ndarray对象实质上就可以理解为矩阵, 矩阵是咱们作运算的基本单位,所以其初始化、属性调整、属性获取、基本操作都是高频使用的。
虽然是高频使用的,但有时候,莫名地就忘了格式,或者忘了还有这个操作,所以有必要写一篇博文把“Numpy库的ndarray对象初始化、属性调整、属性获取、基本操作”的示例代码进行个积累汇总,以便自己Coding时取用。

1 直接赋值初始化一个矩阵

示例代码如下:

A = np.array([[1, 2, 3, 4, 5],
              [6, 7, 8, 9, 10],
              [11, 12, 13, 14, 15],
              [16, 17, 18, 19, 20],
              [21, 22, 23, 24, 25]], dtype='int8')

上面代码中的第二个参数dtype是可选的,不如不填,则系统根据矩阵元素的数据大小来确定。
上面的代码创建的是二维矩阵,我们再看一个创建三维矩阵的例子。

# !/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np

B = np.array([[[11, 12, 13, 14],
               [15, 16, 17, 18]],
              [[19, 20, 21, 22],
               [23, 24, 25, 26]],
              [[27, 28, 29, 30],
               [31, 32, 33, 34]]])

运行结果如下图所示:
在这里插入图片描述
从其shape属性可以看出,B矩阵的尺寸为三通道,两行,四列。其内容如下:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2 通过复制别的矩阵得到新的矩阵

示例代码如下:

import numpy as np

B = np.array([[[11, 12, 13, 14],
               [15, 16, 17, 18]],
              [[19, 20, 21, 22],
               [23, 24, 25, 26]],
              [[27, 28, 29, 30],
               [31, 32, 33, 34]]])

C = B

运行结果如下所示:
在这里插入图片描述

3 创建和原矩阵大小一样、通道一样,但是数据类型和原矩阵不一样的全0矩阵

示例代码如下:

import numpy as np

B = np.array([[[11, 12, 13, 14],
               [15, 16, 17, 18]],
              [[19, 20, 21, 22],
               [23, 24, 25, 26]],
              [[27, 28, 29, 30],
               [31, 32, 33, 34]]])

C = B
C = 0*C
C = C.astype('float32')

运行结果如下:
在这里插入图片描述
注意:在2中说了通过“=”赋值得到的新ndarray对象和原对象共享存储空间(浅拷贝),但由于这里使用了乘法运算符,所以会为结果构建一个新的ndarray对象,并为其分配新的存储空间,所以通过上面代码的一系列操作得到的是深拷贝。

4 创建指定大小和数据类型且元素值全为1或0的二维或多维矩阵

D = np.ones((3, 5), dtype='uint8')

注意,我们还可通过函数ones()、zeros()等函数创建多维矩阵,比如我们可以通过下面这条语句创建二通道、三行、四列的三维矩阵。

D = np.ones((2, 3, 4), dtype='uint8')

运行结果如下:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
从这个结果我们可以看出,第一个索引代表通道数(也称为页数),第二个索引代表行数,第三个索引代表列数。要特别注意,OpenCV的函数imread()读到的图像数据的三个索引值并不是这个顺序,详情见 https://www.hhai.cc/thread-89-1-1.html
同样,也可初始化四维矩阵,如下:

D = np.ones((2, 3, 4, 5), dtype='uint8')

在这里插入图片描述

5 创建指定大小和数据类型且元素值全为0的矩阵

E = np.zeros((3, 5), dtype='float32')

6 创建指定大小、指定数据类型、数据值按均匀分布生成的整数矩阵

F = np.random.randint(0, 100, (3, 5), dtype='uint8')

7 创建指定大小、数据值按正态分布(均值为0,标准差为1)生成的矩阵

K = np.random.randn(2, 3)

注意:函数randn()不能设置数据类型,也不能设置正态分布的均值和标准差,其原型如下:

random.randn(d0, d1, ..., dn)

运行结果如下:
在这里插入图片描述
从上图我们可以看出,其数据类型为float64

8 获取ndarray对象(矩阵)的维度、形状、元素个数、数据类型、每个元素占用的内存空间、内存布局、数据的实部、数据的虚部

示例代码如下:

import numpy as np

A = np.array([[[11, 12, 13, 14],
               [15, 16, 17, 18]],
              [[19, 20, 21, 22],
               [23, 24, 25, 26]],
              [[27, 28, 29, 30],
               [31, 32, 33, 34]]])

A_dim = A.ndim  # 矩阵的维度
A_shape = A.shape  # 矩阵的形状
A_size = A.size  # 矩阵的元素个数
A_dtype = A.dtype  # 矩阵的数据类型
A_itemsize = A.itemsize  # 矩阵的每个元素占用的内存空间,以字节为单位
A_flags = A.flags  # 矩阵数据的内存布局
A_real = A.real  # 矩阵数据的实部
A_imag = A.imag  # 矩阵数据的虚部

运行结果如下图所示:
在这里插入图片描述

9 对矩阵元素的选取和访问(切片操作)

对数据的选取和访问请参看我的另一篇博文,链接:
https://www.hhai.cc/thread-122-1-1.html

10 提取矩阵(图像)中的感兴趣区域、以及矩阵(图像)的深拷贝和浅拷贝问题

关于这个问题,参见我的另一篇博文,链接如下:
https://www.hhai.cc/thread-128-1-1.html

11 ndarray对象转换为列表

关于ndarray对象如何转换为列表,大家可以参考我的另一篇博文,链接如下:
https://www.hhai.cc/thread-123-1-1.html

Logo

华为开发者空间,是为全球开发者打造的专属开发空间,汇聚了华为优质开发资源及工具,致力于让每一位开发者拥有一台云主机,基于华为根生态开发、创新。

更多推荐