参考：https://blog.csdn.net/duanlianvip/article/details/94393763
从该博客可以获取关于numpy矩阵运算的基本认识。首先是记录从这篇博客里了解的内容。
1 import numpy as np 2 3 # 一维数组 4 a = np.array([1, 2, 3, 4, 5, 6, 7, 8]) 5 print(a.shape) 6 # 输出：(8,)，最外层矩阵有8个元素 7 print(a.shape[0]) 8 # 输出：8，因为有8个数据 9 # print(a.shape[1]) 10 # 输出：IndexError: tuple index out of range 11 12 # 二维数组 13 a = np.array([[1, 2, 3, 4],[5, 6, 7, 8]]) 14 print(a.shape) 15 # 输出：(2, 4) 16 print(a.shape[0]) 17 # 输出：2，最外层矩阵有2个元素，2个元素还是矩阵。 18 print(a.shape[1]) 19 # 输出：4，内层矩阵有4个元素。 20 # print(a.shape[2]) 21 # 输出：IndexError: tuple index out of range 22 23 y = np.zeros((2, 3, 4, 5)) 24 print(y.shape) 25 # 输出：(2, 3, 4, 5) 26 print(y)
y=np.zeros((2,3,4,5))运行结果：
1、reshape()方法
（1）用于改变数组的形状（数组中的值不会改变）
1 a=np.array((2,4)) 2 print(a) 3 #输出：[1 2 3 4 5 6 7 8] 4 d=a.reshape((2,4)) 5 print(d) 6 #输出： 7 [[1 2 3 4] 8 [5 6 7 8]] 9 d=a.reshape((2,2,2)) 10 print(d) 11 #输出： 12 [[[1 2] 13 [3 4]] 14 15 [[5 6] 16 [7 8]]]
（2）改变形状后所包含的元素个数与原来元素个数相同，否则会报错
1 >>> d=a.shape((2,2)) 2 Traceback (most recent call last): 3 File "<stdin>", line 1, in <module> 4 TypeError: 'tuple' object is not callable
（3）reshape()函数生成的新数组合原始数组共用一个内存
1 >>> a=np.array([1,2,3,4,5,6,7,8]) 2 >>> d=a.reshape((2,4)) 3 >>> print(d) 4 [[1 2 3 4] 5 [5 6 7 8]] 6 >>> a[0]=111 7 >>> print(a) 8 [111 2 3 4 5 6 7 8] 9 >>> print(d) 10 [[111 2 3 4] 11 [ 5 6 7 8]]
（4）当不知道某一个维度值为多大时，可以使用-1，-1只能用一次，否则会报错（有多种输出可能）
1 >>> d=np.array([1,2,3,4,5,6,7,8]) 2 >>> print(d) 3 [1 2 3 4 5 6 7 8] 4 >>> print(d.reshape(-1,8)) 5 [[1 2 3 4 5 6 7 8]] 8 >>> print(d.reshape([8,-1])) 9 [[1] 10 [2] 11 [3] 12 [4] 13 [5] 14 [6] 15 [7] 16 [8]] 17 >>> print(d.reshape(-1)) 18 [1 2 3 4 5 6 7 8] 27 >>> print(d.reshape(-1,2,1)) 28 [[[1] 29 [2]] 30 31 [[3] 32 [4]] 33 34 [[5] 35 [6]] 36 37 [[7] 38 [8]]] 39 >>> print(d.reshape(2,-1,2)) 40 [[[1 2] 41 [3 4]] 42 43 [[5 6] 44 [7 8]]]
1.1NumPy基本用法
import numpy as np
#构建多维数组
1 >>> data = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 2 ... 17, 18, 19, 20, 21, 22, 23] 3 >>> a = np.array(data) #一维数组，24 个数 4 >>> a = np.linspace(0,24, 24) #一维数组，将 0-24 等分为 24 个数字（含 0 与 24），均为小数 5 >>> b=np.linspace(1,24,24)#输出为1-24，均为整数 6 >>> a = np.arange(24) #简洁方式，输出为0-23，均为整数 7 >>> print(a) 8 [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] 9 >>> b = a.reshape(3,8) #将一维数组 a 转换为维数(3,8)的数组 10 >>> print(b) 11 [[ 0 1 2 3 4 5 6 7] 12 [ 8 9 10 11 12 13 14 15] 13 [16 17 18 19 20 21 22 23]] 14 >>> c = a.reshape(2,3,4)#将一维数组 a 转换为维数(2,3,4)的数组 15 >>> print(c) 16 [[[ 0 1 2 3] 17 [ 4 5 6 7] 18 [ 8 9 10 11]] 19 20 [[12 13 14 15] 21 [16 17 18 19] 22 [20 21 22 23]]] 23 >>> print(a.shape)#显示数组 a 维数 24 (24,) 25 >>> print(b.shape)#显示数组 b 维数 26 (3, 8) 27 >>> print(c.shape)#显示数组 c 维数 28 (2, 3, 4)
