把隐藏在一些看似杂论无章的数据背后的信息提炼出来，总结出所研究对象的内在规律。
数据分析三剑客：Numpy、Pandas、Matplotlib
Numpy（Numerical Python）是Python语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
注意：
Numpy默认ndarray的所有元素的类型是相同的；
如果传进来的列表中包含不同的类型，则统一位同一类型，优先级：str > float > int;
np.array([[1, 2, 3], [4, '5', 6], [7, 8, 9]]) # 输出： array([['1', '2', '3'], ['4', '5', '6'], ['7', '8', '9']], dtype='<U11')
使用matplotlib.pyplot获取一个numpy数组，数据源于一张图片
import matplotlib.pyplot as plt img_arr = plt.imread('./lmy.jpg') plt.imshow(img_arr) # 输出： <matplotlib.image.AxesImage at 0x25b81a877b8>对数组进行算术运算
plt.imshow(img_arr-25) # 输出： <matplotlib.image.AxesImage at 0x25b88d19080>
数组的形状
img_arr.shap # 输出： (1440, 1080, 3)操作该numpy数据，该操作会同步到图片中
包含一下常见创建方法：
1） np.ones(shape, dtype=None, order='C') # 创建以1填充的指定大小的数组
np.ones(shape=(20, 30)) # 输出： 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., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]])2） np.zeros(shape, stype=None, order='C') # 创建以1填充的指定大小的数组
np.zeros(shape=(20, 30)) # 输出： array([[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])
3） np.full(shape, fill_value, dtype=None, order='C') # 自定义数组的大小、自定义填充的内容
np.full(shape=(5, 6), fill_value=9527) # 输出： array([[9527, 9527, 9527, 9527, 9527, 9527], [9527, 9527, 9527, 9527, 9527, 9527], [9527, 9527, 9527, 9527, 9527, 9527], [9527, 9527, 9527, 9527, 9527, 9527], [9527, 9527, 9527, 9527, 9527, 9527]])
4）np.linspace(start, stop, num=50, endpoint=True, restep=False, dtype=None) # 构造等差数组
np.linspace(1, 100, num=20) # 输出： array([ 1. , 6.21052632, 11.42105263, 16.63157895, 21.84210526, 27.05263158, 32.26315789, 37.47368421, 42.68421053, 47.89473684, 53.10526316, 58.31578947, 63.52631579, 68.73684211, 73.94736842, 79.15789474, 84.36842105, 89.57894737, 94.78947368, 100. ])5）np.arange([start, ]stop, [step,]dtype-None) # 循环生成数组
np.arange(0, 100, step=2) # 输出： array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 42, 44, 46, 48, 50, 52, 54, 56, 58, 60, 62, 64, 66, 68, 70, 72, 74, 76, 78, 80, 82, 84, 86, 88, 90, 92, 94, 96, 98])6）np.random.randint(low, high=None, size=None, dtype='l') # 随机产生指定大小的数组
np.random.randint(0, 100, size=(5, 7)) # 输出 array([[49, 10, 15, 24, 84, 64, 22], [39, 30, 60, 76, 53, 79, 2], [64, 29, 8, 89, 68, 7, 95], [59, 56, 86, 94, 47, 2, 18], [62, 72, 51, 70, 62, 34, 85]])
上边这样产生数组，每次都是不一样的，因为里边的元素都是随机产生的。
np.random.seed(5) # 固定时间种子，产生的随机数就固定下来了 np.random.randint(0, 100, size=(5, 7))# 输出 array([[99, 78, 61, 16, 73, 8, 62], [27, 30, 80, 7, 76, 15, 53], [80, 27, 44, 77, 75, 65, 47], [30, 84, 86, 18, 9, 41, 62], [ 1, 82, 16, 78, 5, 58, 0]])
7）np.random.randn(d0, d1, ..., dn) # 标准正太分布的数组
arr = np.random.randn(4, 5)
8) np.random.random(size=None) # 生成0到1的随机数，左闭右开
np.random.seed(3) np.random.random(size=(3,4)) # 输出 array([[0.5507979 , 0.70814782, 0.29090474, 0.51082761], [0.89294695, 0.89629309, 0.12558531, 0.20724288], [0.0514672 , 0.44080984, 0.02987621, 0.45683322]])
