

[0 1 2]

[3 4 5]

[6 7 8]

迭代后的数组：

0

1

2

3

4

5

6

7

8

numpy.ndarray.flatten

numpy.ndarray.flatten 返回一份数组拷贝，对拷贝所做的修改不会影响原始数组，格式如下：

ndarray.flatten(order='C')

参数说明：

order：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'K' -- 元素在内存中的出现顺序。

示例代码

importnumpyasnpa=np.arange(8).reshape(2,4)print('原数组：')print(a)print('\n')# 默认按行print('展开的数组：')print(a.flatten())print('\n')print('以 F 风格顺序展开的数组：')print(a.flatten(order='F'))

输出结果如下：

原数组：

[[0 1 2 3]

 [4 5 6 7]]





展开的数组：

[0 1 2 3 4 5 6 7]





以 F 风格顺序展开的数组：

[0 4 1 5 2 6 3 7]

numpy.ravel

numpy.ravel() 展平的数组元素，顺序通常是"C风格"，返回的是数组视图（view，有点类似 C/C++引用reference的意味），修改会影响原始数组。

该函数接收两个参数：

numpy.ravel(a, order='C')

参数说明：

order：'C' -- 按行，'F' -- 按列，'A' -- 原顺序，'K' -- 元素在内存中的出现顺序。

示例代码

importnumpyasnpa=np.arange(8).reshape(2,4)print('原数组：')print(a)print('\n')print('调用 ravel 函数之后：')print(a.ravel())print('\n')print('以 F 风格顺序调用 ravel 函数之后：')print(a.ravel(order='F'))

输出结果如下：

原数组：

[[0 1 2 3]

 [4 5 6 7]]





调用 ravel 函数之后：

[0 1 2 3 4 5 6 7]





以 F 风格顺序调用 ravel 函数之后：

[0 4 1 5 2 6 3 7]

翻转数组

函数	描述
`transpose`	对换数组的维度
`ndarray.T`	和 `self.transpose()` 相同
`rollaxis`	向后滚动指定的轴
`swapaxes`	对换数组的两个轴

numpy.transpose

numpy.transpose 函数用于对换数组的维度，格式如下：

numpy.transpose(arr, axes)

参数说明:

arr ：要操作的数组
axes ：整数列表，对应维度，通常所有维度都会对换。

示例代码

importnumpyasnpa=np.arange(12).reshape(3,4)print('原数组：')print(a)print('\n')print('对换数组：')print(np.transpose(a))

输出结果如下：


原数组：

[[ 0  1  2  3]

 [ 4  5  6  7]

 [ 8  9 10 11]]





对换数组：

[[ 0  4  8]

 [ 1  5  9]

 [ 2  6 10]

 [ 3  7 11]]

numpy.ndarray.T 类似 numpy.transpose：

示例代码

importnumpyasnpa=np.arange(12).reshape(3,4)print('原数组：')print(a)print('\n')print('转置数组：')print(a.T)

输出结果如下：

原数组：

[[ 0  1  2  3]

 [ 4  5  6  7]

 [ 8  9 10 11]]





转置数组：

[[ 0  4  8]

 [ 1  5  9]

 [ 2  6 10]

 [ 3  7 11]]

numpy.rollaxis

numpy.rollaxis 函数向后滚动特定的轴到一个特定位置，格式如下：

numpy.rollaxis(arr, axis, start)

参数说明：

arr ：数组
axis ：要向后滚动的轴，其它轴的相对位置不会改变
start ：默认为零，表示完整的滚动。会滚动到特定位置。

示例代码

importnumpyasnp# 创建了三维的 ndarraya=np.arange(8).reshape(2,2,2)print('原数组：')print(a)print('获取数组中一个值：')print(np.where(a==6))print(a[1,1,0])# 为 6print('\n')# 将轴 2 滚动到轴 0（宽度到深度）print('调用 rollaxis 函数：')b=np.rollaxis(a,2,0)print(b)# 查看元素 a[1,1,0]，即 6 的坐标，变成 [0, 1, 1]# 最后一个 0 移动到最前面print(np.where(b==6))print('\n')# 将轴 2 滚动到轴 1：（宽度到高度）print('调用 rollaxis 函数：')c=np.rollaxis(a,2,1)print(c)# 查看元素 a[1,1,0]，即 6 的坐标，变成 [1, 0, 1]# 最后的 0 和 它前面的 1 对换位置print(np.where(c==6))print('\n')

输出结果如下：


原数组：

[[[0 1]

  [2 3]]



 [[4 5]

  [6 7]]]

获取数组中一个值：

(array([1]), array([1]), array([0]))

6





调用 rollaxis 函数：

[[[0 2]

  [4 6]]



 [[1 3]

