1、数组广播机制：
1.1 数组与数的计算：1.2 数组与数组的计算：广播原则： 2、数组形状的操作：
2.1 reshape和resize方法：2.2 flatten和ravel方法： 3、不同数组的组合：4、数组的切割：
1、数组广播机制： 1.1 数组与数的计算：在Python列表中，想要对列表中所有的元素都加一个数，要么采用map函数，要么循环整个列表进行操作。但是NumPy中的数组可以直接在数组上进行操作。
示例代码如下：
import numpy as np a1 = np.random.random((3,4)) print(a1) # [[0.10254961 0.42006636 0.83411968 0.14746217] # [0.73549387 0.45227716 0.56687141 0.2311978 ] # [0.4628344 0.89336244 0.24550492 0.54512446]] # 如果想要在a1数组上所有元素都乘以10，那么可以通过以下来实现 a2 = a1*10 print(a2) # [[1.02549609 4.20066355 8.3411968 1.47462172] # [7.3549387 4.52277161 5.6687141 2.31197797] # [4.62834399 8.93362443 2.45504922 5.45124464]] # 也可以使用round让所有的元素只保留2位小数 a3 = a2.round(2) print(a3) # [[1.03 4.2 8.34 1.47] # [7.35 4.52 5.67 2.31] # [4.63 8.93 2.46 5.45]]
注意：以上例子是相乘，其实相加、相减、相除也都是类似的。
1.2 数组与数组的计算：1、结构相同的数组之间的运算：
a1 = np.arange(0,24).reshape((3,8)) a2 = np.random.randint(1,10,size=(3,8)) a3 = a1 + a2 #相减/相除/相乘都是可以的 print(a1) # [[ 0 1 2 3 4 5 6 7] # [ 8 9 10 11 12 13 14 15] # [16 17 18 19 20 21 22 23]] print(a2) # [[6 3 4 7 3 1 9 9] # [8 6 8 6 9 4 9 6] # [1 5 2 4 2 8 4 2]] print(a3) # [[ 6 4 6 10 7 6 15 16] # [16 15 18 17 21 17 23 21] # [17 22 20 23 22 29 26 25]]
2、与行数相同并且只有1列的数组之间的运算：
a1 = np.random.randint(10,20,size=(3,8)) #3行8列 a2 = np.random.randint(1,10,size=(3,1)) #3行1列 a3 = a1 - a2 #行数相同，且a2只有1列，能互相运算 print(a1) # [[17 13 10 10 16 15 16 10] # [13 17 12 10 13 17 14 10] # [18 16 16 19 19 14 19 15]] print(a2) # [[4] # [8] # [1]] print(a3) # [[13 9 6 6 12 11 12 6] # [ 5 9 4 2 5 9 6 2] # [17 15 15 18 18 13 18 14]]
3、与列数相同并且只有1行的数组之间的运算：
a1 = np.random.randint(10,20,size=(3,8)) #3行8列 a2 = np.random.randint(1,10,size=(1,8)) #1行8列 a3 = a1 - a2 print(a1) # [[18 17 19 18 18 15 13 12] # [13 12 12 13 14 14 11 18] # [16 12 11 15 14 19 16 14]] print(a2) # [[9 4 3 7 3 5 1 8]] print(a3) # [[ 9 13 16 11 15 10 12 4] # [ 4 8 9 6 11 9 10 10] # [ 7 8 8 8 11 14 15 6]]广播原则：
如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符或其中一方的长度为1，则认为他们是广播兼容的。广播会在缺失和（或）长度为1的维度上进行。看以下案例分析：
shape为(3,8,2)的数组能和(8,3)的数组进行运算吗？
分析：不能，因为按照广播原则，从后面往前面数，(3,8,2)和(8,3)中的2和3不相等，所以不能进行运算。
shape为(3,8,2)的数组能和(8,1)的数组进行运算吗？
分析：能，因为按照广播原则，从后面往前面数，(3,8,2)和(8,1)中的2和1虽然不相等，但是因为有一方的长度为1，所以能参与运算。
shape为(3,1,4)的数组能和(8,1)的数组进行运算吗？
分析：能，因为按照广播原则，从后面往前面数，(3,1,4)和(8,1)中的4和1虽然不相等且1和8不相等，但是因为这两项中有一方的长度为1，所以能参与运算。
可以通过一些函数，非常方便的操作数组的形状。
2.1 reshape和resize方法：两个方法都是用来修改数组形状的，但是有一些不同。
1、reshape是将数组转换成指定的形状，然后返回转换后的结果，对于原数组的形状是不会发生改变的。调用方式：
a1 = np.random.randint(0,10,size=(3,4)) a2 = a1.reshape((2,6)) #将修改后的结果返回，不会影响原数组本身 print(a1) # [[2 8 3 1] # [5 9 7 7] # [4 8 5 9]] print(a2) # [[2 8 3 1 5 9] # [7 7 4 8 5 9]] print(a1) # [[2 8 3 1] # [5 9 7 7] # [4 8 5 9]]
注意：a1数组的形状未发生改变。
2、resize是将数组转换成指定的形状，会直接修改数组本身。并不会返回任何值。调用方式：
a3 = np.random.randint(0,10,size=(3,4)) print(a3) # [[8 4 3 0] # [8 1 0 7] # [0 6 9 8]] a3.resize((2,6)) #a1本身发生了改变 print(a3) # [[8 4 3 0 8 1] # [0 7 0 6 9 8]]2.2 flatten和ravel方法：
两个方法都是将多维数组转换为一维数组，但是有以下不同：
1、flatten是将数组转换为一维数组后，然后将这个拷贝返回回去，所以后续对这个返回值进行修改不会影响之前的数组。