4个必记参数：
ndim：维度
arr = np.random.randn(4, 5) arr.ndim # 输出 2
shape：形状（各维度的长度）
arr = np.random.randn(4, 5) arr.shape # 输出 (4, 5)
size： 总长度
arr = np.random.randn(4, 5) arr.size # 输出 20
dtype：元素类型
arr = np.random.randn(4, 5) arr.dtype # 输出 dtype('float64')
type(arr)
arr = np.random.randn(4, 5) type(arr) # 输出 numpy.ndarray
一维与列表完全一致 多维时同理
arr[1][2] # 输出 0.48624932610831123
根据索引修改数据
arr[1][2] = 1 arr # 输出 array([[-0.51664792, -0.18907167, -0.41619802, 0.72465766, -0.68996068], [ 0.48641448, 0.85151895, 1. , -0.83423985, 1.34499246], [-0.67821268, 0.42643507, -0.75333479, -1.74411025, 0.22575027], [ 0.28703516, -0.07744096, 0.2760685 , -0.64841089, -0.73746484]])
一维与列表完全一致 多维时同理
arr[0: 2] # 横着切，切列；获取二维数组的前两行
arr = np.random.randint(60, 120, size=(6, 4)) arr # arr结构 array([[ 82, 105, 96, 100], [ 86, 112, 69, 79], [100, 65, 114, 72], [ 86, 95, 84, 112], [ 94, 103, 115, 83], [110, 78, 60, 67]]) arr[0: 2] # 输出 array([[ 82, 105, 96, 100], [ 86, 112, 69, 79]])
arr[:, 0:2] # 竖着切，切前两行；其中，左边是行，右边是列。获取二维数组的前两列。
arr[:, 0:2] # 输出 array([[ 82, 105], [ 86, 112], [100, 65], [ 86, 95], [ 94, 103], [110, 78]])获取二维数组前两行和前两列数据
arr[0: 2, 0: 2] # 输出 array([[ 82, 105], [ 86, 112]])将数据反转，例如[1, 2, 3] ---> [3, 2, 1]
:: 进行切片
将数组的行进行倒序 （将第一行换到倒数第一行，以此类推）
arr = np.random.randint(65, 130, size=(6, 4)) arr # arr array([[127, 91, 65, 101], [119, 102, 101, 88], [ 83, 109, 96, 76], [ 89, 91, 69, 121], [ 65, 85, 120, 75], [ 70, 124, 74, 119]]) arr[::-1] # 输出 array([[ 70, 124, 74, 119], [ 65, 85, 120, 75], [ 89, 91, 69, 121], [ 83, 109, 96, 76], [119, 102, 101, 88], [127, 91, 65, 101]] )列倒序
arr[:, ::-1] # 输出 array([[101, 65, 91, 127], [ 88, 101, 102, 119], [ 76, 96, 109, 83], [121, 69, 91, 89], [ 75, 120, 85, 65], [119, 74, 124, 70]])全部倒序
arr[::-1, ::-1] # 输出 array([[119, 74, 124, 70], [ 75, 120, 85, 65], [121, 69, 91, 89], [ 76, 96, 109, 83], [ 88, 101, 102, 119], [101, 65, 91, 127]])将图片进行全倒置
读取图片
img_arr = plt.imread('./XiangShan.jpg') plt.imshow(img_arr) # 输出 <matplotlib.image.AxesImage at 0x25b88ee05c0>查看图片数组形状
img_arr.shape # 输出 (4032, 3024, 3)颜色图片倒置
plt.imshow(img_arr[:, :, ::-1]) # 输出 <matplotlib.image.AxesImage at 0x25b876810f0>图片全倒置
plt.imshow(img_arr[::-1, ::-1, ::-1]) # 输出 <matplotlib.image.AxesImage at 0x25b876c6a58>
随机生成二维图片
my_pic_arr = np.random.randint(0,255,size=(500,500,3),dtype=np.uint8) plt.imshow(my_pic_arr) # 输出 <matplotlib.image.AxesImage at 0x25b890fa908>注意：
有些机器运行上述代码在没有指定dtype时，会出现 ValueError: 3-dimensional arrays must be of dtype unsigned byte, unsigned short, float32 or float64 的错误，这时只需要加上 dtype=np.uint8 就可以了，这一步操作是将编码方式指定为系统自带的编码方式。
使用arr.reshape()函数，注意参数是一个tuple！
1. 将一维数组变形成多维数组
arr # 输出 array([[127, 91, 65, 101], [119, 102, 101, 88], [ 83, 109, 96, 76], [ 89, 91, 69, 121], [ 65, 85, 120, 75], [ 70, 124, 74, 119]])arr1 = arr.reshape(24)
arr1 = arr.reshape(24)arr1.reshape(2, 4, 3)