  [5 7]]]

(array([0]), array([1]), array([1]))





调用 rollaxis 函数：

[[[0 2]

  [1 3]]



 [[4 6]

  [5 7]]]

(array([1]), array([0]), array([1]))

numpy.swapaxes

numpy.swapaxes 函数用于交换数组的两个轴，格式如下：

numpy.swapaxes(arr, axis1, axis2)

arr ：输入的数组
axis1 ：对应第一个轴的整数
axis2 ：对应第二个轴的整数

示例代码

importnumpyasnp# 创建了三维的 ndarraya=np.arange(8).reshape(2,2,2)print('原数组：')print(a)print('\n')# 现在交换轴 0（深度方向）到轴 2（宽度方向）print('调用 swapaxes 函数后的数组：')print(np.swapaxes(a,2,0))

输出结果如下：

原数组：

[[[0 1]

  [2 3]]



 [[4 5]

  [6 7]]]





调用 swapaxes 函数后的数组：

[[[0 4]

  [2 6]]



 [[1 5]

  [3 7]]]

修改数组维度

维度	描述
`broadcast`	产生模仿广播的对象
`broadcast_to`	将数组广播到新形状
`expand_dims`	扩展数组的形状
`squeeze`	从数组的形状中删除一维条目

numpy.broadcast

numpy.broadcast 用于模仿广播的对象，它返回一个对象，该对象封装了将一个数组广播到另一个数组的结果。

该函数使用两个数组作为输入参数，如下实例：

示例代码

importnumpyasnpx=np.array([[1],[2],[3]])y=np.array([4,5,6])# 对 y 广播 xb=np.broadcast(x,y)# 它拥有 iterator 属性，基于自身组件的迭代器元组print('对 y 广播 x：')r,c=b.iters# Python3.x 为 next(context) ，Python2.x 为 context.next()print(next(r),next(c))print(next(r),next(c))print('\n')# shape 属性返回广播对象的形状print('广播对象的形状：')print(b.shape)print('\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+vfor(u,v)inb]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 4

1 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_to

numpy.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)

示例代码

importnumpyasnpa=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_dims

numpy.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

示例代码

importnumpyasnpx=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 3





x.shape 和 y.shape：

(2, 2) (2, 1, 2)

numpy.squeeze

numpy.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

示例代码

importnumpyasnpx=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.concatenate

numpy.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

示例代码

importnumpyasnpa=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.stack

numpy.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

示例代码

importnumpyasnpa=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.hstack

numpy.hstack 是 numpy.stack 函数的变体，它通过水平堆叠来生成数组。

示例代码

importnumpyasnpa=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.vstack

numpy.vstack 是 numpy.stack 函数的变体，它通过垂直堆叠来生成数组。

示例代码

importnumpyasnpa=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.split

numpy.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 ：如果是一个整数，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 ：设置沿着哪个方向进行切分，默认为 0，横向切分，即水平方向。为 1 时，纵向切分，即竖直方向。

示例代码

importnumpyasnpa=np.arange(9)print('第一个数组：')print(a)print('\n')print('将数组分为三个大小相等的子数组：')b=np.split(a,3)print(b)print('\n')print('将数组在一维数组中表明的位置分割：')b=np.split(a,[4,7])print(b)

输出结果为：

第一个数组：

[0 1 2 3 4 5 6 7 8]





将数组分为三个大小相等的子数组：

[array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])]





将数组在一维数组中表明的位置分割：

[array([0, 1, 2, 3]), array([4, 5, 6]), array([7, 8])]

axis 为 0 时在水平方向分割，axis 为 1 时在垂直方向分割：

示例代码

importnumpyasnpa=np.arange(16).reshape(4,4)print('第一个数组：')print(a)print('\n')print('默认分割（0轴）：')b=np.split(a,2)print(b)print('\n')print('沿水平方向分割：')c=np.split(a,2,1)print(c)print('\n')print('沿水平方向分割：')d=np.hsplit(a,2)print(d)

输出结果为：

第一个数组：

[[ 0  1  2  3]

 [ 4  5  6  7]

 [ 8  9 10 11]

 [12 13 14 15]]





默认分割（0轴）：

[array([[0, 1, 2, 3],

       [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],

       [12, 13, 14, 15]])]





沿水平方向分割：

[array([[ 0,  1],

       [ 4,  5],

       [ 8,  9],

       [12, 13]]), array([[ 2,  3],

       [ 6,  7],

       [10, 11],

       [14, 15]])]





沿水平方向分割：

[array([[ 0,  1],

       [ 4,  5],

       [ 8,  9],

       [12, 13]]), array([[ 2,  3],

       [ 6,  7],

       [10, 11],

       [14, 15]])]

numpy.hsplit

numpy.hsplit 函数用于水平分割数组，通过指定要返回的相同形状的数组数量来拆分原数组。

示例代码

importnumpyasnpharr=np.floor(10*np.random.random((2,6)))print('原array：')print(harr)print('拆分后：')print(np.hsplit(harr,3))

输出结果为：

原array：

[[4. 7. 6. 3. 2. 6.]

