numpy删除单行、删除单列、删除多列实现方式

更新时间：2024年02月22日 10:30:53 作者：嗖100

这篇文章主要介绍了numpy删除单行、删除单列、删除多列实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教

numpy删除单行、删除单列、删除多列

import numpy as np

删除元素

通过index删除单行、删除单列、删除多行

def delFun():
    """
    删除
    :return:
    """
    source = np.array([[1, 2, 3], [1, 2, 3], [1, 2, 3]])

    # 删除第三行
    del_arr_1 = source.copy()
    del_row = np.delete(del_arr_1, 2, axis=0)

    # 删除第二列
    del_arr_2 = source.copy()
    del_col = np.delete(del_arr_2, 1, axis=1)

    # 删除第二、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)

原始数据

	[
		[1 2 3]
 		[1 2 3]
 		[1 2 3]
 	]

del_row 删除第三行返回结果

	[
		[1 2 3]
 		[1 2 3]
 	]

del_col 删除第二列返回结果

	[
		[1 3]
		 [1 3]
		 [1 3]
	]

del_mult_row 删除第二、三行返回结果

	[
		[1 2 3]
	]

Numpy增加和删除元素

1. delete

numpy.delete(arr, obj, axis=None)：

arr：类数组。操作对象
obj：切片、整数或者整数数组。指示要沿指定轴（由参数axis指定）删除的子数组的索引
axis：整数型，可选参数。指示删除子数组（由参数obj指定）所沿的轴
axis = None：arr会先按行展开，然后按照obj，删除第obj-1（从0开始）位置的数，返回一个展开的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参数
>>> 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参数
>>> 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)：沿着给定的轴（axis），在给定的索引（obj）之前插入值

arr：类数组。操作对象
obj：切片、整数或者整数数组。指示插入values的位置索引（可以是单个索引也可以是多个索引），values插入在这些索引之前。
values：类数组。插入到arr中的值

如果values的数据类型和arr的数据类型不同，values会被自动转换为arr的数据类型

values的形状应使 arr[…,obj,…] = values 合法

axis：整数，可选参数。指示values沿着哪个轴插入

axis = None：arr会先被展平，类似numpy.delete函数

>>> 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参数
>>> 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的形状应使 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的形状应使 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参数
>>> 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参数
>>> 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])

注释：特别注意numpy.insert(obj = some_integer)与numpy.insert(obj = [some_integer])的区别。

3. append

numpy.append(arr, values, axis=None)：添加值到数组的末尾

arr：类数组。操作对象
values：类数组 values的形状必须正确
axis：整数，可选参数。指示values沿着哪个轴添加到arr末尾
axis = None：arr会先被展平，类似numpy.delete和numpy.insert函数

>>> 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参数
>>> 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参数
>>> np.append(arr,[13,14,15,16])
array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16])

注释： 特别注意values参数的形状。

4. resize

numpy.resize(a, new_shape)：返回具有指定形状的新数组

a：类数组。操作对象
new_shape：整数或整数序列。调整大小后的数组的形状

如果新数组比原始数组大，那么新数组会用重复的原始数组来填充，这时会按照C语言的顺序重复遍历数组

>>> 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]])

注释：

numpy.resize没有单独考虑各个轴，因此其不适用于插值/外推。所以，numpy.resize不适用于调整图像或数据的大小，其中每个轴代表一个单独的不同实体。

numpy.resize和ndarray.resize的区别：

numpy.resize返回原始数据的副本，而ndarray.resize是对原始数据原地（in-place）修改
numpy.resize是用原始数组来填充，而ndarray是用0来填充

>>> 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的区别：

numpy.resize中新数组的形状可以和原始数组不兼容，而numpy.reshape中新数组的形状必须和原始数组兼容
numpy.resize返回的是原始数组的副本，而numpy.reshape返回的是原始数组的视图

>>> 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’)：修剪一维数组或序列开头和/或尾部的0

filt：一维数组或序列

trim：字符串，可选参数

‘f’：修剪一维数组或序列开头的0
‘b’：修剪一维数组或序列尾部的0
‘fb’：修剪一维数组或序列开头和尾部的0（默认值）

>>> 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)：查找数组唯一的元素，返回数组排序后的唯一的元素

参数：

ar：类数组
return_index：布尔值，可选参数
True：返回一个一维的数组unique_indices，其中每个元素表示每个排序后的唯一值在原始数组ar中的索引
return_inverse：布尔值，可选参数
True：返回一个一维的数组unique_inverse，其中每个元素表示原始数组ar中每个元素在返回的数组中的索引，用于重建原始数组
return_counts：布尔值，可选参数
True：返回一个一维的数组unique_counts，其中每个元素表示每个排序后的唯一值在原始数组中出现的次数
axis：整数或None，可选参数
None：原始数组ar会被展平

返回：

unique：ndarray对象，排序后的唯一值
unique_indices：ndarray对象（长度和unique一致），return_index为True时才返回
unique_inverse：ndarray对象（长度和展品后的原始数组一致），return_inverse为True时才返回
unique_counts：ndarray对象，return_counts为True时才返回

>>> 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)

注释： 本篇中所有函数都会先对待操作数组进行拷贝，再进行操作。

总结

以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。

您可能感兴趣的文章:

python快速排序代码实例
这篇文章主要介绍了python快速排序的代码实例，大家参考使用吧
2013-11-11
python计算RPKM操作示例详解
这篇文章主要为大家介绍了python计算RPKM操作示例详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪
2023-07-07
Python简易版停车管理系统
这篇文章主要为大家详细介绍了Python如何实现简易版停车管理系统，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2019-08-08
分享Pytorch获取中间层输出的3种方法
这篇文章主要给大家分享了Pytorch获取中间层输出的3种方法，文章内容介绍详细，需要的小伙伴可以参考一下，希望对你的学习或工作有所帮助
2022-03-03
python抓取京东小米8手机配置信息
这篇文章主要为大家详细介绍了python抓取京东手机配置信息，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2018-11-11
深入理解Python虚拟机之进程、线程和协程区别详解
在本篇文章当中深入分析在 Python 当中进程、线程和协程的区别,这三个概念会让人非常迷惑,如果没有深入了解这三者的实现原理,只是看一些文字说明,也很难理解,在本篇文章当中我们将通过分析部分源代码来详细分析一下这三者根本的区别是什么,需要的朋友可以参考下
2023-10-10
Python中chinesecalendar简介、安装、使用方法详细讲解
这篇文章主要介绍了Python中chinesecalendar简介、安装、使用方法详细讲解,该库是判断某年某月某一天是不是工作日/节假日。支持 2004年至 2023年，包括 2020年的春节延长，需要的朋友可以参考下
2023-03-03
Python turtle库绘制菱形的3种方式小结
今天小编就为大家分享一篇Python turtle库绘制菱形的3种方式小结，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2019-11-11
Python中CairoSVG库的使用教程
CairoSVG是一个强大的Python库,用于将SVG图像转换为PNG、PDF、PS等格式,本文就来介绍一下Python中CairoSVG库的使用教程,感兴趣的可以了解一下
2025-01-01
Python Pygame实现可控制的烟花游戏
大家好，本篇文章主要讲的是Python Pygame实现可控制的烟花游戏，感兴趣的同学赶快来看一看吧，对你有帮助的话记得收藏一下
2022-01-01