arr1.reshape(2, 4, 3) # 输出 array([[[127, 91, 65], [101, 119, 102], [101, 88, 83], [109, 96, 76]], [[ 89, 91, 69], [121, 65, 85], [120, 75, 70], [124, 74, 119]]])arr1.reshape(3, -1) # -1表示自动计算行数/列数
arr1.reshape(3, -1) # 输出 array([[ 90, 73, 68, 117, 80, 65, 68, 71], [ 90, 83, 88, 105, 128, 97, 92, 103], [ 78, 105, 76, 84, 120, 98, 94, 77]])
2. 将多维数组变成一维数组
arr1 = arr.reshape(24) arr1 # 输出 array([108, 102, 129, 76, 104, 122, 128, 88, 112, 107, 100, 87, 100, 86, 76, 112, 110, 94, 99, 100, 90, 66, 127, 119])1. 将图片读取并转化成数组
arr_img = plt.imread('./train.jpg')2. 查看图片维度大小
arr_img.shape # 输出 (1080, 1440, 3)3. 将三维的图片变成一维，大小为原图片大小
arr_1_img = arr_img.reshape(1080*1440*3)4. 对一维数组中所有的元素倒置
v_arr_1 = arr_1_img[::-1] v_arr_1 # 输出 array([119, 119, 105, ..., 255, 255, 255], dtype=uint8)5. 将一维数组变成三维数组
plt.imshow(v_arr_1.reshape(1080, 1440, 3)) # 输出 <matplotlib.image.AxesImage at 0x21cd33d7470>np.concatenate()
1. 一维、二维、多维数组的级联，实际操作中级联多为二维数组
生成一个6×4的数组
arr # 输出 array([[ 90, 73, 68, 117], [ 80, 65, 68, 71], [ 90, 83, 88, 105], [128, 97, 92, 103], [ 78, 105, 76, 84], [120, 98, 94, 77]])axis=0 轴向： 0表示是竖直的轴向 1表示水平的轴向
水平级联 np.concatenate((arr, arr), axis=1)# 输出 array([[ 90, 73, 68, 117, 90, 73, 68, 117], [ 80, 65, 68, 71, 80, 65, 68, 71], [ 90, 83, 88, 105, 90, 83, 88, 105], [128, 97, 92, 103, 128, 97, 92, 103], [ 78, 105, 76, 84, 78, 105, 76, 84], [120, 98, 94, 77, 120, 98, 94, 77]])
竖直级联
np.concatenate((arr, arr), axis=0) # 输出 array([[ 90, 73, 68, 117], [ 80, 65, 68, 71], [ 90, 83, 88, 105], [128, 97, 92, 103], [ 78, 105, 76, 84], [120, 98, 94, 77], [ 90, 73, 68, 117], [ 80, 65, 68, 71], [ 90, 83, 88, 105], [128, 97, 92, 103], [ 78, 105, 76, 84], [120, 98, 94, 77]])
准备两个数组，一个6×4， 一个3×4
arr = np.random.randint(65, 130, size=(6, 4)) arr ''' 输出 array([[ 90, 73, 68, 117], [ 80, 65, 68, 71], [ 90, 83, 88, 105], [128, 97, 92, 103], [ 78, 105, 76, 84], [120, 98, 94, 77]]) ''' arr1 = np.random.randint(0, 100, size=(3, 4)) arr1 ''' 输出 array([[74, 62, 44, 42], [22, 67, 55, 10], [58, 26, 77, 95]]) '''
两个大小不一样的素组之间的级联
np.concatenate((arr, arr1), axis=0) '''输出 array([[ 90, 73, 68, 117], [ 80, 65, 68, 71], [ 90, 83, 88, 105], [128, 97, 92, 103], [ 78, 105, 76, 84], [120, 98, 94, 77], [ 74, 62, 44, 42], [ 22, 67, 55, 10], [ 58, 26, 77, 95]]) '''
一维数组无法和二维数组级联
arr1 = np.random.randint(0, 100, size=(3, 4)) arr1 ''' 输出 array([[74, 62, 44, 42], [22, 67, 55, 10], [58, 26, 77, 95]]) ''' arr2 = np.array([1, 2, 3, 4]) arr2 ''' array([1, 2, 3, 4]) ''' np.concatenate((arr1, arr2), axis=0) ''' --------------------------------------------------------------------------- ValueError Traceback (most recent call last) <ipython-input-37-9b03f799ca88> in <module>() ----> 1 np.concatenate((arr1, arr2), axis=0) ValueError: all the input arrays must have same number of dimensions '''
2. 合并两张照片
arr_flower = plt.imread('./flower.jpg') arr = np.concatenate((arr_flower, arr_flower, arr_flower), axis=1) arr_result = np.concatenate((arr, arr, arr), axis=0) plt.imshow(arr_result) ''' 输出 <matplotlib.image.AxesImage at 0x21cd26d7208> '''