#构建数值全0或为1的数组或用随机数初始化数组，行3列8
1 >>> c=np.zeros((3,8),dtype=np.int8) 2 >>> print(c) 3 [[0 0 0 0 0 0 0 0] 4 [0 0 0 0 0 0 0 0] 5 [0 0 0 0 0 0 0 0]] 6 >>> d=np.ones((3,8)) 7 >>> print(d) 8 [[1. 1. 1. 1. 1. 1. 1. 1.] 9 [1. 1. 1. 1. 1. 1. 1. 1.] 10 [1. 1. 1. 1. 1. 1. 1. 1.]] 11 >>> e=np.random.randn(3,8)#按照标准正态分布，随机生成3x8的数值 12 >>> print(e) 13 [[ 0.17334448 0.32090053 -0.29102203 0.5890599 -0.75401811 0.57766044 14 -3.04179385 -0.71977731] 15 [ 1.61396639 0.04356218 -1.49661407 -1.45487388 -0.17099261 0.085367 16 0.49247614 1.21652539] 17 [ 0.97344041 1.59037408 -0.41302225 1.28036219 -1.31535703 0.50801735 18 1.75759039 0.40855037]] 19 >>> f=np.random.rand(3,8) 20 >>> print(f) 21 [[0.08401005 0.39389431 0.73887778 0.33075659 0.71730399 0.60109836 22 0.39391439 0.25942722] 23 [0.84138857 0.85799698 0.74984625 0.84414232 0.5342516 0.22544323 24 0.1128967 0.81637407] 25 [0.8509715 0.6880721 0.63241358 0.63177309 0.01612053 0.48118934 26 0.62607982 0.73950726]]
#代数计算（加减乘除等），注意：参与计算的数组维数相同
1 >>> a=np.sin(b)+d#数学计算 2 >>> print(a) 3 [[1.00000000e+00 1.84147098e+00 1.90929743e+00 1.14112001e+00 4 2.43197505e-01 4.10757253e-02 7.20584502e-01 1.65698660e+00] 5 [1.98935825e+00 1.41211849e+00 4.55978889e-01 9.79344930e-06 6 4.63427082e-01 1.42016704e+00 1.99060736e+00 1.65028784e+00] 7 [7.12096683e-01 3.86025081e-02 2.49012753e-01 1.14987721e+00 8 1.91294525e+00 1.83665564e+00 9.91148691e-01 1.53779596e-01]] 9 >>> a=b>5#逻辑运算 10 >>> print(a) 11 [[False False False False False False True True] 12 [ True True True True True True True True] 13 [ True True True True True True True True]] 14 >>> a = (b>5)*(b+1) + (b<=5)*(b-1) #混合计算，如： b 中，大于 5 值加 1，小于等于 5 值减 1 15 >>> print(a) 16 [[-1 0 1 2 3 4 7 8] 17 [ 9 10 11 12 13 14 15 16] 18 [17 18 19 20 21 22 23 24]]
#另外还有np.exp,np.sqrt,np.floor,np.sin等函数
#数组拷贝，数据类型转换
1 >>> a = np.arange(24) #简洁方式，输出为0-23，均为整数 2 >>> b = a.reshape(3,8) #将一维数组 a 转换为维数(3,8)的数组 3 >>> a=np.copy(b)#拷贝 4 >>> b=a.astype(np.float)#整型数组a转换为浮点型数组b 5 >>> print(b) 6 [[ 0. 1. 2. 3. 4. 5. 6. 7.] 7 [ 8. 9. 10. 11. 12. 13. 14. 15.] 8 [16. 17. 18. 19. 20. 21. 22. 23.]]
