Python矩阵操作：维度变换、矩阵组合、矩阵分割

不念不忘少年蓝@ 2022-05-31 10:14 1741阅读 0赞

# 1. 矩阵维度变换 #

## 1.1 numpy.reshape(a, newshape, order=’C’) ##

reshape()函数经常用做一维数组维度的变化，也就是将一维数组变化成为指定维度的矩阵。order是指不同的索引规则，**一般默认C，按照行进行运算。**  
示例：

print np.reshape(np.arange(10), (2, 5))
    
    [[0 1 2 3 4] [5 6 7 8 9]]

## 1.2 numpy.ravel(a, order=’C’) ##

ravel函数是将矩阵数据进行降维操作，例如，将二维的数据降成一维的  
示例：

data = np.reshape(np.arange(10), (2, 5))
    print data.reshape(-1)
    print data.ravel()
    
    [0 1 2 3 4 5 6 7 8 9]
    [0 1 2 3 4 5 6 7 8 9]

## 1.3 flatten(\[order\]) ##

该成员函数也是用于降维使用的，起作用与ravel函数类似  
示例：

data = np.reshape(np.arange(10), (2, 5))
    print data.flatten()
    
    [0 1 2 3 4 5 6 7 8 9]

与ravel函数的区别：ravel是原始数据的视图，对其进行修改之后原始数据也将会被修改；而flatten函数则返回原始数据的拷贝，对其进行修改并不会对原始数据产生影响。  
示例：

# ravel函数
    data = np.reshape(np.arange(10), (2, 5))
    data1 = data.ravel()
    data1[0] = 100
    print data
    
    [[100 1 2 3 4] [ 5 6 7 8 9]]
    
    # flatten函数
    data = np.reshape(np.arange(10), (2, 5))
    data1 = data.flatten()
    data1[0] = 100
    print data
    
    [[0 1 2 3 4] [5 6 7 8 9]]

# 2. 矩阵组合 #

这里使用两个测试用矩阵：

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

## 2.1 水平组合 ##

示例：

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

## 2.2 垂直组合 ##

示例：

print np.vstack((a, b))
    print np.concatenate((a, b), axis=0)
    
    [[1 2] [3 4] [5 6] [7 8]]

## 2.3 深度组合 ##

示例：

print np.dstack((a, b))
    
    [[[1 5] [2 6]]
    
     [[3 7] [4 8]]]

# 3. 矩阵分割 #

这里使用如下数据进行测试：

a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

## 3.1 水平分割 ##

在理解了2.1节中的水平组合之后，其逆过程就很容易理解了。  
示例：将示例矩阵分为等分成为三份

print np.hsplit(a, 3)
    
    [array([[1], [4], [7]]), array([[2], [5], [8]]), array([[3], [6], [9]])]

## 3.2 垂直分割 ##

其过程类似上面的过程  
示例：

print np.vsplit(a, 3)
    
    [array([[1, 2, 3]]), array([[4, 5, 6]]), array([[7, 8, 9]])]

## 3.3 深度分割 ##

示例：注意，深度分割只对三维以上矩阵有效

print np.dsplit(np.arange(27).reshape((3, 3, 3)), 3)
    
    [array([[[ 0], [ 3], [ 6]],
    
           [[ 9], [12], [15]],
    
           [[18], [21], [24]]]), array([[[ 1], [ 4], [ 7]],
    
           [[10], [13], [16]],
    
           [[19], [22], [25]]]), array([[[ 2], [ 5], [ 8]],
    
           [[11], [14], [17]],
    
           [[20], [23], [26]]])]

# 4. 矩阵的属性 #

这里测试用的数据还是3节中的数据

## 4.1 矩阵维度 ##

print np.shape(a)
    
    (3, 3)

## 4.2 矩阵数据类型 ##

print a.dtype
    
    int64

## 4.3 矩阵元素个数 ##

print a.size
    
    9

## 4.4 矩阵元素占用字节数 ##

print a.itemsize
    
    8

## 4.5 矩阵总占用字节数 ##

print a.nbytes
    
    72