Python Numpyにおけるndarrayの一般的な操作例の分析

はじめに

NumPy (数値 Python) は、Python 用のオープンソース数値計算拡張機能です。このツールは、大規模な行列の保存と処理に使用できます。Python 独自の入れ子になったリスト構造 (行列の表現にも使用できます) よりもはるかに効率的で、多数の次元配列および行列の演算をサポートしています。配列演算用の数学関数ライブラリも多数提供しています。
Numpy は主に ndarray を使用して N 次元配列を処理します。Numpy のほとんどのプロパティとメソッドは ndarray に対応するため、Numpy での ndarray の一般的な操作を習得することが非常に必要です。

0 Numpy の基本

NumPy の主なオブジェクトは、同型多次元配列です。これは要素 (通常は数値) のリストであり、すべて同じ型で、非負の整数のタプルによってインデックスが付けられます。 NumPy 次元の軸と呼ばれます。
以下に示す例では、配列には 2 つの軸があります。最初の軸の長さは 2 で、2 番目の軸の長さは 3 です。

[[ 1., 0., 0.],
 [ 0., 1., 2.]]

1 ndarray のプロパティ

1.1 ndarray の出力共通プロパティ

• ndarray.ndim: の軸 (次元)配列) の番号。 Python の世界では、次元の数をランクと呼びます。

• ndarray.shape: 配列の次元。これは、各次元の配列のサイズを表す整数のタプルです。 n 行 m 列の行列の場合、形状は (n,m) になります。したがって、形状タプルの長さは、次元 ndim のランクまたは数になります。

• ndarray.size: 配列要素の合計数。これは、形状要素の積に等しい。

• ndarray.dtype: 配列内の要素のタイプを記述するオブジェクト。 dtype は、標準の Python タイプを使用して作成または指定できます。さらに、NumPy は独自の型を提供します。たとえば、numpy.int32、numpy.int16、numpy.float64 などです。

• ndarray.itemsize : 配列内の各要素のバイト サイズ。たとえば、float64 型の要素を含む配列の項目サイズは 8 (=64/8) ですが、complex32 型の配列の項目サイズは 4 (=32/8) です。 ndarray.dtype.itemsize と同じです。

>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype.name
'int64'
>>> a.itemsize
8
>>> a.size
15
>>> type(a)
<type &#39;numpy.ndarray&#39;>
>>> b = np.array([6, 7, 8])
>>> b
array([6, 7, 8])
>>> type(b)
<type &#39;numpy.ndarray&#39;>

2 ndarray のデータ型

同じ ndarray には、同じ型のデータが格納されます。ndarray の一般的なデータ型は次のとおりです。

3 ndarray の形状とデータ型を変更する

3.1 ndarray の形状を表示および変更する

## ndarray reshape操作
array_a = np.array([[1, 2, 3], [4, 5, 6]])
print(array_a, array_a.shape)
array_a_1 = array_a.reshape((3, 2))
print(array_a_1, array_a_1.shape)
# note: reshape不能改变ndarray中元素的个数，例如reshape之前为（2，3）,reshape之后为（3，2）/（1，6）...
## ndarray转置
array_a_2 = array_a.T
print(array_a_2, array_a_2.shape)
## ndarray ravel操作:将ndarray展平
a.ravel()  # returns the array, flattened
array([ 1,  2,  3,  4,  5,  6 ])

输出：
[[1 2 3]
 [4 5 6]] (2, 3)
[[1 2]
 [3 4]
 [5 6]] (3, 2)
[[1 4]
 [2 5]
 [3 6]] (3, 2)

3.2 ndarray の形状 データ型

astype(dtype[, order, Casting, subok, copy]): ndarray のデータ型を変更します。変更する必要があるデータ型を渡します。他のキーワード パラメーターは無視できます。

array_a = np.array([[1, 2, 3], [4, 5, 6]])
print(array_a, array_a.dtype)
array_a_1 = array_a.astype(np.int64)
print(array_a_1, array_a_1.dtype)
输出：
[[1 2 3]
 [4 5 6]] int32
[[1 2 3]
 [4 5 6]] int64

