numpy删除单行、删除单列、删除多列实现方式，
numpy删除单行、删除单列、删除多列实现方式，
目录
- numpy删除单行、删除单列、删除多列
- 删除元素
- Numpy增加和删除元素
- 1. delete
- 2. insert
- 3. append
- 4. resize
- 5. trim_zeros
- 6. unique
- 总结
numpy删除单行、删除单列、删除多列
import numpy as np
删除元素
通过index删除单行、删除单列、删除多行
def delFun():
"""
删除
:return:
"""
source = np.array([[1, 2, 3], [1, 2, 3], [1, 2, 3]])
# 删除第三行
del_arr_1 = source.copy()
del_row = np.delete(del_arr_1, 2, axis=0)
# 删除第二列
del_arr_2 = source.copy()
del_col = np.delete(del_arr_2, 1, axis=1)
# 删除第二、三行
del_arr_3 = source.copy()
del_mult_row = np.delete(del_arr_3, (1, 2), axis=0)
print(del_row)
print(del_col)
print(del_mult_row)
原始数据
[ [1 2 3] [1 2 3] [1 2 3] ]
del_row 删除第三行 返回结果
[ [1 2 3] [1 2 3] ]
del_col 删除第二列 返回结果
[ [1 3] [1 3] [1 3] ]
del_mult_row 删除第二、三行 返回结果
[ [1 2 3] ]
Numpy增加和删除元素
1. delete
numpy.delete(arr, obj, axis=None)：
- arr：类数组。操作对象
- obj：切片、整数或者整数数组。指示要沿指定轴（由参数axis指定）删除的子数组的索引
- axis：整数型，可选参数。指示删除子数组（由参数obj指定）所沿的轴
- axis = None：arr会先按行展开，然后按照obj，删除第obj-1（从0开始）位置的数，返回一个展开的arr
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
# obj参数
>>> np.delete(arr,1,1)
array([[ 1, 3, 4],
[ 5, 7, 8],
[ 9, 11, 12]])
>>> np.delete(arr,[1,2],axis=1)
array([[ 1, 4],
[ 5, 8],
[ 9, 12]])
# axis参数
>>> np.delete(arr,1,0)
array([[ 1, 2, 3, 4],
[ 9, 10, 11, 12]])
>>> np.delete(arr,1)
array([ 1, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
2. insert
numpy.insert(arr, obj, values, axis=None)：沿着给定的轴（axis），在给定的索引（obj）之前插入值
- arr：类数组。操作对象
- obj：切片、整数或者整数数组。指示插入values的位置索引（可以是单个索引也可以是多个索引），values插入在这些索引之前。
- values：类数组。插入到arr中的值
如果values的数据类型和arr的数据类型不同，values会被自动转换为arr的数据类型
values的形状应使 arr[…,obj,…] = values 合法
- axis：整数，可选参数。指示values沿着哪个轴插入
axis = None：arr会先被展平，类似numpy.delete函数
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
# obj参数
>>> np.insert(arr,1,0,axis=1)
array([[ 1, 0, 2, 3, 4],
[ 5, 0, 6, 7, 8],
[ 9, 0, 10, 11, 12]])
>>> np.insert(arr,1,[1,2,3],axis=1) # values的形状应使 arr[...,obj,...] = values 合法
array([[ 1, 1, 2, 3, 4],
[ 5, 2, 6, 7, 8],
[ 9, 3, 10, 11, 12]])
>>> np.insert(arr,[1,2],np.array([[1,2],[3,4],[5,6]]),axis=1) # values的形状应使 arr[...,obj,...] = values 合法
array([[ 1, 1, 2, 2, 3, 4],
[ 5, 3, 6, 4, 7, 8],
[ 9, 5, 10, 6, 11, 12]])
>>> np.insert(arr,[1],[1,2,3],axis=1)
array([[ 1, 1, 2, 3, 2, 3, 4],
[ 5, 1, 2, 3, 6, 7, 8],
[ 9, 1, 2, 3, 10, 11, 12]])
# values参数
>>> np.insert(arr,1,[1.5,2,True],axis=1)
array([[ 1, 1, 2, 3, 4],
[ 5, 2, 6, 7, 8],
[ 9, 1, 10, 11, 12]])
# axis参数
>>> np.insert(arr,1,0,axis=0)
array([[ 1, 2, 3, 4],
[ 0, 0, 0, 0],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> np.insert(arr,1,0)
array([ 1, 0, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
注释：特别注意numpy.insert(obj = some_integer)与numpy.insert(obj = [some_integer])的区别。
3. append
numpy.append(arr, values, axis=None)：添加值到数组的末尾
- arr：类数组。操作对象
- values：类数组 values的形状必须正确
- axis：整数，可选参数。指示values沿着哪个轴添加到arr末尾
- axis = None：arr会先被展平，类似numpy.delete和numpy.insert函数
