numpy修炼手册

1.新增一个维度 np.newaxis 和 None

a=np.array([1,2,3]) #array([1, 2, 3])
a[:, np.newaxis]  #array([[1],[2],[3]])
a[:, None]  #array([[1],[2],[3]])

2. np设置print属性

这个功能还是比较赞的，可以设置整个python文件内numpy类型数据打印格式，使用起来不要太方便哦~
如：

np.set_printoptions(edgeitems=3, infstr='inf',
linewidth=75, nanstr='nan', precision=8,
suppress=False, threshold=1000, formatter=None)

其中：

• edgeitems: 数组开始/结束位置元素数目，Number of array items in summary at beginning and end of each dimension (default 3).
• precision： 设置浮点数位数
• suppress：如果为True，当前精度下接近0的数被设置为0

3. np判断一个数是不是nan

要使用np.isnan( )，官方解释nan只是一个 floating point representation of Not a Number。既然不是一个数，直接使用a==np.nan这个是不行的，也就能说通了。

import numpy as np
a=np.nan 
print(a==np.nan)
#False
print(np.isnan(a))
#True

4. np.array 多个掩码

例如，求a和b中对应元素不相同且a中元素不为2的掩码。

import numpy as np
a=np.array([0,1,2])
b=np.array([0,2,1])

print((a!=b) & (a!=2))
#out:[False  True False]

如果是“或”的关系，可以使用|.

5. numpy分块

使用np.lib.stride_tricks.as_strided.

需要注意，stride的设置与数据格式有关，这里置dtype=np.int8。则每个数据占1个字节，相应的stride各数再下方*1；

若无其他格式，如默认的np.int32，则需对应乘以4。

import numpy as np
X = np.arange(16, dtype=np.int8).reshape(4,4)
print("X:",X,"\n")
'''
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]] 
'''

stride=np.array([8,2,4,1])*1
A = np.lib.stride_tricks.as_strided(X, shape=(2,2,2,2), strides=stride)
print("A:",A)

输出：

X: [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]] 

A: [[[[ 0  1]
   [ 4  5]]

  [[ 2  3]
   [ 6  7]]]


 [[[ 8  9]
   [12 13]]

  [[10 11]
   [14 15]]]]

下面以一张图的来展示为什么stride=np.array([8,2,4,1])*1：

通过上图，可以看出来，这里的stride，其实就是分块后每个大块第一个元素行/宽的stride，及分割后小块的行/宽的stride。

6.矩阵的快速复制np.tile

如产生一个矩阵a：

import numpy as np
a=np.random.randint(5,size=(2,2))
#out:
array([[3, 4],
       [4, 2]])

如果想要让它在第0维重复3次，该如何操作？

这个时候可以使用np.tile：

np.tile(a,(3,1))
#out:
array([[3, 4],
       [4, 2],
       [3, 4],
       [4, 2],
       [3, 4],
       [4, 2]])

同样，可以对矩阵在多个方向同时进行复制：

np.tile(a,(2,2))
#out:
array([[3, 4, 3, 4],
       [4, 2, 4, 2],
       [3, 4, 3, 4],
       [4, 2, 4, 2]])

和np.repeat的差别：

np.repeat(a,3,axis=0)
#Out: 
array([[3, 4],
       [3, 4],
       [3, 4],
       [4, 2],
       [4, 2],
       [4, 2]])

7.生成一个所有数据都相同的数组

比如，生成一个全为"NA"的数组。

np.full((2,2), fill_value='NA', dtype='<U3')

#out：
array([['NA', 'NA'],
       ['NA', 'NA']], dtype='<U3')

8.切片时保持数据维度

a=np.random.randint(0,5,(4,4))
#out：
array([[2, 4, 0, 2],
       [1, 1, 2, 4],
       [1, 3, 2, 3],
       [1, 0, 3, 0]])

a[2]
#Out:
array([1, 3, 2, 3])

a[2:3]
#Out:
array([[1, 3, 2, 3]])       

当然，使用np.newaxis之类的也是可以的，看个人喜好了~

9. numpy实现padding功能

def pad_with(vector, pad_width, iaxis, kwargs):
    pad_value = kwargs.get('padder', 10)
    vector[:pad_width[0]] = pad_value
    vector[-pad_width[1]:] = pad_value

a = np.arange(6)
a = a.reshape((2, 3))
np.pad(a, 1, pad_with,padder=0)

#out：
array([[0, 0, 0, 0, 0],
       [0, 0, 1, 2, 0],
       [0, 3, 4, 5, 0],
       [0, 0, 0, 0, 0]])

