一、 數組元素值的替換

我們可以使用索引或 where () 函數來替換 NumPy 數組中的元素值。

1.1 方式一：索引

import numpy as npnp.random.seed(42)a3 = np.random.randint(0, 10, size=(3, 4))print("原數組:\n", a3)a3\[1] = 0  # 將a3數組第一行數據全部更換為0print("替換后數組:\n", a3)a3\[1] = np.array(\[1, 2, 3, 4])  # 將a3數組第一行數據更換為 \[1, 2, 3, 4]print("再次替換后數組:\n", a3)

1.2 方式二：條件索引

import numpy as npnp.random.seed(42)a3 = np.random.randint(0, 10, size=(3, 4))print("原數組:\n", a3)a3\[a3 < 3] = 1  # 數組中值小于3的元素全部替換為1print("條件替換后數組:\n", a3)

1.3 方式三：where () 函數

import numpy as npnp.random.seed(42)a3 = np.random.randint(0, 10, size=(3, 4))print("原數組:\n", a3)result = np.where(a3 < 5, 0, 1)  # 將a3數組中小于5的值替換為0，剩余值替換為1print("使用where()替換后數組:\n", result)

二、 數組的廣播機制

數組的廣播機制允許形狀不同的數組進行運算，只要它們的形狀是兼容的。廣播機制的基本原則是：如果兩個數組的后緣維度（從末尾開始算起的維度）的軸長度相同或其中一方的長度為 1，則認為它們是廣播兼容的。廣播會在缺失和（或）長度為 1 的維度上進行。

2.1 廣播原則

• 如果兩個數組的后緣維度的軸長度相同或其中一方的長度為 1，則認為它們是廣播兼容的。

• 廣播會在缺失和（或）長度為 1 的維度上進行。

示例：

• shape 為 (3,8,2) 的數組能和 shape 為 (8,1) 的數組進行運算嗎？是。

• shape 為 (3,1,8) 的數組能和 shape 為 (8,1) 的數組進行運算嗎？是。

2.2 數組與數字運算

import numpy as npa = np.random.randint(0, 5, size=(3, 5))print(a)a = a \* 2.345print(a.round(2))  # 數組中的所有元素都乘以2.345，并保留2位小數

2.3 數組與數組運算

import numpy as npa1 = np.random.randint(0, 5, size=(3, 5))a2 = np.random.randint(0, 5, size=(3, 5))print(a1 + a2)  # 數組形狀一致時，各個元素相加減（滿足數組廣播機制）a3 = np.random.randint(0, 5, size=(3, 4))\# a1 + a3  # 報錯，形狀不一致的數組不能相加減（不滿足數組廣播機制）

三、 數組形狀的操作

3.1 數組形狀的改變

(1) reshape 與 resize

import numpy as npa1 = np.random.randint(0, 10, size=(3, 4))print(a1)a2 = a1.reshape((2, 6))  # reshape是將數組轉換成指定的形狀，然后返回轉換后的結果，原數組的形狀不會發生改變print(a2)a1.resize((4, 3))  # resize是將數組轉換成指定的形狀，會直接修改數組本身，并且不會返回任何值print(a1)

(2) flatten 與 ravel

import numpy as npa3 = np.array(\[\[6, 9, 1, 6], \[4, 9, 4, 8], \[7, 0, 6, 0]])print(a3)a4 = a3.flatten()  # flatten將多維數組轉換為一維數組，并返回一個拷貝，后續對這個返回值的修改不會影響原數組a4\[0] = 100print("flatten后:", a4)print("原數組\[0,0]:", a3\[0, 0])a5 = a3.ravel()  # ravel將多維數組轉換為一維數組，并返回一個視圖，后續對這個返回值的修改會影響原數組a5\[0] = 200print("ravel后:", a5)print("原數組\[0,0]:", a3\[0, 0])