#数值统计
1、首先要说明的是轴的概念
axis的重点在于方向，而不是行和列。具体到各种用法而言也是如此。当axis=1时，如果是求平均，那么是从左到右横向求平均；如果是拼接，那么也是左右横向拼接；如果是drop，那么也是横向发生变化，体现为列的减少。
当考虑了方向，即axis=1为横向操作，axis=0为纵向操作，而不是行和列，那么所有的例子就都统一了。
————————————————
引自：https://blog.csdn.net/qq_41149269/article/details/81384523
1 >>> print(b) 2 [[ 0. 1. 2. 3. 4. 5. 6. 7.] 3 [ 8. 9. 10. 11. 12. 13. 14. 15.] 4 [16. 17. 18. 19. 20. 21. 22. 23.]] 5 >>> np.sum(b,axis=0) 6 array([24., 27., 30., 33., 36., 39., 42., 45.]) 7 >>> np.sum(b,axis=1) 8 array([ 28., 92., 156.]) 9 >>> np.sum(b) 10 276.0
1 >>> np.max(b,axis=0)#列求最大值 2 array([16., 17., 18., 19., 20., 21., 22., 23.]) 3 >>> np.max(b,axis=1)#行求最大值 4 array([ 7., 15., 23.]) 5 >>> np.max(b) 6 23.0
#其它还有np.mean,std,min,max,median,sum,cumsum等，沿某个轴向
#数组访问，数组切片或分片访问
1 >>> print(a) 2 [[ 0 1 2 3 4 5 6 7] 3 [ 8 9 10 11 12 13 14 15] 4 [16 17 18 19 20 21 22 23]] 5 >>> print(a[2,3])#提取数组a中第二行第3列的数值 6 19 7 >>> a[2,3]+=1 8 >>> print(a[1:3,3:7])#提取数组 a 中 1~2 行，3~6 列的子数组，类似滤波窗口 9 1011 [[11 12 13 14] 12 [20 20 21 22]] 13 >>> a[1:3,3:7]=np.zeros((2,4))#将数组a中1~2行，3~6列的值置换为0 14 >>> print(a) 15 [[ 0 1 2 3 4 5 6 7] 16 [ 8 9 10 0 0 0 0 15] 17 [16 17 18 0 0 0 0 23]] 18 >>> a[[0,1],[0,2]]#将数组a中(0,0),(1,2)两个位置的数值置换为-1 19 array([ 0, 10]) 20 >>> a[[0,1],[0,2]]=-1#将数组a中(0,0),(1,2)两个位置的数值置换为-1 21 >>> print(a) 22 [[-1 1 2 3 4 5 6 7] 23 [ 8 9 -1 0 0 0 0 15] 24 [16 17 18 0 0 0 0 23]]
#数组拼接与拆分
1 >>> print(a) 2 [[-1 1 2 3 4 5 6 7] 3 [ 8 9 -1 0 0 0 0 15] 4 [16 17 18 0 0 0 0 23]] 5 >>> print(b) 6 [[ 0. 1. 2. 3. 4. 5. 6. 7.] 7 [ 8. 9. 10. 11. 12. 13. 14. 15.] 8 [16. 17. 18. 19. 20. 21. 22. 23.]] 9 >>> c=np.hstack((a,b))#沿1维，将a,b拼接成一个新数组 10 >>> print(c) 11 [[-1. 1. 2. 3. 4. 5. 6. 7. 0. 1. 2. 3. 4. 5. 6. 7.] 12 [ 8. 9. -1. 0. 0. 0. 0. 15. 8. 9. 10. 11. 12. 13. 14. 15.] 13 [16. 17. 18. 0. 0. 0. 0. 23. 16. 17. 18. 19. 20. 21. 22. 23.]] 14 >>> c=np.concatenate((a,b),axis=1)#沿1维，将a,b拼接成一个新数组 15 >>> c=np.vstack((a,b))#沿0维，将a,b拼接成一个新数组 16 >>> c=np.concatenate((a,b),axis=0)#沿0维，将a,b拼接成一个新数组 17 >>> print(c) 18 [[-1. 1. 2. 3. 4. 5. 6. 7.] 19 [ 8. 9. -1. 0. 0. 0. 0. 15.] 20 [16. 17. 18. 0. 0. 0. 0. 23.] 21 [ 0. 1. 2. 3. 4. 5. 6. 7.] 22 [ 8. 9. 10. 11. 12. 13. 14. 15.] 23 [16. 17. 18. 19. 20. 21. 22. 23.]] 