2、ravel是将数组转换为一维数组后，将这个视图（可以理解为引用）返回回去，所以后续对这个返回值进行修改会影响之前的数组。
比如以下代码：
x = np.array([[1, 2], [3, 4]]) print(x) # [[1 2] # [3 4]] x.flatten()[0] = 100 #此时的x[0]的位置元素还是1 print(x) # [[1 2] # [3 4]] x1 = x.flatten() print(x1) # [1 2 3 4] x.ravel()[0] = 100 #此时x[0]的位置元素是100 print(x) # [[100 2] # [ 3 4]]3、不同数组的组合：
如果有多个数组想要组合在一起，也可以通过其中的一些函数来实现。
1、np.vstack：将数组按垂直方向进行叠加。数组的列数必须相同才能叠加。
示例代码如下：
a1 = np.random.randint(0,10,size=(3,5)) a2 = np.random.randint(0,10,size=(1,5)) a3 = np.vstack([a1,a2]) print(a3) # [[5 4 7 7 2] # [7 0 2 6 7] # [7 7 6 8 0] # [1 4 6 1 1]]
2、hstack：将数组按水平方向进行叠加。数组的行必须相同才能叠加。示例代码如下：
a1 = np.random.randint(0,10,size=(3,2)) a2 = np.random.randint(0,10,size=(3,1)) a3 = np.hstack([a1,a2]) print(a1) # [[4 4] # [6 6] # [3 2]] print(a2) # [[2] # [5] # [3]] print(a3) # [[4 4 2] # [6 6 5] # [3 2 3]]
3、concatenate([ ],axis)：将两个数组进行叠加，但是具体是按水平方向还是按垂直方向。则要看axis的参数，如果axis=0，那么代表的是往垂直方向（行）叠加，如果axis=1，那么代表的是往水平方向（列）上叠加，如果axis=None，那么会将两个数组组合成一个一维数组。需要注意的是，如果往水平方向上叠加，那么行必须相同，如果是往垂直方向叠加，那么列必须相同。
示例代码如下：
a = np.array([[1, 2], [3, 4]]) b = np.array([[5, 6]]) print(np.concatenate((a, b), axis=0)) # [[1 2] # [3 4] # [5 6]] 或 #array([[1, 2], # [3, 4], # [5, 6]]) print(b.T) # [[5] # [6]] print(np.concatenate((a, b.T), axis=1)) #b.T对b进行转置 # [[1 2 5] # [3 4 6]] 或 # 结果： #array([[1, 2, 5], # [3, 4, 6]]) print(np.concatenate((a, b), axis=None)) # [1 2 3 4 5 6] 或 #array([1, 2, 3, 4, 5, 6])4、数组的切割：
通过hsplit和vsplit以及array_split可以将一个数组进行切割。
1、hsplit：按照水平方向进行切割。用于指定分割成几列，可以使用数字来代表分成几部分，也可以使用数组来代表分割的地方。示例代码如下：
a1 = np.arange(16.0).reshape(4, 4) print(a1) # [[ 0. 1. 2. 3.] # [ 4. 5. 6. 7.] # [ 8. 9. 10. 11.] # [12. 13. 14. 15.]] print(np.hsplit(a1,2)) #分割成两部分 # [array([[ 0., 1.], # [ 4., 5.], # [ 8., 9.], # [12., 13.]]), array([[ 2., 3.], # [ 6., 7.], # [10., 11.], # [14., 15.]])] print(np.hsplit(a1,[1,2])) #代表在下标为1的地方切一刀，下标为2的地方切一刀，分成三部分 # [array([[ 0.], # [ 4.], # [ 8.], # [12.]]), array([[ 1.], # [ 5.], # [ 9.], # [13.]]), array([[ 2., 3.], # [ 6., 7.], # [10., 11.], # [14., 15.]])]
2、vsplit：按照垂直方向进行切割。用于指定分割成几行，可以使用数字来代表分成几部分，也可以使用数组来代表分割的地方。示例代码如下：
#vsplit：按照垂直方向进行切割。 a1 = np.arange(16.0).reshape(4, 4) print(a1) # [[ 0. 1. 2. 3.] # [ 4. 5. 6. 7.] # [ 8. 9. 10. 11.] # [12. 13. 14. 15.]] print(np.vsplit(a1,2)) #代表按照行总共分成2个数组 # [array([[0., 1., 2., 3.], # [4., 5., 6., 7.]]), array([[ 8., 9., 10., 11.], # [12., 13., 14., 15.]])] print(np.vsplit(a1,(1,2))) #代表按照行进行划分，在下标为1的地方和下标为2的地方分割 # [array([[0., 1., 2., 3.]]), array([[4., 5., 6., 7.]]), array([[ 8., 9., 10., 11.], # [12., 13., 14., 15.]])]
3、split/array_split(array,indicate_or_seciont,axis)：用于指定切割方式，在切割的时候需要指定是按照行还是按照列，axis=1代表按照列，axis=0代表按照行。示例代码如下：
#split/array_split(array,indicate_or_seciont,axis)：用于指定切割方式， # 在切割的时候需要指定是按照行还是按照列，axis=1代表按照列，axis=0代表按照行。 a1 = np.arange(16.0).reshape(4, 4) print(a1) # [[ 0. 1. 2. 3.] # [ 4. 5. 6. 7.] # [ 8. 9. 10. 11.] # [12. 13. 14. 15.]] print(np.array_split(a1,2,axis=0)) #按照垂直方向切割成2部分 # [array([[0., 1., 2., 3.], # [4., 5., 6., 7.]]), array([[ 8., 9., 10., 11.], # [12., 13., 14., 15.]])]
