numpy刪除單行、刪除單列、刪除多列實現方式
更新時間：2024年02月22日 10:30:53 作者：嗖100
這篇文章主要介紹了numpy刪除單行、刪除單列、刪除多列實現方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教
numpy刪除單行、刪除單列、刪除多列
import numpy as np
刪除元素
通過index刪除單行、刪除單列、刪除多行
def delFun():
"""
刪除
:return:
"""
source = np.array([[1, 2, 3], [1, 2, 3], [1, 2, 3]])
# 刪除第三行
del_arr_1 = source.copy()
del_row = np.delete(del_arr_1, 2, axis=0)
# 刪除第二列
del_arr_2 = source.copy()
del_col = np.delete(del_arr_2, 1, axis=1)
# 刪除第二、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)
原始數據
[ [1 2 3] [1 2 3] [1 2 3] ]
del_row 刪除第三行 返回結果
[ [1 2 3] [1 2 3] ]
del_col 刪除第二列 返回結果
[ [1 3] [1 3] [1 3] ]
del_mult_row 刪除第二、三行 返回結果
[ [1 2 3] ]
Numpy增加和刪除元素
1. delete
numpy.delete(arr, obj, axis=None)：
- arr：類數組。操作對象
- obj：切片、整數或者整數數組。指示要沿指定軸（由參數axis指定）刪除的子數組的索引
- axis：整數型，可選參數。指示刪除子數組（由參數obj指定）所沿的軸
- axis = None：arr會先按行展開，然后按照obj，刪除第obj-1（從0開始）位置的數，返回一個展開的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參數
>>> 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參數
>>> 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)：沿著給定的軸（axis），在給定的索引（obj）之前插入值
- arr：類數組。操作對象
- obj：切片、整數或者整數數組。指示插入values的位置索引（可以是單個索引也可以是多個索引），values插入在這些索引之前。
- values：類數組。插入到arr中的值
如果values的數據類型和arr的數據類型不同，values會被自動轉換為arr的數據類型
values的形狀應使 arr[…,obj,…] = values 合法
- axis：整數，可選參數。指示values沿著哪個軸插入
axis = None：arr會先被展平，類似numpy.delete函數
>>> 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參數
>>> 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的形狀應使 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的形狀應使 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參數
>>> 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參數
>>> 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])
注釋：特別注意numpy.insert(obj = some_integer)與numpy.insert(obj = [some_integer])的區(qū)別。
3. append
numpy.append(arr, values, axis=None)：添加值到數組的末尾
- arr：類數組。操作對象
- values：類數組 values的形狀必須正確
- axis：整數，可選參數。指示values沿著哪個軸添加到arr末尾
- axis = None：arr會先被展平，類似numpy.delete和numpy.insert函數
>>> 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參數
>>> 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參數
>>> np.append(arr,[13,14,15,16])
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16])
注釋： 特別注意values參數的形狀。
4. resize
numpy.resize(a, new_shape)：返回具有指定形狀的新數組
- a：類數組。操作對象
- new_shape：整數或整數序列。調整大小后的數組的形狀
如果新數組比原始數組大，那么新數組會用重復的原始數組來填充，這時會按照C語言的順序重復遍歷數組
>>> 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]])
注釋：
numpy.resize沒有單獨考慮各個軸，因此其不適用于插值/外推。所以，numpy.resize不適用于調整圖像或數據的大小，其中每個軸代表一個單獨的不同實體。
numpy.resize和ndarray.resize的區(qū)別：
- numpy.resize返回原始數據的副本，而ndarray.resize是對原始數據原地（in-place）修改
- numpy.resize是用原始數組來填充，而ndarray是用0來填充
>>> 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的區(qū)別：
- numpy.resize中新數組的形狀可以和原始數組不兼容，而numpy.reshape中新數組的形狀必須和原始數組兼容
- numpy.resize返回的是原始數組的副本，而numpy.reshape返回的是原始數組的視圖
>>> 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’)：修剪一維數組或序列開頭和/或尾部的0
filt：一維數組或序列
trim：字符串，可選參數
- ‘f’：修剪一維數組或序列開頭的0
- ‘b’：修剪一維數組或序列尾部的0
- ‘fb’：修剪一維數組或序列開頭和尾部的0（默認值）
>>> 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)：查找數組唯一的元素，返回數組排序后的唯一的元素
參數：
- ar：類數組
- return_index：布爾值，可選參數
- True：返回一個一維的數組unique_indices，其中每個元素表示每個排序后的唯一值在原始數組ar中的索引
- return_inverse：布爾值，可選參數
- True：返回一個一維的數組unique_inverse，其中每個元素表示原始數組ar中每個元素在返回的數組中的索引，用于重建原始數組
- return_counts：布爾值，可選參數
- True：返回一個一維的數組unique_counts，其中每個元素表示每個排序后的唯一值在原始數組中出現的次數
- axis：整數或None，可選參數
- None：原始數組ar會被展平
返回：
- unique：ndarray對象，排序后的唯一值
- unique_indices：ndarray對象（長度和unique一致），return_index為True時才返回
- unique_inverse：ndarray對象（長度和展品后的原始數組一致），return_inverse為True時才返回
- unique_counts：ndarray對象，return_counts為True時才返回
>>> 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)
注釋： 本篇中所有函數都會先對待操作數組進行拷貝，再進行操作。
總結
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關文章
在Python編程中,處理大規(guī)模數據或者進行復雜的計算任務時,通常需要考慮如何提高程序的運行效率,本文主要介紹了如何使用Joblib模塊來加快任務處理速度,需要的可以參考下2024-03-03
今天小編就為大家分享一篇Python turtle畫圖庫&&畫姓名實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
Python之所以這么流行，是因為它不僅能夠應用于科技領域，還能用來做許多其他學科的研究工具，繪制地圖便是其功能之一。本文我們將用matplot工具包之一的 mpl_toolkits 來繪制世界地圖，需要的可以參考一下2022-11-11
這篇文章主要介紹了Python的兩種運行方式,分別是命令行和交互式命令行,并詳細講解了如何在命令行和交互式命令行中運行Python代碼,需要的朋友可以參考下2025-03-03
Python打包方法之setup.py與pyproject.toml的全面對比與實戰(zhàn)
在 Python 開發(fā)中,創(chuàng)建可安裝的包是分享代碼的重要方式,本文將深入解析兩種主流打包方法——setup.py 和 pyproject.toml,并通過一個實際項目示例,展示如何使用現代的 pyproject.toml 方法構建、測試和發(fā)布 Python 包,需要的朋友可以參考下2025-05-05
matplotlib是一個著名的python繪圖庫，由于其靈活強大的繪圖功能使得在python中可視化變得非常容易，本文主要介紹了在matplotlib庫中制作動態(tài)圖的方法，需要的可以參考一下2023-06-06
使用Python和PyQt5實現全方面系統資源監(jiān)控
這篇文章主要介紹了一個基于PyQt5和psutil庫開發(fā)的系統資源監(jiān)控工具,該工具不僅具有強大的系統監(jiān)控功能,還采用了電影中經典的數字雨視覺效果作為背景,感興趣的可以了解下2025-06-06
這篇文章主要介紹了淺談python 線程池threadpool之實現，小編覺得挺不錯的，現在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-11-11
在Python中，可以使用sklearn庫中的特征降維方法對數據進行處理。主要包括基于PCA算法的降維、基于LDA算法的降維、以及利用特征選擇方法進行降維。這些方法可以提高模型的訓練效率和預測準確率，特別是在高維數據集中具有重要的作用2023-04-04
這篇文章演示如何將訓練好的pytorch模型部署到安卓設備上，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-02-02