在認(rèn)識(shí)了numpy、創(chuàng)建數(shù)組對(duì)象和運(yùn)算的機(jī)制后，我們看看如何操作一個(gè)數(shù)組。
增：
- 追加末尾：np.append()
- 在某個(gè)索引前插入：np.insert()
與list不同，append和insert方法并非直接在原數(shù)組上直接修改，而是返回一個(gè)新的數(shù)組。
import numpy as np
arr_1 = np.arange(10)
print(f'原始的arr_1: {arr_1}')
res_append = np.append(arr=arr_1, values=[12], axis=0)
res_insert = np.insert(arr=arr_1, obj=0, values=[13], axis=0)
'''append方法【參數(shù)】 insert方法【參數(shù)】
arr: 原數(shù)組 arr: 原數(shù)組
（追加末尾） obj: 索引位置，在該索引前插入
values: 插入內(nèi)容 values: 插入內(nèi)容
axis: 插入方向 axis: 插入方向
'''
print(f'操作過(guò)append、insert方法后的arr_1: {arr_1}') # append和insert并未在原數(shù)組上修改
print(f'append新賦值的數(shù)組：{res_append}')
print(f'insert新賦值的數(shù)組：{res_insert}')
# 運(yùn)行結(jié)果：
原始的arr_1: [0 1 2 3 4 5 6 7 8 9]
操作過(guò)append、insert方法后的arr_1: [0 1 2 3 4 5 6 7 8 9]
append新賦值的數(shù)組：[ 0 1 2 3 4 5 6 7 8 9 12]
insert新賦值的數(shù)組：[13 0 1 2 3 4 5 6 7 8 9]
插入方向axis：
arr_1 = np.arange(9).reshape(3,3)
res_append1 = np.append(arr=arr_1, values=[[12,13,14],[15,16,17]],axis=0) # 插入2行
res_append2 = np.append(arr=arr_1, values=[[12],[13],[14]],axis=1) # 插入1列
'''
我們知道了shape是(行,列)
axis=0 ———— 沿0軸插入，即插入行（插入完整的一或多行。即插入的數(shù)組，其列數(shù)要與原數(shù)組一致）
axis=1 ———— 沿1軸插入，即插入列（插入完整的一或多列。即插入的數(shù)組，其行數(shù)要與原數(shù)組一致）
'''
print(f'原數(shù)組: \n{arr_1}') # append和insert并未在原數(shù)組上修改
print(f'axis=0插入新數(shù)組：\n{res_append1}')
print(f'axis=1插入新數(shù)組：\n{res_append2}')
# 運(yùn)行結(jié)果：
原數(shù)組:
[[0 1 2]
[3 4 5]
[6 7 8]]
axis=0插入新數(shù)組：
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[12 13 14]
[15 16 17]]
axis=1插入新數(shù)組：
[[ 0 1 2 12]
[ 3 4 5 13]
[ 6 7 8 14]]
那多維呢？像之前講的一樣，我們理解了shape(x,y,z)和axis參數(shù)的關(guān)系就像這樣：
axis參數(shù)的含義.png
插入的值必須按照 axis參數(shù)的選擇，跟原數(shù)組結(jié)構(gòu)保持一致。
來(lái)看個(gè)多維數(shù)組選擇axis參數(shù)的例子，請(qǐng)仔細(xì)觀察插入值的數(shù)組結(jié)構(gòu)：
arr_1 = np.arange(12).reshape(2,2,3)
res_append1 = np.append(arr=arr_1, values=[[[12,13,14],[15,16,17]]],axis=0) # 插入1塊
res_append2 = np.append(arr=arr_1, values=[[[12,13,14]],[[15,16,17]]],axis=1) # 插入2行
res_append3 = np.append(arr=arr_1, values=[[[12],[13]],[[14],[15]]],axis=2) # 插入1列
print(f'原數(shù)組: \n{arr_1}') # append和insert并未在原數(shù)組上修改
print(f'axis=0插入新數(shù)組：\n{res_append1}')