10. 多维数组某维度上调整顺序

import numpy as np
a=np.arange(12).reshape(2,2,3)
#out:
array([[[ 0,  1,  2],
        [ 3,  4,  5]],
       [[ 6,  7,  8],
        [ 9, 10, 11]]])

在第3维数组上调整顺序

a[:,:,(2,1,0)]
#out:
array([[[ 2,  1,  0],
        [ 5,  4,  3]],
       [[ 8,  7,  6],
        [11, 10,  9]]])

另外，img=img[:,:,::-1]，将第三维数组顺序反转下，可用于图像BRG->RGB的操作。

11. 初始化为nan或'NA'

• 初始化为'NA'：

np.full((2,2), fill_value='NA', dtype='<U2')
#Out: 
array([['NA', 'NA'],
       ['NA', 'NA']], dtype='<U2')

• 初始化为np.nan

np.full((2,2), fill_value=np.nan)
#Out: 
array([[nan, nan],
       [nan, nan]])

12.输出array中最大值/最小值的索引 np.unravel_index

import numpy as np
a=np.array([[1,2],[3,4]])
print(np.unravel_index(a.argmax(), a.shape))
#(1, 1)

13.np.unique

numpy.unique(ar, return_index=False, return_inverse=False, return_counts=False, axis=None)

类似于python自带的set，输出排好序的唯一值。
np.unique还可设置return_index、axis等几个可以返回的参数。

a = np.array([[1, 0, 0], [1, 0, 0], [2, 3, 4]])
np.unique(a)
#Out: array([0, 1, 2, 3, 4])

14.关于numpy array的维度交换

两个维度之间交换可以用swapaxes，也可以用transpose。

import numpy as np
import torch
a=np.random.randint(0,5,(3,2))
b=a.swapaxes(0,1)
c=a.transpose(1,0)

输出结果：

#a:
array([[2, 1],
       [0, 3],
       [0, 3]])
#b:
array([[2, 0, 0],
       [1, 3, 3]])
#c:
array([[2, 0, 0],
       [1, 3, 3]]) 

注意维度交换和reshape是有差别的。

a.reshape(-1,3)
#Out: 
array([[2, 1, 0],
       [3, 0, 3]])

15.np.unpackbits

将无符号整数array变成对应的二进制bit格式：

import numpy as np
a=np.array([0,1,2,3,4,5,6,7],dtype=np.uint8)
b=np.unpackbits(a).reshape(-1,8)[:,-4:]

输出：

#Out: 
array([[0, 0, 0, 0],
       [0, 0, 0, 1],
       [0, 0, 1, 0],
       [0, 0, 1, 1],
       [0, 1, 0, 0],
       [0, 1, 0, 1],
       [0, 1, 1, 0],
       [0, 1, 1, 1]], dtype=uint8)

16.np读取txt文件（structured data-type）

如上txt文件，每一行中既有数字，又有字符，读取时如果不设置dtype，则默认为dtype=<class 'float'>，就会报错。

16.1 强制为单一类型进行读取

import numpy as np
path=r'E:\1.txt'
np.loadtxt(path,delimiter=' ',dtype=str)
#out
# array([['1', 'A'],
#        ['2', 'B'],
#        ['3', 'C'],
#        ['4', 'D']], dtype='<U1')

16.2 使用structured data-type读取

这种方法会保持某一列元素的数据类型。

import numpy as np
path=r'E:\1.txt'
np.loadtxt(path,delimiter=' ',dtype={
    
    'names': ('indext', 'category'),'formats': ('i', '<U1')})

#out：
#array([(1, 'A'), (2, 'B'), (3, 'C'), (4, 'D')],
#      dtype=[('indext', '<i4'), ('category', '<U1')])

这样就正确地读进来了。

当然也可以设置usecols参数，分开读取，也是没问题的。

17.输出数组中各行第N大元素

如下列数组：

a=np.random.randint(1,10,(3,3))
# array([[5, 2, 4],
#        [6, 9, 1],
#        [4, 2, 6]])

若是求最大值，很容易：

np.max(a,1)
# array([5, 9, 6])

若是求第N大/小值，如第2大值，可以尝试如下两种操作：

b=np.sort(a,1)
# array([[2, 4, 5],
#        [1, 6, 9],
#        [2, 4, 6]])
b[:,-2]
# array([4, 6, 4])

或者：

ai=np.argsort(a,1)
np.take_along_axis(a, ai, axis=1)[:,-2]
# array([4, 6, 4])

参考文献

[1] https://numpy.org/doc/stable/index.html