3. np.hstack与np.vstack
np.hstack
arr_flower = plt.imread('./flower.jpg') arr = np.concatenate((arr_flower, arr_flower, arr_flower), axis=1) arr_result = np.concatenate((arr, arr, arr), axis=0) a = np.vstack((arr_result, arr_result)) plt.imshow(a) ''' 输出 <matplotlib.image.AxesImage at 0x21cd3474cf8> '''np.vstack
arr_flower = plt.imread('./flower.jpg') arr = np.concatenate((arr_flower, arr_flower, arr_flower = plt.imread('./flower.jpg') arr = np.concatenate((arr_flower, arr_flower, arr_flower), axis=1) arr_result = np.concatenate((arr, arr, arr), axis=0) a = np.vstack((arr_result, arr_result)) plt.imshow(a)arr_flower), axis=1) arr_result = np.concatenate((arr, arr, arr), axis=0) b = np.vstack((arr_result, arr_result)) plt.imshow(b) ''' 输出 <matplotlib.image.AxesImage at 0x21cd30437f0> '''级联需要注意的点：
● 级联的参数是列表：一定要加中括号或者小括号
● 维度必须相同
● 形状相符：在维度保持一致的前提下，如果进行横向（axis=1）级联，必须保证进行级联的数组行数保持一致。如果进行纵向（axis=0）级联，必须保证进行级联的数组列数保持一致。
● 可通过axis参数改变级联的方向。
与级联类似，三个函数完成切分工作：
● np.split(arr, 行/列号， 轴)： 参数2是一个列表类型
● np.vsplit
● np.hsplit
获取一个数组
np.random.seed(10) num_arr = np.random.randint(60, 100, size=(5, 6)) num_arr ''' 输出 array([[69, 96, 75, 60, 88, 85], [89, 89, 68, 69, 60, 96], [76, 96, 71, 84, 93, 68], [96, 74, 73, 65, 73, 85], [73, 88, 82, 90, 90, 85]]) '''
对数组进行分割
np.split(num_arr, [2, 3], axis=1) ''' 输出 [array([[69, 96], [89, 89], [76, 96], [96, 74], [73, 88]]), array([[75], [68], [71], [73], [82]]), array([[60, 88, 85], [69, 60, 96], [84, 93, 68], [65, 73, 85], [90, 90, 85]])] '''
np.vsplit 切列
np.vsplit(num_arr, [2, 3]) ''' 输出 [array([[69, 96, 75, 60, 88, 85], [89, 89, 68, 69, 60, 96]]), array([[76, 96, 71, 84, 93, 68]]), array([[96, 74, 73, 65, 73, 85], [73, 88, 82, 90, 90, 85]])] '''
np.hsplit
np.hsplit(num_arr, [2, 3]) ''' 输出 [array([[69, 96], [89, 89], [76, 96], [96, 74], [73, 88]]), array([[75], [68], [71], [73], [82]]), array([[60, 88, 85], [69, 60, 96], [84, 93, 68], [65, 73, 85], [90, 90, 85]])] '''切分照片
1. 读取照片
import matplotlib.pyplot as plt import numpy as np img_arr = plt.imread('./MyL.jpg') #./MyL.jpg为图片的路径 plt.imshow(img_arr) ''' 输出 <matplotlib.image.AxesImage at 0x20d56c9a438> '''2. 水平切
imgs = np.split(img_arr, [0, 1200], axis=0) plt.imshow(imgs[1]) ''' 输出 <matplotlib.image.AxesImage at 0x20d56f7e080> '''它的切割结果为三份，第一份为[0, 0], 第二份为[0, 1200],第三份为[1200, 1350]。其中，查看数组形状：
img_arr.shape ''' 输出 (1350, 1012, 3) '''3. 纵向切
img_data = np.split(imgs[1], [100, 1000], axis=1)[1] plt.imshow(img_data) ''' 输出 <matplotlib.image.AxesImage at 0x20d56daf2b0> '''它的切割结果同样也为三份，第一份为[0, 100],第二份为[100, 1000],第三份为[1000, 1012]。
所有赋值运算不会为ndarray的任何元素创建副本。对赋值后的对象的操作也对原来的对应生效。
arr = np.array([1, 2, 3, 4, 5]) a = arr.copy() a[1] = 10 arr ''' 输出 array([1, 2, 3, 4, 5]) ''' a ''' 输出 array([ 1, 10, 3, 4, 5]) '''
对所有元素进行累加求和。
0
转载于:https://www.cnblogs.com/ZN-225/p/10284280.html