 [6. 3. 6. 7. 9. 7.]]

拆分后：

[array([[4., 7.],

       [6., 3.]]), array([[6., 3.],

       [6., 7.]]), array([[2., 6.],

       [9., 7.]])]

numpy.vsplit

numpy.vsplit 沿着垂直轴分割，其分割方式与hsplit用法相同。

示例代码

importnumpyasnpa=np.arange(16).reshape(4,4)print('第一个数组：')print(a)print('\n')print('竖直分割：')b=np.vsplit(a,2)print(b)

输出结果为：

第一个数组：

[[ 0  1  2  3]

 [ 4  5  6  7]

 [ 8  9 10 11]

 [12 13 14 15]]





竖直分割：

[array([[0, 1, 2, 3],

       [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],

       [12, 13, 14, 15]])]

数组元素的添加与删除

函数	元素及描述
`resize`	返回指定形状的新数组
`append`	将值添加到数组末尾
`insert`	沿指定轴将值插入到指定下标之前
`delete`	删掉某个轴的子数组，并返回删除后的新数组
`unique`	查找数组内的唯一元素

numpy.resize

numpy.resize 函数返回指定大小的新数组。

如果新数组大小大于原始大小，则包含原始数组中的元素的副本。

numpy.resize(arr, shape)

参数说明：

arr ：要修改大小的数组
shape ：返回数组的新形状

示例代码

importnumpyasnpa=np.array([[1,2,3],[4,5,6]])print('第一个数组：')print(a)print('\n')print('第一个数组的形状：')print(a.shape)print('\n')b=np.resize(a,(3,2))print('第二个数组：')print(b)print('\n')print('第二个数组的形状：')print(b.shape)print('\n')# 要注意 a 的第一行在 b 中重复出现，因为尺寸变大了print('修改第二个数组的大小：')b=np.resize(a,(3,3))print(b)

输出结果为：

第一个数组：

[[1 2 3]

 [4 5 6]]





第一个数组的形状：

(2, 3)





第二个数组：

[[1 2]

 [3 4]

 [5 6]]





第二个数组的形状：

(3, 2)





修改第二个数组的大小：

[[1 2 3]

 [4 5 6]

 [1 2 3]]

numpy.append

numpy.append 函数在数组的末尾添加值。追加操作会分配整个数组，并把原来的数组复制到新数组中。此外，输入数组的维度必须匹配否则将生成ValueError。

append 函数返回的始终是一个一维数组。

numpy.append(arr, values, axis=None)

参数说明：

arr ：输入数组
values ：要向 arr 添加的值，需要和 arr 形状相同（除了要添加的轴）
axis ：默认为 None。当axis无定义时，是横向加成，返回总是为一维数组！当axis有定义的时候，分别为0和1的时候。当axis有定义的时候，分别为0和1的时候（列数要相同）。当axis为1时，数组是加在右边（行数要相同）。

示例代码

importnumpyasnpa=np.array([[1,2,3],[4,5,6]])print('第一个数组：')print(a)print('\n')print('向数组添加元素：')print(np.append(a,[7,8,9]))print('\n')print('沿轴 0 添加元素：')print(np.append(a,[[7,8,9]],axis=0))print('\n')print('沿轴 1 添加元素：')print(np.append(a,[[5,5,5],[7,8,9]],axis=1))

输出结果为：

第一个数组：

[[1 2 3]

 [4 5 6]]





向数组添加元素：

[1 2 3 4 5 6 7 8 9]





沿轴 0 添加元素：

[[1 2 3]

 [4 5 6]

 [7 8 9]]





沿轴 1 添加元素：

[[1 2 3 5 5 5]

 [4 5 6 7 8 9]]

numpy.insert

numpy.insert 函数在给定索引之前，沿给定轴在输入数组中插入值。

函数会在指定位置（或位置数组）插入给定的值或数组，然后返回新的数组。被插入的元素可以是标量值，也可以是数组。需要注意的是，插入操作会返回一个新的数组，而不会改变原始数组。

numpy.insert(arr, obj, values, axis)

