【Day 26】NumPy (3)：Slicing, Copy, View, shape, Concatenate

前言

今天要来继续介绍 NumPy 的应用，包括了 Slicing 索引，Copy, View 复制， Shape, Reshape, Concatenate 等等内容。

NumPy

Slicing

NumPy 中的矩阵，也可以透过像 list 一样的方法去取出。
语法一样也是 [start:end:step]。

如图，取出这个矩阵的第 1 个到第 4 个元素

import numpy as np

array1 = np.array([1, 2, 3, 4, 5, 6, 7, 8])

print(array1[1:5])

# 输出
# [2 3 4 5]

Slicing 2-D Arrays

在 2-D 的矩阵也可以使用 Slicing 来取出元素，如下程序为取出第一个 row 的 1-2 个元素。

import numpy as np

array1 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

print(array1[1, 1:3])

# 输出
# [6 7]

底下为取出第 0-1 个 row，并取出他们的第 1-2 个元素。

import numpy as np

array1 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

print(array1[0:2, 1:3])

# 输出
# [[2 3]
#  [6 7]]

复制矩阵：Copy & View

这两个函式的差别在於，.copy() 是复制一个新的 array，所以改变 copy 後的 array 并不会改变到原本的 array，.view() 是给你看到原本的矩阵而已，所以改变的话会把原本的 array 也改变。我们看一下底下的例子会更清楚。

• .copy()：

  底下 array1 为原本的 array，并且用 .copy() 函式来复制一个一样的 array 给 x，这时若改变 x，并不会对原本的 array1 造成影响。

  import numpy as np
  
  array1 = np.array([1, 2, 3, 4])
  x = array1.copy()
  x[0] = 4
  
  print(x)         # [4 2 3 4]
  print(array1)    # [1 2 3 4]
  

• .view()：

  底下 array1 为原本的 array，并且用 .view() 函式来把 array1 给 y 看见，这时若改变 y，相当於改变了 array1。

  import numpy as np
  
  array1 = np.array([1, 2, 3, 4])
  y = array1.view()
  y[0] = 4
  
  print(y)         # [4 2 3 4]
  print(array1)    # [4 2 3 4]
  

Shape

• 得到矩阵的 dimesions

  使用 .shape 函式，可以得到现在这个 array 的 dimesions，像底下就代表这个 array 有 2 个 dimesions，并且每个 dimesions 有 4 个 element。

  import numpy as np
  
  array1 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
  
  print(array1.shape)
  
  # 输出
  # (2, 4)
  

  也可以透过这个函式调整 array 的维度，把它改为 4 x 2 的 array，他会直接改变原本的 array

  import numpy as np
  
  array1 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
  array1.shape = (4, 2)
  
  print(array1)
  
  # 输出
  # [[1 2]
  #  [3 4]
  #  [5 6]
  #  [7 8]]
  

reshape

调整 array 的维度，但不会改变原本的 array，而是创建一个副本。

import numpy as np

array1 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
y = array1.reshape(4, 2)

print(array1)
# 输出
# [[1 2 3 4]
#  [5 6 7 8]]
print(y)
# 输出
# [[1 2]
#  [3 4]
#  [5 6]
#  [7 8]]

NumPy 中的常数

print(np.inf)
print(np.NINF)
print(np.PZERO)
print(np.NZERO)
print(np.nan)
print(np.e)
print(np.pi)
print(np.euler_gamma)
print(np.newaxis)

# 输出
# inf
# -inf
# 0.0
# -0.0
# nan
# 2.718281828459045
# 3.141592653589793
# None

合并阵列

• np.concatenate()：如果需要把两个 array 合并的时候，就可以使用这个函式。

  a = np.array([1, 2, 3, 4])
  b = np.array([5, 6, 7, 8])
  
  print(np.concatenate([a, b]))
  
  # 输出
  # [1 2 3 4 5 6 7 8]
  

结语

NumPy 真的太多函式可以使用，今天就先暂时介绍到这边了！明天再继续。

待续...