24 >>> a[np.newaxis,:]#将数组a增加了1维，2维变3维 25 array([[[-1, 1, 2, 3, 4, 5, 6, 7], 26 [ 8, 9, -1, 0, 0, 0, 0, 15], 27 [16, 17, 18, 0, 0, 0, 0, 23]]]) 28 >>> d=np.concatenate([a[np.newaxis,:],b[np.newaxis,:],axis=0])#合并数组a,b，生成3维数组c 29 File "<stdin>", line 1 30 d=np.concatenate([a[np.newaxis,:],b[np.newaxis,:],axis=0])#合并数组a,b，生成3维数组c 31 ^ 32 SyntaxError: invalid syntax 33 >>> d=np.concatenate([a[np.newaxis,:],b[np.newaxis,:]],axis=0])#合并数组a,b，生成3维数组c 34 File "<stdin>", line 1 35 d=np.concatenate([a[np.newaxis,:],b[np.newaxis,:]],axis=0])#合并数组a,b，生成3维数组c 36 ^ 37 SyntaxError: invalid syntax 38 >>> d=np.concatenate([a[np.newaxis,:],b[np.newaxis,:]],axis=0)#合并数组a,b，生成3维数组c 39 >>> d=np.stack((a,b)) 40 >>> d.shape 41 (2, 3, 8) 42 >>> print(c) 43 [[-1. 1. 2. 3. 4. 5. 6. 7.] 44 [ 8. 9. -1. 0. 0. 0. 0. 15.] 45 [16. 17. 18. 0. 0. 0. 0. 23.] 46 [ 0. 1. 2. 3. 4. 5. 6. 7.] 47 [ 8. 9. 10. 11. 12. 13. 14. 15.] 48 [16. 17. 18. 19. 20. 21. 22. 23.]] 49 >>> np.array_split(c,2,axis=0)#将数组c拆分为2个行数为3的数组 50 [array([[-1., 1., 2., 3., 4., 5., 6., 7.], 51 [ 8., 9., -1., 0., 0., 0., 0., 15.], 52 [16., 17., 18., 0., 0., 0., 0., 23.]]), array([[ 0., 1., 2., 3., 4., 5., 6., 7.], 53 [ 8., 9., 10., 11., 12., 13., 14., 15.], 54 [16., 17., 18., 19., 20., 21., 22., 23.]])] 55 >>> np.vsplit(c,2) 56 [array([[-1., 1., 2., 3., 4., 5., 6., 7.], 57 [ 8., 9., -1., 0., 0., 0., 0., 15.], 58 [16., 17., 18., 0., 0., 0., 0., 23.]]), array([[ 0., 1., 2., 3., 4., 5., 6., 7.], 59 [ 8., 9., 10., 11., 12., 13., 14., 15.], 60 [16., 17., 18., 19., 20., 21., 22., 23.]])]
#这里补充一点点关于np.newaxis的内容,np.newaxis的作用是增加维度
1 >>> print(a) 2 [[ 3 2 0] 3 [ 1 -1 0] 4 [ 0 5 1]] 5 >>> ee=a[:,:,np.newaxis] 6 >>> print(ee) 7 [[[ 3] 8 [ 2] 9 [ 0]] 10 11 [[ 1] 12 [-1] 13 [ 0]] 14 15 [[ 0] 16 [ 5] 17 [ 1]]] 18 >>> ee=a[:,np.newaxis] 19 >>> print(ee) 20 [[[ 3 2 0]] 21 22 [[ 1 -1 0]] 23 24 [[ 0 5 1]]] 25 >>> ee=a[:,np.newaxis,:] 26 >>> print(ee) 27 [[[ 3 2 0]] 28 29 [[ 1 -1 0]] 30 31 [[ 0 5 1]]]
#另外还有函数np.hsplit
#条件查找与定位
1 >>> print(a) 2 [[-1 1 2 3 4 5 6 7] 3 [ 8 9 -1 0 0 0 0 15] 4 [16 17 18 0 0 0 0 23]] 5 >>> np.where(a==0)#获得符合条件的行列位置 6 (array([1, 1, 1, 1, 2, 2, 2, 2], dtype=int64), array([3, 4, 5, 6, 3, 4, 5, 6], dtype=int64)) 7 >>> b[np.where(a==0)]#数组b在对应符合条件a位置上的数值 8 array([11., 12., 13., 14., 19., 20., 21., 22.]) 9 >>> np.where(a==0,1,0)#等于0的位置，输出1，不等于0的位置，输出0 10 array([[0, 0, 0, 0, 0, 0, 0, 0], 11 [0, 0, 0, 1, 1, 1, 1, 0], 12 [0, 0, 0, 1, 1, 1, 1, 0]]) 13 >>> np.argmax(b,axis=0)#沿0轴向，最大值所在位置 14 array([2, 2, 2, 2, 2, 2, 2, 2], dtype=int64) 15 >>> print(b) 16 [[ 0. 