python：numpy中np.newaxis,np.tile,np.repeat等常见函数的用法

本是古典何须时尚 2023-07-06 11:52 8阅读 0赞

> 在对数据进行处理时候，常见以下函数  
> np.newaxis(), np.ndim(), np.tile(), np.repeat(), np.view(), np.astype(), np.dtype(),

##### （1）np.newaxis() ------作用：增加维数 #####

例子如下：

>>> import numpy as np
    >>> x = np.array([1,2,3,4])
    >>> y = x[np.newaxis ,:,np.newaxis]
    >>> z = x[np.newaxis ,:]
    >>> print(x.shape, y.shape, z.shape)
    (4,) (1, 4, 1) (1, 4)
    >>> x
    array([1, 2, 3, 4])
    >>> y
    array([[[1],
            [2],
            [3],
            [4]]])
    >>> z
    array([[1, 2, 3, 4]])

可以对已有数据通过np.newaxis函数对位置进行升维

##### （2）np.ndim-----作用：输出数组维数 #####

>>> x.ndim
    1
    >>> y.ndim
    3
    >>> z.ndim
    2

输出是一个标量且只有一个数字

##### （3）np.tile(A, reps)-----作用：复制数组元素 #####

输入: A是数组,reps是个list,reps的元素表示对A的各个axis进行重复的次数  
返回: 一个数组,维度的数量等于max(A.ndim,len(reps)),注意不要混淆A.ndim和A.shape  
有两种特殊情况:  
1、A.ndim < len(reps), 此时需要调整A的维度使得A.ndim = len(reps),即添加长度为1的维度,注意:新的维度在原维度的前面,比如原来的A.shape是(3,5),调整后是(1,3,5)  
2、A.ndim > len(reps), 此时需要增加list的长度,使得A.ndim = len(reps),即在reps的最前面增加元素1,比如原来的list是\[2,2\],增加长度后是\[1,2,2\]  
例子如下：

# 示例1,正常情况
    a = np.array([0, 1, 2])
    # 将axis=0重复2次
    np.tile(A=a, reps=2)
    # array([0, 1, 2, 0, 1, 2])
    
    # 示例2,特殊情况1:A.ndim < len(reps)
    a = np.array([0, 1, 2])
    # 将a.shape调整至(1,3),然后将axis=0重复2次,将axis=1重复2次
    np.tile(A=a, reps=(2, 2))
    #array([[0, 1, 2, 0, 1, 2], [0, 1, 2, 0, 1, 2]])
    
    # 示例3,特殊情况1:A.ndim < len(reps)
    a = np.array([0, 1, 2])
    # 将a.shape调整至(1,1,3),然后将axis=0重复2次,将axis=1重复1次,将axis=2重复2次
    np.tile(A=a, reps=(2, 1, 2))
    #array([[[0, 1, 2, 0, 1, 2]], [[0, 1, 2, 0, 1, 2]]])
    
    # 示例4,特殊情况2:A.ndim > len(reps)
    b = np.array([[1, 2], [3, 4]])
    # 将reps=[2]调整至[1,2],然后将axis=0重复1次,将axis=1重复2次
    np.tile(A=b, reps=2)
    #array([[1, 2, 1, 2], [3, 4, 3, 4]])
    
    # 示例5,正常情况
    b = np.array([[1, 2], [3, 4]])
    # 将axis=0重复两次,将axis=1重复1次
    np.tile(A=b, reps=(2, 1))
    #array([[1, 2], [3, 4], [1, 2], [3, 4]])
    
    # 示例6,特殊情况1:A.ndim < len(reps)
    c = np.array([1,2,3,4])
    # 将c.shape调整至(4,1),然后将axis=0重复4次,将axis=1重复1次
    np.tile(A=c, reps=(4,1))
    # array([[1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4]])

##### (4)np.repeat（a, reps,axis = None）-----作用：复制数组元素 #####

输入: a是数组,reps是各个元素重复的次数(reps一般是个标量,稍复杂点是个list),在axis的方向上进行重复  
返回: 如果不指定axis,则将重复后的结果展平(维度为1)后返回;如果指定axis,则不展平  
例子如下：

# 示例1,展平
    # 将3重复4次
    np.repeat(a=3, repeats=4)
    # array([3, 3, 3, 3])
    
    # 示例2,展平
    # 每个元素都重复2次,并展平后输出
    x = np.array([[1,2],[3,4]])
    np.repeat(a=x, repeats=2)
    # array([1, 1, 2, 2, 3, 3, 4, 4])
    
    #示例3,不展平
    x = np.array([[1,2],[3,4]])
    # 沿着axis=1方向重复,将axis=1方向上的每个元素重复3次
    np.repeat(a=x, repeats=3, axis=1)
    #array([[1, 1, 1, 2, 2, 2], [3, 3, 3, 4, 4, 4]])
    
    #示例3,不展平
    x = np.array([[1,2],[3,4]])
    # 沿着axis=0方向重复,将axis=0方向上的第0个元素重复1次,第1个元素重复2次
    np.repeat(a=x, repeats=[1, 2], axis=0)
    # array([[1, 2], [3, 4], [3, 4]])

##### (5)torch.view()-----作用：改变tensor的尺寸 #####

这里插入一个tensor类型数组，也是常常用在数据处理  
例子如下：

>>> import torch
    >>> x = torch.tensor([[1,2,3,4],[5,6,7,8]])
    >>> x.shape
    torch.Size([2, 4])
    >>> y = x.view(4,2)
    >>> y
    tensor([[1, 2],
            [3, 4],
            [5, 6],
            [7, 8]])
    >>> z = x.view(1,-1)
    >>> z
    tensor([[1, 2, 3, 4, 5, 6, 7, 8]])

当出现-1时，则是通过前一个维度自动算出该维度

##### （6）np.astype(), np.dtype-----作用：改变数据类型, 显示数据类型 #####

astype：转换数组的数据类型。

int32 --> float64 完全莫得问题

float64 --> int32 会将小数部分截断

string\_ --> float64 如果字符串数组表示的全是数字，也可以用astype转化为数值类型  
例子如下：

>>> x = np.array([1,2,3,4])
    >>> y = np.array([[1,2],[3,4]])
    >>> x1 = x.astype(float)
    >>> print(x.dtype, y.dtype,x1.dtype)
    int32 int32 float64
    >>> z = np.array([1.2,2.3])
    >>> z1 = z.astype(int)
    >>> print(z.dtype,z1.dtype)
    float64 int32

float 是python中的数据类型，numpy会自动将float转换为其中对应的float64类型，int同样如此