print(f'axis=1插入新數(shù)組：\n{res_append2}')
print(f'axis=2插入新數(shù)組：\n{res_append3}')
# 運(yùn)行結(jié)果：
原數(shù)組:
[[[ 0 1 2]
[ 3 4 5]]
[[ 6 7 8]
[ 9 10 11]]]
axis=0插入新數(shù)組：
[[[ 0 1 2]
[ 3 4 5]]
[[ 6 7 8]
[ 9 10 11]]
[[12 13 14]
[15 16 17]]]
axis=1插入新數(shù)組：
[[[ 0 1 2]
[ 3 4 5]
[12 13 14]]
[[ 6 7 8]
[ 9 10 11]
[15 16 17]]]
axis=2插入新數(shù)組：
[[[ 0 1 2 12]
[ 3 4 5 13]]
[[ 6 7 8 14]
[ 9 10 11 15]]]
再提一點(diǎn)：
axis參數(shù)不寫(xiě)默認(rèn)為None，此時(shí)無(wú)論數(shù)組是什么結(jié)構(gòu)，都會(huì)展成一條線將值插入。
arr_1 = np.arange(12).reshape(2,2,3)
res_append1 = np.append(arr=arr_1, values=[12,13,14],axis=None) # axis參數(shù)為None
print(f'原數(shù)組: \n{arr_1}')
print(f'axis=0插入新數(shù)組：\n{res_append1}')
# 運(yùn)行結(jié)果：
原數(shù)組:
[[[ 0 1 2]
[ 3 4 5]]
[[ 6 7 8]
[ 9 10 11]]]
axis=None插入新數(shù)組：
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] # 展成一條線
刪：
- np.delete() 刪除指定元素
- np.unique() 刪除重復(fù)元素
兩個(gè)方法仍然并非直接在原數(shù)組上直接修改，而是返回一個(gè)新的數(shù)組。
delete()參數(shù)也有arr，obj，axis：
arr_1 = np.arange(40).reshape(2,4,5)
res1 = np.delete(arr=arr_1, obj=5) # axis參數(shù)不選，默認(rèn)為None，數(shù)組會(huì)被展開(kāi)，刪除元素5
res2 = np.delete(arr=arr_1, obj=1, axis=2) # shape(x,y,z)時(shí)，axis=2指的是列。即刪除第2列
res3 = np.delete(arr=arr_1, obj=[1,3], axis=1) # shape(x,y,z)時(shí)，axis=1指的是行。即刪除第2行、第4行
print(f'原數(shù)組: \n{arr_1}')
print(f'操作刪除 5后的數(shù)組：\n{res1}')
print(f'操作刪除 第2列后的數(shù)組：\n{res2}')
print(f'操作刪除 第2行，第4行后的數(shù)組：\n{res3}')
# 運(yùn)行結(jié)果：
原數(shù)組:
[[[ 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 27 28 29]
[30 31 32 33 34]
[35 36 37 38 39]]]
操作刪除 5后的數(shù)組：
[ 0 1 2 3 4 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39]
操作刪除 第2列后的數(shù)組：
[[[ 0 2 3 4]
[ 5 7 8 9]
[10 12 13 14]
[15 17 18 19]]
[[20 22 23 24]
[25 27 28 29]
[30 32 33 34]
[35 37 38 39]]]
操作刪除 第2行，第4行后的數(shù)組：
[[[ 0 1 2 3 4]
[10 11 12 13 14]]
[[20 21 22 23 24]
[30 31 32 33 34]]]
unique()會(huì)將一個(gè)數(shù)組展開(kāi)，去重后從小到大排序成一組數(shù)。參數(shù)主要有：
- return_index（None、True、False）：True則返回新數(shù)據(jù)元素在原數(shù)組中的位置（索引）；
- return_inverse（None、True、False）：True則返回原數(shù)據(jù)元素在新數(shù)組中的位置（索引）；
- return_counts（None、True、False）：True則返回去重后的數(shù)組元素 在原數(shù)組中出現(xiàn)的次數(shù)。