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
# values参数
>>> np.append(arr,[13,14,15,16],axis=0)
ValueError: all the input arrays must have same number of dimensions, but the array
at index 0 has 2 dimension(s) and the array at index 1 has 1 dimension(s)
>>> np.append(arr,np.array([[13,14,15,16]]),axis=0)
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12],
[13, 14, 15, 16]])
>>> np.append(arr,[5,9,13],axis=1)
ValueError: all the input arrays must have same number of dimensions, but the array
at index 0 has 2 dimension(s) and the array at index 1 has 1 dimension(s)
>>> np.append(arr,np.array([[5],[9],[13]]),axis=1)
array([[ 1, 2, 3, 4, 5],
[ 5, 6, 7, 8, 9],
[ 9, 10, 11, 12, 13]])
# axis参数
>>> np.append(arr,[13,14,15,16])
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16])
注释： 特别注意values参数的形状。
4. resize
numpy.resize(a, new_shape)：返回具有指定形状的新数组
- a：类数组。操作对象
- new_shape：整数或整数序列。调整大小后的数组的形状
如果新数组比原始数组大，那么新数组会用重复的原始数组来填充，这时会按照C语言的顺序重复遍历数组
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> np.resize(arr,(4,3))
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
>>> np.resize(arr,(4,4))
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12],
[ 1, 2, 3, 4]])
>>> np.resize(arr,(3,5))
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10],
[11, 12, 1, 2, 3]])
>>> np.resize(arr,(3,3))
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
注释：
numpy.resize没有单独考虑各个轴，因此其不适用于插值/外推。所以，numpy.resize不适用于调整图像或数据的大小，其中每个轴代表一个单独的不同实体。
numpy.resize和ndarray.resize的区别：
- numpy.resize返回原始数据的副本，而ndarray.resize是对原始数据原地（in-place）修改
- numpy.resize是用原始数组来填充，而ndarray是用0来填充
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> np.resize(arr,[3,5])
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10],
[11, 12, 1, 2, 3]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> arr.resize(3,5,refcheck=False)
>>> arr
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10],
[11, 12, 0, 0, 0]])```
numpy.resize和numpy.reshape的区别：
- numpy.resize中新数组的形状可以和原始数组不兼容，而numpy.reshape中新数组的形状必须和原始数组兼容
- numpy.resize返回的是原始数组的副本，而numpy.reshape返回的是原始数组的视图
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> id(arr)
2040077636592
>>> arr.ctypes.data
2039348516176
>>> arr_reshape = np.reshape(arr,(4,3))
>>> arr_reshape
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
>>> id(arr_reshape)
2040077636832
>>> arr_reshape.ctypes.data
2039348516176
>>> arr_resize = np.resize(arr,(4,3))
>>> arr_resize
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
>>> id(arr_resize)
2040077636752
>>> arr_resize.ctypes.data
2039348513616
>>> arr[0][0] = 0
>>> arr
array([[ 0, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> arr_reshape
array([[ 0, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
>>> arr_resize
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
5. trim_zeros
numpy.trim_zeros(filt, trim=‘fb’)：修剪一维数组或序列开头和/或尾部的0
filt：一维数组或序列
trim：字符串，可选参数