3.2 數組的疊加

(1) 垂直方向疊加的兩種方式

import numpy as npv1 = np.random.randint(0, 10, size=(3, 4))v2 = np.random.randint(0, 10, size=(2, 4))v3 = np.vstack(\[v1, v2])  # 垂直方向疊加v4 = np.concatenate(\[v1, v2], axis=0)  # 垂直方向疊加print(v3)print(v4)

(2) 水平方向疊加的兩種方式

import numpy as nph1 = np.array(\[\[5, 0, 8, 6], \[8, 5, 1, 8], \[4, 3, 6, 3]])h2 = np.array(\[\[4], \[5], \[3]])h3 = np.hstack(\[h1, h2])  # 水平方向疊加h4 = np.concatenate(\[h1, h2], axis=1)  # 水平方向疊加print(h3)print(h4)

(3) 先將數據拉伸轉換成一維數組，再拼接

import numpy as npnp.random.seed(42)h1 = np.random.randint(0, 10, size=(3, 4))h2 = np.random.randint(0, 10, size=(3, 1))h5 = np.concatenate(\[h1, h2], axis=None)  # 先拉伸轉換成一維數組，再拼接print(h5)

3.3 數組的切割

(1) 水平方向切割

import numpy as npnp.random.seed(42)hs1 = np.random.randint(0, 10, size=(3, 4))print(hs1)print(np.hsplit(hs1, 2))  # 水平方向平均分為2份（要求列數可被2整除）print(np.hsplit(hs1, (1, 2)))  # 水平方向分為1,1,2列（在下標為1,2處切割）

(2) 垂直方向切割

import numpy as npvs1 = np.array(\[\[6, 3, 7, 4, 6], \[9, 2, 6, 7, 4], \[3, 7, 7, 2, 5], \[4, 1, 7, 5, 1]])print(vs1)print(np.vsplit(vs1, 4))  # 垂直方向平均分為4份print(np.vsplit(vs1, (1, 3)))  # 垂直方向分為1,2,1份（在下標為1,3處切割）

(3) 指定切割方式

import numpy as nparr = np.array(\[\[1, 2, 7, 9], \[9, 7, 7, 8], \[3, 1, 2, 6]])print(np.split(arr, 4, axis=1))  # 按列平均切割print(np.split(arr, 4, axis=0))  # 按行平均切割

3.4 矩陣轉置

(1) 通過 ndarray.T 進行轉置

import numpy as npt1 = np.random.randint(0, 10, size=(3, 4))print(t1)print(t1.T)  # 數組t1轉置print(t1.dot(t1.T))  # 矩陣相乘

(2) 通過 ndarray.transpose () 進行轉置

import numpy as npt2 = t1.transpose()t2\[0, 0] = 99  # 修改會影響原來的數組print(t2)print(t1)

四、 Axis 理解

在 NumPy 中，axis 是指數組的某個維度，用于指定對數組進行操作時沿著哪個維度進行操作。

4.1 Axis

axis 用于指定軸是行還是列，默認 axis=0。axis=0 代表沿著行的方向進行操作，axis=1 代表沿著列的方向進行操作。

(1) 求 x 數組在 axis=0 和 axis=1 兩種情況下的和

import numpy as npx = np.array(\[\[0, 1], \[2, 3]])print(x.sum(axis=0))  # 按列求和print(x.sum(axis=1))  # 按行求和

(2) 用 np.max 求 axis=0 和 axis=1 兩種情況下的最大值

import numpy as npnp.random.seed(100)x = np.random.randint(1, 10, size=(3, 5))print(x)print(x.max(axis=0))  # 按列求最大值print(x.max(axis=1))  # 按行求最大值

(3) 用 np.delete 在 axis=0 和 axis=1 兩種情況下刪除元素

import numpy as npnp.random.seed(100)x = np.random.randint(1, 10, size=(3, 5))print(x)print(np.delete(x, 0, axis=0))  # 刪除第0行print(np.delete(x, 0, axis=1))  # 刪除第0列