参数说明：

arr ：输入数组
obj ：在其之前插入值的索引
values ：要插入的值
axis ：沿着它插入的轴，如果未提供，则输入数组会被展开

示例代码

importnumpyasnpa=np.array([[1,2],[3,4],[5,6]])print('第一个数组：')print(a)print('\n')print('未传递 Axis 参数。 在删除之前输入数组会被展开。')print(np.insert(a,3,[11,12]))print('\n')print('传递了 Axis 参数。 会广播值数组来配输入数组。')print('沿轴 0 广播：')print(np.insert(a,1,[11],axis=0))print('\n')print('沿轴 1 广播：')print(np.insert(a,1,11,axis=1))

输出结果如下：

第一个数组：

[[1 2]

 [3 4]

 [5 6]]





未传递 Axis 参数。 在删除之前输入数组会被展开。

[ 1  2  3 11 12  4  5  6]





传递了 Axis 参数。 会广播值数组来配输入数组。

沿轴 0 广播：

[[ 1  2]

 [11 11]

 [ 3  4]

 [ 5  6]]





沿轴 1 广播：

[[ 1 11  2]

 [ 3 11  4]

 [ 5 11  6]]

numpy.delete

numpy.delete 函数返回从输入数组中删除指定子数组的新数组。与 insert() 函数的情况一样，如果未提供轴参数，则输入数组将展开。

Numpy.delete(arr, obj, axis)

参数说明：

arr ：输入数组
obj ：可以被切片，整数或者整数数组，表明要从输入数组删除的子数组
axis ：沿着它删除给定子数组的轴，如果未提供，则输入数组会被展开

示例代码

importnumpyasnpa=np.arange(12).reshape(3,4)print('第一个数组：')print(a)print('\n')print('未传递 Axis 参数。 在插入之前输入数组会被展开。')print(np.delete(a,5))print('\n')print('删除第二列：')print(np.delete(a,1,axis=1))print('\n')print('包含从数组中删除的替代值的切片：')a=np.array([1,2,3,4,5,6,7,8,9,10])print(np.delete(a,np.s_[::2]))

输出结果为：

第一个数组：

[[ 0  1  2  3]

 [ 4  5  6  7]

 [ 8  9 10 11]]





未传递 Axis 参数。 在插入之前输入数组会被展开。

[ 0  1  2  3  4  6  7  8  9 10 11]





删除第二列：

[[ 0  2  3]

 [ 4  6  7]

 [ 8 10 11]]





包含从数组中删除的替代值的切片：

[ 2  4  6  8 10]

numpy.unique

numpy.unique 函数用于去除数组中的重复元素。

numpy.unique(arr, return_index, return_inverse, return_counts)

arr ：输入数组，如果不是一维数组则会展开
return_index ：如果为 true ，返回新列表元素在旧列表中的位置（下标），并以列表形式储
return_inverse ：如果为 true ，返回旧列表元素在新列表中的位置（下标），并以列表形式储
return_counts ：如果为 true ，返回去重数组中的元素在原数组中的出现次数

示例代码

importnumpyasnpa=np.array([5,2,6,2,7,5,6,8,2,9])print('第一个数组：')print(a)print('\n')print('第一个数组的去重值：')u=np.unique(a)print(u)print('\n')print('去重数组的索引数组：')u,indices=np.unique(a,return_index=True)print(indices)print('\n')print('我们可以看到每个和原数组下标对应的数值：')print(a)print('\n')print('去重数组的下标：')u,indices=np.unique(a,return_inverse=True)print(u)print('\n')print('下标为：')print(indices)print('\n')print('使用下标重构原数组：')print(u[indices])print('\n')print('返回去重元素的重复数量：')u,indices=np.unique(a,return_counts=True)print(u)print(indices)

输出结果为：

第一个数组：

[5 2 6 2 7 5 6 8 2 9]





第一个数组的去重值：

[2 5 6 7 8 9]





去重数组的索引数组：

[1 0 2 4 7 9]





我们可以看到每个和原数组下标对应的数值：

[5 2 6 2 7 5 6 8 2 9]





去重数组的下标：

[2 5 6 7 8 9]





下标为：

[1 0 2 0 3 1 2 4 0 5]





使用下标重构原数组：

[5 2 6 2 7 5 6 8 2 9]





返回去重元素的重复数量：

[2 5 6 7 8 9]

[3 2 2 1 1 1]

Numpy 数组操作 - NUMPY教程

Numpy 数组操作

修改数组形状

numpy.reshape

numpy.ndarray.flat

numpy.ndarray.flatten

numpy.ravel

翻转数组

numpy.transpose

numpy.rollaxis

numpy.swapaxes

修改数组维度

numpy.broadcast

numpy.broadcast_to

numpy.expand_dims

numpy.squeeze

连接数组

numpy.concatenate

numpy.stack

numpy.hstack

numpy.vstack

分割数组

numpy.split

numpy.hsplit

numpy.vsplit

数组元素的添加与删除

numpy.resize

numpy.append

numpy.insert

numpy.delete

numpy.unique