4 ndarray 配列の作成

NumPy は主に np.array() 関数を通じて ndarray 配列を作成します。

>>> import numpy as np
>>> a = np.array([2,3,4])
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int64')
>>> b = np.array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64')

作成時に配列の型を明示的に指定することもできます。

>>> c = np.array( [ [1,2], [3,4] ], dtype=complex )
>>> c
array([[ 1.+0.j,  2.+0.j],
       [ 3.+0.j,  4.+0.j]])

np.random.random# を使用して作成することもできます。 ## 関数 ランダムな ndarray 配列。

>>> a = np.random.random((2,3))
>>> a
array([[ 0.18626021,  0.34556073,  0.39676747],
       [ 0.53881673,  0.41919451,  0.6852195 ]])

通常、配列の要素は最初は不明ですが、そのサイズはわかっています。したがって、NumPy は、初期プレースホルダーの内容を含む配列

を作成するための関数をいくつか提供します。これにより、コストのかかる操作であるアレイの拡張の必要性が軽減されます。 Functionzeros
は 0 で構成される配列を作成し、関数 ones は完全な配列を作成し、関数 empty は初期内容がランダムである配列を作成します。記憶の状態。 デフォルトでは、作成される配列の dtype は float64 です。

>>> np.zeros( (3,4) )
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])
>>> np.ones( (2,3,4), dtype=np.int16 )                # dtype can also be specified
array([[[ 1, 1, 1, 1],
        [ 1, 1, 1, 1],
        [ 1, 1, 1, 1]],
       [[ 1, 1, 1, 1],
        [ 1, 1, 1, 1],
        [ 1, 1, 1, 1]]], dtype=int16)
>>> np.empty( (2,3) )                                 # uninitialized, output may vary
array([[  3.73603959e-262,   6.02658058e-154,   6.55490914e-260],
       [  5.30498948e-313,   3.14673309e-307,   1.00000000e+000]])

数値の配列を作成するために、NumPy は、リストの代わりに配列を返す

range

に似た関数を提供します。 <div class="code" style="position:relative; padding:0px; margin:0px;"><pre class='brush:php;toolbar:false;'>&gt;&gt;&gt; np.arange( 10, 30, 5 ) array([10, 15, 20, 25]) &gt;&gt;&gt; np.arange( 0, 2, 0.3 ) # it accepts float arguments array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])</pre><div class="contentsignin">ログイン後にコピー</div></div>5 ndarray 配列の一般的な操作

多くの行列言語とは異なり、積演算子

*

は NumPy 配列で要素ごとに操作します。行列積は、@ 演算子 (Python> = 3.5 の場合) または dot 関数またはメソッドを使用して実行できます: <div class="code" style="position:relative; padding:0px; margin:0px;"><pre class='brush:php;toolbar:false;'>&gt;&gt;&gt; A = np.array( [[1,1], ... [0,1]] ) &gt;&gt;&gt; B = np.array( [[2,0], ... [3,4]] ) &gt;&gt;&gt; A * B # elementwise product array([[2, 0], [0, 4]]) &gt;&gt;&gt; A @ B # matrix product array([[5, 4], [3, 4]]) &gt;&gt;&gt; A.dot(B) # another matrix product array([[5, 4], [3, 4]])</pre><div class="contentsignin">ログイン後にコピー</div></div> 特定の演算 (例:

=

および *=) は、新しい行列配列を作成せずに、操作対象の行列配列をより直接的に変更します。 <div class="code" style="position:relative; padding:0px; margin:0px;"><pre class='brush:php;toolbar:false;'>&gt;&gt;&gt; a = np.ones((2,3), dtype=int) &gt;&gt;&gt; b = np.random.random((2,3)) &gt;&gt;&gt; a *= 3 &gt;&gt;&gt; a array([[3, 3, 3], [3, 3, 3]]) &gt;&gt;&gt; b += a &gt;&gt;&gt; b array([[ 3.417022 , 3.72032449, 3.00011437], [ 3.30233257, 3.14675589, 3.09233859]]) &gt;&gt;&gt; a += b # b is not automatically converted to integer type Traceback (most recent call last): ... TypeError: Cannot cast ufunc add output from dtype(&amp;#39;float64&amp;#39;) to dtype(&amp;#39;int64&amp;#39;) with casting rule &amp;#39;same_kind&amp;#39;</pre><div class="contentsignin">ログイン後にコピー</div></div>異なる型の配列を操作する場合、結果の配列の型は、より一般的または正確な配列に対応します (アップキャストと呼ばれる動作)。

>>> a = np.ones(3, dtype=np.int32)
>>> b = np.linspace(0,pi,3)
>>> b.dtype.name
'float64'
>>> c = a+b
>>> c
array([ 1.        ,  2.57079633,  4.14159265])
>>> c.dtype.name
'float64'
>>> d = np.exp(c*1j)
>>> d
array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
       -0.54030231-0.84147098j])
>>> d.dtype.name
'complex128'

配列内のすべての要素の合計の計算など、多くの単項演算は、

ndarray

クラスのメソッドとして実装されます。 <div class="code" style="position:relative; padding:0px; margin:0px;"><pre class='brush:php;toolbar:false;'>&gt;&gt;&gt; a = np.random.random((2,3)) &gt;&gt;&gt; a array([[ 0.18626021, 0.34556073, 0.39676747], [ 0.53881673, 0.41919451, 0.6852195 ]]) >>> a.sum() 2.5718191614547998 >>> a.min() 0.1862602113776709 >>> a.max() 0.6852195003967595</pre><div class="contentsignin">ログイン後にコピー</div></div>

デフォルトでは、これらの操作は配列の形状に関係なく、あたかも数値のリストであるかのように配列に対して機能します。ただし、axis パラメーターを指定すると、配列の指定した軸に沿って演算を適用できます。

>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>>
>>> b.sum(axis=0)                            # 计算每一列的和
array([12, 15, 18, 21])
>>>
>>> b.min(axis=1)                            # 计算每一行的和
array([0, 4, 8])
>>>
>>> b.cumsum(axis=1)                         # cumulative sum along each row
array([[ 0,  1,  3,  6],
       [ 4,  9, 15, 22],
       [ 8, 17, 27, 38]])
解释：以第一行为例，0=0，1=1+0，3=2+1+0，6=3+2+1+0

6 ndarray 配列のインデックス付け、スライス、反復

Oneディメンション

配列は、リストや他の Python シーケンス タイプと同様に、インデックス付け、スライス、反復が可能です。

>>> a = np.arange(10)**3
>>> a
array([  0,   1,   8,  27,  64, 125, 216, 343, 512, 729])
>>> a[2]
8
>>> a[2:5]
array([ 8, 27, 64])
>>> a[:6:2] = -1000    # 等价于 a[0:6:2] = -1000; 从0到6的位置, 每隔一个设置为-1000
>>> a
array([-1000,     1, -1000,    27, -1000,   125,  fan 216,   343,   512,   729])
>>> a[ : :-1]                                 # 将a反转
array([  729,   512,   343,   216,   125, -1000,    27, -1000,     1, -1000])

多次元

配列は、軸ごとに 1 つのインデックスを持つことができます。これらのインデックスは、カンマ区切りのタプルとして指定されます:

>>> b
array([[ 0,  1,  2,  3],
       [10, 11, 12, 13],
       [20, 21, 22, 23],
       [30, 31, 32, 33],
       [40, 41, 42, 43]])
>>> b[2,3]
23
>>> b[0:5, 1]                       # each row in the second column of b
array([ 1, 11, 21, 31, 41])
>>> b[ : ,1]                        # equivalent to the previous example
array([ 1, 11, 21, 31, 41])
>>> b[1:3, : ]                      # each column in the second and third row of b
array([[10, 11, 12, 13],
       [20, 21, 22, 23]])
>>> b[-1]                                  # the last row. Equivalent to b[-1,:]
array([40, 41, 42, 43])

7 ndarray数组的堆叠、拆分

几个数组可以沿不同的轴堆叠在一起，例如：np.vstack()函数和np.hstack()函数

>>> a = np.floor(10*np.random.random((2,2)))
>>> a
array([[ 8.,  8.],
       [ 0.,  0.]])
>>> b = np.floor(10*np.random.random((2,2)))
>>> b
array([[ 1.,  8.],
       [ 0.,  4.]])
>>> np.vstack((a,b))
array([[ 8.,  8.],
       [ 0.,  0.],
       [ 1.,  8.],
       [ 0.,  4.]])
>>> np.hstack((a,b))
array([[ 8.,  8.,  1.,  8.],
       [ 0.,  0.,  0.,  4.]])

column_stack()函数将1D数组作为列堆叠到2D数组中。

>>> from numpy import newaxis
>>> a = np.array([4.,2.])
>>> b = np.array([3.,8.])
>>> np.column_stack((a,b))     # returns a 2D array
array([[ 4., 3.],
       [ 2., 8.]])
>>> np.hstack((a,b))           # the result is different
array([ 4., 2., 3., 8.])
>>> a[:,newaxis]               # this allows to have a 2D columns vector
array([[ 4.],
       [ 2.]])
>>> np.column_stack((a[:,newaxis],b[:,newaxis]))
array([[ 4.,  3.],
       [ 2.,  8.]])
>>> np.hstack((a[:,newaxis],b[:,newaxis]))   # the result is the same
array([[ 4.,  3.],
       [ 2.,  8.]])

使用hsplit()，可以沿数组的水平轴拆分数组，方法是指定要返回的形状相等的数组的数量，或者指定应该在其之后进行分割的列：
同理，使用vsplit()，可以沿数组的垂直轴拆分数组，方法同上。

################### np.hsplit ###################
>>> a = np.floor(10*np.random.random((2,12)))
>>> a
array([[ 9.,  5.,  6.,  3.,  6.,  8.,  0.,  7.,  9.,  7.,  2.,  7.],
       [ 1.,  4.,  9.,  2.,  2.,  1.,  0.,  6.,  2.,  2.,  4.,  0.]])
>>> np.hsplit(a,3)   # Split a into 3
[array([[ 9.,  5.,  6.,  3.],
       [ 1.,  4.,  9.,  2.]]), array([[ 6.,  8.,  0.,  7.],
       [ 2.,  1.,  0.,  6.]]), array([[ 9.,  7.,  2.,  7.],
       [ 2.,  2.,  4.,  0.]])]
>>> np.hsplit(a,(3,4))   # Split a after the third and the fourth column
[array([[ 9.,  5.,  6.],
       [ 1.,  4.,  9.]]), array([[ 3.],
       [ 2.]]), array([[ 6.,  8.,  0.,  7.,  9.,  7.,  2.,  7.],
       [ 2.,  1.,  0.,  6.,  2.,  2.,  4.,  0.]])]
>>> x = np.arange(8.0).reshape(2, 2, 2)
>>> x
array([[[0.,  1.],
        [2.,  3.]],
       [[4.,  5.],
        [6.,  7.]]])
################### np.vsplit ###################
>>> np.vsplit(x, 2)
[array([[[0., 1.],
        [2., 3.]]]), array([[[4., 5.],
        [6., 7.]]])]

以上がPython Numpyにおけるndarrayの一般的な操作例の分析の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。