- ‘f’：修剪一维数组或序列开头的0
- ‘b’：修剪一维数组或序列尾部的0
- ‘fb’：修剪一维数组或序列开头和尾部的0（默认值）
>>> arr = np.array([0, 0, 0, 1, 2, 3, 0, 2, 1, 0, 0]) >>> arr array([0, 0, 0, 1, 2, 3, 0, 2, 1, 0, 0]) >>> np.trim_zeros(arr) array([1, 2, 3, 0, 2, 1]) >>> np.trim_zeros(arr,trim='f') array([1, 2, 3, 0, 2, 1, 0, 0]) >>> np.trim_zeros(arr,trim='b') array([0, 0, 0, 1, 2, 3, 0, 2, 1]) >>> list1 = [0, 0, 0, 1, 2, 3, 0, 2, 1, 0, 0] >>> np.trim_zeros(list1) [1, 2, 3, 0, 2, 1] >>> np.trim_zeros(list1,trim='f') [1, 2, 3, 0, 2, 1, 0, 0] >>> np.trim_zeros(list1,trim='b') [0, 0, 0, 1, 2, 3, 0, 2, 1]
6. unique
numpy.unique(ar, return_index=False, return_inverse=False, return_counts=False, axis=None)：查找数组唯一的元素，返回数组排序后的唯一的元素
参数：
- ar：类数组
- return_index：布尔值，可选参数
- True：返回一个一维的数组unique_indices，其中每个元素表示每个排序后的唯一值在原始数组ar中的索引
- return_inverse：布尔值，可选参数
- True：返回一个一维的数组unique_inverse，其中每个元素表示原始数组ar中每个元素在返回的数组中的索引，用于重建原始数组
- return_counts：布尔值，可选参数
- True：返回一个一维的数组unique_counts，其中每个元素表示每个排序后的唯一值在原始数组中出现的次数
- axis：整数或None，可选参数
- None：原始数组ar会被展平
返回：
- unique：ndarray对象，排序后的唯一值
- unique_indices：ndarray对象（长度和unique一致），return_index为True时才返回
- unique_inverse：ndarray对象（长度和展品后的原始数组一致），return_inverse为True时才返回
- unique_counts：ndarray对象，return_counts为True时才返回
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> arr_unique, arr_index, arr_inverse, arr_counts = np.unique(arr, return_index=True, return_inverse=True, return_counts=True)
>>> arr_unique
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
>>> arr_index
array([ 0, 1, 2, 3, 4, 5, 6, 7, 12, 13, 14, 15], dtype=int64)
>>> arr_inverse
array([ 0, 1, 2, 3, 4, 5, 6, 7, 4, 5, 6, 7, 8, 9, 10, 11],
dtype=int64)
>>> arr_counts
array([1, 1, 1, 1, 2, 2, 2, 2, 1, 1, 1, 1], dtype=int64)
# unique = arr.flatten()[index]
>>> arr.flatten()[arr_index]
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
# arr = unique[inverse].reshape(arr.shape)
>>> arr_unique[arr_inverse].reshape(arr.shape)
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> arr_unique_0, arr_index_0, arr_inverse_0, arr_counts_0 = np.unique(arr, return_index=True, return_inverse=True, return_counts=True,axis=0)
>>> arr_unique_0
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> arr_index_0
array([0, 1, 3], dtype=int64)
>>> arr_inverse_0
array([0, 1, 1, 2], dtype=int64)
>>> arr_counts_0
array([1, 2, 1], dtype=int64)
>>> arr_unique_1, arr_index_1, arr_inverse_1, arr_counts_1 = np.unique(arr, return_index=True, return_inverse=True, return_counts=True,axis=1)
>>> arr_unique_1
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> arr_index_1
array([0, 1, 2, 3], dtype=int64)
>>> arr_inverse_1
array([0, 1, 2, 3], dtype=int64)
>>> arr_counts_1
array([1, 1, 1, 1], dtype=int64)
注释： 本篇中所有函数都会先对待操作数组进行拷贝，再进行操作。
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持3672js教程。
您可能感兴趣的文章:- Numpy 数组操作之元素添加、删除和修改的实现
- numpy如何删除矩阵中的部分数据numpy.delete
- numpy增加维度、删除维度的方法
- 比较两个numpy数组并实现删除共有的元素
评论关闭