參數(shù)不寫(xiě)，均默認(rèn)為None。
參數(shù)就不再演示了，也好理解。且個(gè)人感覺(jué)參數(shù)用的并不多。
li = [9,4,6,4,5,1,1,9]
arr = np.array(li).reshape(2,4)
arr_1 = np.unique(li)
print(f'原數(shù)組: \n{arr}')
print(f'去重后的數(shù)組: \n{arr_1}')
# 運(yùn)行結(jié)果：
原數(shù)組:
[[9 4 6 4]
[5 1 1 9]]
去重后的數(shù)組:
[1 4 5 6 9]
改：
numpy改數(shù)據(jù)的方法與常規(guī)list基本一致，都是通過(guò)索引賦值的方式更改。
看幾個(gè)例子：
arr1 = np.arange(8)
print(f'原數(shù)組: \n{arr1}')
arr1[2] = 66 # 列索引，數(shù)組為線時(shí)代表列
print(f'arr1[2]改后的值: \n{arr1}')
arr1 = np.arange(12).reshape(3,4)
print(f'原數(shù)組: \n{arr1}')
arr1[0] = 66 # 行索引，數(shù)組為面時(shí)代表行
print(f'arr1[0]改后的值: \n{arr1}')
# 上面兩個(gè)例子看的出，改值索引仍然遵循shape的概念
arr1 = np.arange(12).reshape(3,4)
print(f'原數(shù)組: \n{arr1}')
arr1[0:3] = 66 # 行切片索引，左閉右開(kāi)
print(f'arr1[0:3]改后的值: \n{arr1}')
arr1 = np.arange(12).reshape(3,4)
print(f'原數(shù)組: \n{arr1}')
arr1[0,3] = 66 # 坐標(biāo)索引，數(shù)組為面時(shí)輸入坐標(biāo)才能定位行、列
print(f'arr1[0,3]改后的值: \n{arr1}')
# 運(yùn)行結(jié)果：
原數(shù)組:
[0 1 2 3 4 5 6 7]
arr1[2]改后的值:
[ 0 1 66 3 4 5 6 7]
原數(shù)組:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
arr1[0]改后的值:
[[66 66 66 66]
[ 4 5 6 7]
[ 8 9 10 11]]
原數(shù)組:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
arr1[0:3]改后的值:
[[66 66 66 66]
[66 66 66 66]
[66 66 66 66]]
原數(shù)組:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
arr1[0,3]改后的值:
[[ 0 1 2 66]
[ 4 5 6 7]
[ 8 9 10 11]]
查：
上篇《索引、高級(jí)索引和切片》中講過(guò)了numpy的索引和切片，根本便是查數(shù)據(jù)的動(dòng)作。
這里再介紹幾個(gè)有意思的方法，在實(shí)際場(chǎng)景中使用非常方便。
np.argwhere()方法：加個(gè)判斷條件，返回?cái)?shù)組中某些元素的索引。默認(rèn)為判斷非零元素。
li = [0,4,0,2,0,1,9,0]
arr = np.array(li).reshape(2,4)
arr_1 = np.argwhere(arr != 0) # argwhere()不寫(xiě)也是判斷非零的意思
arr_2 = np.argwhere(arr > 4/2) # argwhere()加其他任何判斷條件
print(f'原數(shù)組: \n{arr}')
print(f'非零元素的索引: \n{arr_1}')
print(f'大于4/2元素的索引: \n{arr_2}')
# 運(yùn)行結(jié)果：
原數(shù)組:
[[0 4 0 2]
[0 1 9 0]]
非零元素的索引:
[[0 1]
[0 3]
[1 1]
[1 2]]
大于4/2元素的索引:
[[0 1]
[1 2]]
遍歷一個(gè)數(shù)組：
- 可以通過(guò)for循環(huán)遍歷；一個(gè)for循環(huán)只剝離一層，取的是元素塊而非最小元素 ；針對(duì)多維數(shù)組，可以嵌套for循環(huán)將元素層層剝離；
- obj.nditer()方法，將數(shù)組轉(zhuǎn)成迭代器。取的是數(shù)組里的最小元素，每個(gè)元素是array對(duì)象的形式（該方法直接構(gòu)建了array對(duì)象的迭代器）；