1. 2. 3. 4. 5. 6. 7.] 17 [ 8. 9. 10. 11. 12. 13. 14. 15.] 18 [16. 17. 18. 19. 20. 21. 22. 23.]] 19 >>> np.amax(b,axis=0)#沿0轴向，最大值 20 array([16., 17., 18., 19., 20., 21., 22., 23.]) 21 >>> b[np.argmax(b,axis=0),np.arange(8)] 22 array([16., 17., 18., 19., 20., 21., 22., 23.]) 23 >>> np.argmax(b,axis=1)#沿1轴向，最大值所在位置 24 array([7, 7, 7], dtype=int64)
#另外还有函数np.argmin,argmax,np.amin,amax
1.2数轴交换numpy.swapaxes
首先简要介绍一下swapaxes函数，主要参考自博客https://blog.csdn.net/this_is_me_anyway/article/details/79695029，简要说swapaxes接受一对轴编号，对其进行交换。譬如arr.swapaxes(2,1) 就是将第三个维度和第二个维度交换。就python的索引来看，python和matlab不同的地方在于，python可以说是括号导向的，即根据由外到内的括号进行索引，matlab可以说是维度导向的。变换轴的顺序，做循环会更好一些。
1 >>> a=np.arange(24) 2 >>> print(a) 3 [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23] 4 >>> a=np.arange(24).reshape(2,3,4) 5 >>> a.shape 6 (2, 3, 4) 7 >>> b=np.swapaxes(np.swapaxes(a,0,2),0,1)#将a的第一个轴和第三个轴交换，又将得到的矩阵的第1个轴和第二个轴交换 8 >>> b.shape 9 (3, 4, 2) 10 >>> r,c=0,0 11 >>> print(a) 12 [[[ 0 1 2 3] 13 [ 4 5 6 7] 14 [ 8 9 10 11]] 15 16 [[12 13 14 15] 17 [16 17 18 19] 18 [20 21 22 23]]] 19 >>> print(b) 20 [[[ 0 12] 21 [ 1 13] 22 [ 2 14] 23 [ 3 15]] 24 25 [[ 4 16] 26 [ 5 17] 27 [ 6 18] 28 [ 7 19]] 29 30 [[ 8 20] 31 [ 9 21] 32 [10 22] 33 [11 23]]] 34 >>> a[:,r,c] 35 array([ 0, 12]) 36 >>> b[r,c,:] 37 array([ 0, 12]) 38 >>> a[:,r,c]-b[r,c,:] 39 array([0, 0])
1.3稀疏矩阵scipy.sparse.coo_matrix
>>> from scipy.sparse import coo_matrix >>> row=np.array([0,3,1,0]) >>> col=np.array([0,3,1,2])#数据位置 >>> data=np.array([4,5,7,9])#数据内容 >>> sm = coo_matrix((data, (row, col)), shape=(4, 4))，第一个参数位置、
内容构成一个元组，第二个参数是矩阵大小 >>> sm#稀疏矩阵无法直接查看 <4x4 sparse matrix of type '<class 'numpy.int32'>' with 4 stored elements in COOrdinate format> >>> sm.row,sm.col (array([0, 3, 1, 0]), array([0, 3, 1, 2])) >>> sm.data array([4, 5, 7, 9]) >>> a=sm.toarray()#转为矩阵 >>> r,c=np.where(a>0)#顺序有变，但配对后行列号还是一致的 >>> d=a[np.where(a>0)]#提取数据内容 >>> print(a) [[4 0 9 0] [0 7 0 0] [0 0 0 0] [0 0 0 5]] >>> print(r) [0 0 1 3] >>> print(c) [0 2 1 3] >>> print(d) [4 9 7 5]
1.4线性代数
#矩阵的逆（inverse of a matrix）
1 >>> import numpy as np 2 >>> a=np.array([[1.,2.],[3.,4.]]) 3 >>> b=np.linalg.inv(a)#对a求逆 4 >>> print(b) 5 [[-2. 1. ] 6 [ 1.5 -0.5]] 7 >>> np.dot(a,b)#內积为0 8 array([[1.00000000e+00, 1.11022302e-16], 9 [0.00000000e+00, 1.00000000e+00]])
#特征向量（eigenvalues）
