详解NumPy常用的数组的扩展和压缩方法

NumPy数组的扩展和压缩是指在不改变数组元素的情况下，改变数组的形状或尺寸。

数组的扩展

数组的扩展是指将一个数组扩展成一个更大或更小的形状。NumPy提供了几种方式来扩展数组，包括：

• numpy.reshape()
• numpy.resize()
• numpy.append()

numpy.reshape()

reshape()函数用于改变数组的形状，返回一个新的数组对象。它的基本用法如下：

numpy.reshape(arr, newshape, order='C')

其中，arr是需要改变形状的数组；newshape是新的形状，可以是一个整数元组；order是可选参数，指定数组的遍历顺序，默认为'C'，即按行遍历。例如：

import numpy as np

arr = np.arange(8)
print(arr)  # [0 1 2 3 4 5 6 7]

new_arr = np.reshape(arr, (2, 4))
print(new_arr)
# [[0 1 2 3]
#  [4 5 6 7]]

numpy.resize()

resize()函数用于改变数组的尺寸，返回一个新的数组对象。它的基本用法如下：

numpy.resize(arr, new_shape)
其中，arr是需要改变尺寸的数组；new_shape是新的尺寸，可以是一个整数元组。如果新的尺寸比原来的尺寸大，新的数组会重复原数组中的元素，如果新的尺寸比原来的尺寸小，原数组中的元素会被丢弃。例如：

import numpy as np

arr = np.array([[1, 2], [3, 4]])
print(arr)
# [[1 2]
#  [3 4]]

new_arr = np.resize(arr, (3, 3))
print(new_arr)
# [[1 2 3]
#  [4 1 2]
#  [3 4 1]]

numpy.append()

append()函数用于将一个数组或值附加到另一个数组的末尾，返回一个新的数组对象。它的基本用法如下：

numpy.append(arr, values, axis=None)

其中，arr是需要附加到其末尾的数组；values是要附加的数组或值；axis是可选参数，指定在哪个轴上进行附加操作。如果不指定轴，则会将数组展开并附加到末尾。例如：

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
new_arr = np.append(arr1, arr2)
print(new_arr)  # [1 2 3 4 5 6]

数组的压缩

numpy.compress()

数组的压缩是指将一个数组压缩成一个更小的形状。NumPy提供了几种方式来压缩数组，

在 NumPy 中，可以使用 numpy.compress() 函数对数组进行压缩，该函数可以根据指定的条件对数组进行筛选，返回符合条件的元素组成的新数组。

numpy.compress(condition, a, axis=None, out=None) 函数的参数如下：

• condition：布尔型数组或者布尔型数组表达式，用于筛选元素。
• a：需要进行压缩的数组。
• axis：指定压缩的轴，默认为 None，即将数组展开成一维数组，对整个数组进行压缩。
• out：指定输出的数组，如果不指定，则函数会创建一个新的数组来存储压缩后的结果。

以下是使用 numpy.compress() 函数进行压缩的示例：

import numpy as np

a = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8]])
condition = np.array([True, False, True])
b = np.compress(condition, a, axis=0)

print("原数组：")
print(a)
print("压缩后的数组：")
print(b)

输出结果如下：

原数组：
[[0 1 2]
 [3 4 5]
 [6 7 8]]
压缩后的数组：
[[0 1 2]
 [6 7 8]]

在示例中，原数组 a 是一个 $3\times3$ 的二维数组，condition 是一个布尔型数组，用于指定压缩的条件。通过指定 axis=0 参数，对数组 a 沿着第一个轴进行压缩，返回符合条件的行组成的新数组。

另外，numpy.compress() 函数也可以用来删除数组中的元素。只需要将不符合条件的元素置为 False，并将该布尔型数组传递给 numpy.compress() 函数即可。例如，将数组中所有小于 5 的元素删除：

import numpy as np

a = np.array([1, 3, 5, 2, 4, 6])
condition = a >= 5
b = np.compress(condition, a)

print("原数组：")
print(a)
print("删除后的数组：")
print(b)

输出结果如下：

原数组：
[1 3 5 2 4 6]
删除后的数组：
[5 6]

在示例中，通过 a >= 5 得到一个布尔型数组 condition，其中所有大于等于 5 的元素对应的位置上的值为 True，小于 5 的元素对应的位置上的值为 False，将 condition 传递给 numpy.compress() 函数即可。

其他数组压缩方法

除了 numpy.compress() 之外，还有以下几种压缩数组的方法：

使用布尔掩码压缩数组
可以使用布尔数组作为掩码来筛选数组中的元素。将布尔数组作为索引传递给原始数组，将返回掩码为 True 的元素。

import numpy as np

# 创建一个 1 维数组
arr = np.array([1, 2, 3, 4, 5])

# 创建一个布尔掩码
mask = np.array([True, False, True, False, False])

# 使用掩码压缩数组
result = arr[mask]

print(result)  # [1 3]

使用 NumPy 的 where() 方法

可以使用 NumPy 的 where() 方法来筛选数组中满足指定条件的元素。

import numpy as np

# 创建一个 1 维数组
arr = np.array([1, 2, 3, 4, 5])

# 使用 where() 方法筛选元素
result = np.where(arr > 2)

print(result)  # (array([2, 3, 4]),)

其中，where() 方法返回一个元组，包含满足条件的元素的索引。

使用 NumPy 的 nonzero() 方法

可以使用 NumPy 的 nonzero() 方法来查找数组中非零元素的索引。

import numpy as np

# 创建一个 1 维数组
arr = np.array([1, 0, 2, 0, 3, 0, 4, 0, 5])

# 使用 nonzero() 方法查找非零元素的索引
result = np.nonzero(arr)

print(result)  # (array([0, 2, 4, 6, 8]),)

其中，nonzero() 方法返回一个元组，包含非零元素的索引。

使用 NumPy 的 trim_zeros() 方法

可以使用 NumPy 的 trim_zeros() 方法来删除数组开头和结尾的零值。

import numpy as np

# 创建一个 1 维数组
arr = np.array([0, 0, 1, 2, 0, 0, 0, 3, 4, 0, 5, 0, 0])

# 使用 trim_zeros() 方法删除数组开头和结尾的零值
result = np.trim_zeros(arr)

print(result)  # [1 2 0 0 0 3 4 0 5]

其中，trim_zeros() 方法返回一个新的数组，其中开头和结尾的零值已被删除。

以上就是NumPy常用的数组的扩展和压缩方法的所有内容。