- obj.flat方法（沒(méi)有括號(hào)），將數(shù)組轉(zhuǎn)成迭代器。取的是數(shù)組里的最小元素，每個(gè)元素僅僅只是一個(gè)標(biāo)量（flat把a(bǔ)rray對(duì)象的值取出來(lái)，再構(gòu)建迭代器）。
聽(tīng)著很迷茫，看個(gè)例子：
arr1 = np.arange(8).reshape(2,4)
for i in arr1: # for循環(huán)
print(i)
print('*'*5)
# 運(yùn)行結(jié)果：
[0 1 2 3]
*****
[4 5 6 7]
*****
arr1 = np.arange(8).reshape(2,4)
arr1 = np.nditer(arr1) # nditer() 轉(zhuǎn)成迭代器
print(f'nditer迭代器的arr1: {arr1}')
print(f'將arr1轉(zhuǎn)成列表看看里面的元素：{list(arr1)}')
while len(arr1) != 0:
print(next(arr1))
# 運(yùn)行結(jié)果：
nditer迭代器的arr1: <numpy.nditer object at 0x000002A0D2163710>
將arr1轉(zhuǎn)成列表看看里面的元素：[array(0), array(1), array(2), array(3), array(4), array(5), array(6), array(7)]
0
1
2
3
4
5
6
7
arr1 = np.arange(8).reshape(2,4)
arr1 = arr1.flat # flat 轉(zhuǎn)成迭代器
print(f'flat迭代器的arr1: {arr1}')
print(f'將arr1轉(zhuǎn)成列表看看里面的元素：{list(arr1)}')
while len(arr1) != 0:
print(next(arr1))
# 運(yùn)行結(jié)果：
flat迭代器的arr1: <numpy.flatiter object at 0x0000020C1B3D85B0>
將arr1轉(zhuǎn)成列表看看里面的元素：[0, 1, 2, 3, 4, 5, 6, 7]
0
1
2
3
4
5
6
7
看到這你可能明白了剛才說(shuō)的，obj.nditer()方法，迭代器的每個(gè)元素是array對(duì)象的形式（該方法直接構(gòu)建了array對(duì)象的迭代器）；obj.flat方法，迭代器的每個(gè)元素僅僅只是一個(gè)標(biāo)量（flat把a(bǔ)rray對(duì)象的值取出來(lái)，再構(gòu)建迭代器）。
如果flat取的僅僅是值，該迭代器中便是一個(gè)個(gè)十分純粹的標(biāo)量，不能控制讀取順序，更改其元素內(nèi)容也不能實(shí)現(xiàn)原數(shù)組的修改。而nditer() 方法恰恰能實(shí)現(xiàn)這些：
所以，nditer()可以控制迭代器對(duì)象讀取元素的順序，也可以在迭代過(guò)程中操作元素的修改。
nditer() 方法參數(shù)：
- order='C' （大小寫(xiě)均可）
--- 'C':按行讀；
--- 'F':按列讀；
- op_flags=['readwirte']
--- ['readonly']：只讀，不能修改
--- ['readwirte']：讀寫(xiě)，可讀可寫(xiě)
arr = np.arange(8).reshape(2,4)
arr1 = np.nditer(arr, order='c') # 按行讀
try:
while True:
print(f'每次提取的元素：{next(arr1)}') # next()取值遍歷
except StopIteration:
pass
print('* '*20)
arr = np.arange(8).reshape(2,4)
arr2 = np.nditer(arr, order='f', op_flags=['readwrite']) # 按列讀，讀寫(xiě)模式，可讀可修改
for i in arr2: # for循環(huán)遍歷
if i % 2 == 0:
i[...] = 9 # [...]是固定寫(xiě)法，指的是改寫(xiě)array對(duì)象當(dāng)前的元素
print(f'修改后的arr: \n{arr}')
# 運(yùn)行結(jié)果：
每次提取的元素：0
每次提取的元素：1
每次提取的元素：2
每次提取的元素：3
每次提取的元素：4
每次提取的元素：5
每次提取的元素：6
每次提取的元素：7
* * * * * * * * * * * * * * * * * * * *
修改后的arr:
[[9 1 9 3]
[9 5 9 7]]
最后總結(jié)一下遍歷：
推薦使用nditer()方法，能控制遍歷的順序，以及遍歷時(shí)對(duì)元素進(jìn)行操作。