1 >>> a=np.diag((1,2,3))#对角矩阵 2 >>> print(a) 3 [[1 0 0] 4 [0 2 0] 5 [0 0 3]] 6 >>> np.linalg.eig(a)#求特征向量 7 (array([1., 2., 3.]), array([[1., 0., 0.], 8 [0., 1., 0.], 9 [0., 0., 1.]])) 10 >>> a=np.array([[1.,2.],[3.,4.]]) 11 >>> np.linalg.eig(a) 12 (array([-0.37228132, 5.37228132]), array([[-0.82456484, -0.41597356], 13 [ 0.56576746, -0.90937671]]))
#点积（dot product）
1 >>> a=np.arange(6).reshape(2,3) 2 >>> b=np.arange(6).reshape(3,2)+1 3 >>> print(a) 4 [[0 1 2] 5 [3 4 5]] 6 >>> print(b) 7 [[1 2] 8 [3 4] 9 [5 6]] 10 >>> np.dot(a,b) 11 array([[13, 16], 12 [40, 52]])
#內积（inner product）
关于內积，查询了百度知道的相关内容，以下引自网页：https://zhidao.baidu.com/question/188716142.html
矩阵的内积参照向量的内积的定义是：两个向量对应分量乘积之和。
比如: α=(1,2,3), β=(4,5,6)
则 α, β的内积等于 1*4 +2*5 + 3*6 = 32
α与α 的内积 = 1*1+2*2+3*3 = 14
1 >>> a=np.arange(12).reshape(2,2,3) 2 >>> b=np.arange(3) 3 >>> print(a) 4 [[[ 0 1 2] 5 [ 3 4 5]] 6 7 [[ 6 7 8] 8 [ 9 10 11]]] 9 >>> print(b) 10 [0 1 2] 11 >>> np.inner(a,b) 12 array([[ 5, 14], 13 [23, 32]])
#外积（outer product）
外积内容比较复杂，这里不贴了，可以格外查
1 >>> np.ones((2,)) 2 array([1., 1.]) 3 >>> np.linspace(-3,3,3) 4 array([-3., 0., 3.]) 5 >>> np.outer(np.ones((2,)),np.linspace(-3,3,3)) 6 array([[-3., 0., 3.], 7 [-3., 0., 3.]]) 8 >>> np.outer(np.linspace(-3,3,3),np.ones(2)) 9 array([[-3., -3.], 10 [ 0., 0.], 11 [ 3., 3.]])
#方程组求解ax=b
1 >>> from scipy import linalg 2 >>> a=np.array([[3,2,0],[1,-1,0],[0,5,1]]) 3 >>> b=np.array([2,4,-1]) 4 >>> x=linalg.solve(a,b) 5 >>> x 6 array([ 2., -2., 9.]) 7 >>> np.dot(a,x)==b 8 array([ True, True, True])
1.5 NumPy应用实例
#NDVI计算，LANDSAT7，波段1234589
1 >>> import osgeo.gdal as gdal 2 >>> import numpy as np 3 >>> ds_in=gdal.Open("landsat.tif") 4 >>> im_width=ds_in.RasterXSize 5 >>> im_height=ds_in.RasterYSize 6 >>> im_bands=ds_in.RasterCount 7 >>> im_geotrans=ds_in.GetGeoTransform() 8 >>> im_proj=ds_in.GetProjection() 9 >>> im_data=ds_in.ReadAsArray(0,0,im_width,im_height) 10 >>> ndvi=(im_data[3]-im_data[2])/(im_data[3]+im_data[2])#计算NDVI 11 >>> ndvi_=250.0*(ndvi-np.min(ndvi))/(np.max(ndvi)-np.min(ndvi)) 12 >>> driver=gdal.GetDriverByName("GTiff")#创建图像 13 >>> ds_out=driver.Create("landsat_ndvi.tif",
im_width,im_height,1,gdal.GDT_Byte) 14 >>> ds_out.SetGeoTransform(im_geotrans) 15 0 16 >>> ds_out.SetProjection(im_proj) 17 0 18 >>> ds_out.GetRasterBand(1).WriteArray(ndvi_.astype(np.int16)) 19 0 20 >>> del ds_in#关闭 21 >>> del ds_out