深入理解 NumPy 数组的交换(Swapping)的实现

import numpy as np
# 一维数组（模拟10个学生分数）
scores = np.array([85, 92, 78, 90, 88, 76, 95, 81, 89, 93])
print("原始数组：", scores)
# 交换索引1（92）和索引5（76）的元素（无需临时变量）
scores[1], scores[5] = scores[5], scores[1]
print("交换后数组：", scores)  # [85 76 78 90 88 92 95 81 89 93]

import numpy as np
arr = np.array([1,2,3,4,5,6,7,8])
print("原始数组：", arr)
# 交换前3个元素（0:3）和后3个元素（5:8）
arr[0:3], arr[5:8] = arr[5:8].copy(), arr[0:3].copy()
# 注意：必须加.copy()，否则切片是视图，赋值会相互覆盖
print("交换后数组：", arr)  # [6 7 8 4 5 1 2 3]

import numpy as np
# 二维数组（3天×4小时温度）
temp = np.array([
    [5.2, 6.1, 7.3, 8.2],
    [4.8, 5.5, 6.7, 7.9],
    [6.3, 7.2, 8.1, 9.0]
])
print("原始数组：\n", temp)
# 交换(0,1)（第1天第2小时）和(2,3)（第3天第4小时）的元素
temp[0,1], temp[2,3] = temp[2,3], temp[0,1]
print("交换后数组：\n", temp)

import numpy as np
# 二维数组（4行3列）
arr = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9],
    [10, 11, 12]
])
print("原始数组：\n", arr)
# 交换第1行（索引0）和第3行（索引2）
arr[0], arr[2] = arr[2].copy(), arr[0].copy()
# 加.copy()更稳妥，避免视图覆盖（低版本NumPy可能有问题）
print("交换第1/3行后：\n", arr)

import numpy as np
arr = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9],
    [10, 11, 12]
])
print("原始数组：\n", arr)
# 交换第2列（索引1）和第3列（索引2）
arr[:, 1], arr[:, 2] = arr[:, 2].copy(), arr[:, 1].copy()
print("交换第2/3列后：\n", arr)

import numpy as np
arr = np.arange(16).reshape(4,4)
print("原始数组：\n", arr)
# 交换前两行（0:2）和后两行（2:4）
arr[0:2], arr[2:4] = arr[2:4].copy(), arr[0:2].copy()
print("交换前两行/后两行：\n", arr)
# 重置数组
arr = np.arange(16).reshape(4,4)
# 交换前两列（:,0:2）和后两列（:,2:4）
arr[:, 0:2], arr[:, 2:4] = arr[:, 2:4].copy(), arr[:, 0:2].copy()
print("交换前两列/后两列：\n", arr)

import numpy as np
arr = np.array([[1,2,3],[4,5,6]])
print("原始数组：\n", arr)
print("原始形状：", arr.shape)  # (2,3)
# 交换维度0和1
arr_swap = arr.swapaxes(0, 1)
print("交换维度后：\n", arr_swap)
print("交换后形状：", arr_swap.shape)  # (3,2)（等价于arr.T）

import numpy as np
# 三维数组：形状(2,3,4) → 维度0=2，维度1=3，维度2=4
arr_3d = np.arange(24).reshape(2,3,4)
print("原始三维数组形状：", arr_3d.shape)  # (2,3,4)
# 交换维度0和维度2
arr_swap = arr_3d.swapaxes(0, 2)
print("交换维度0/2后形状：", arr_swap.shape)  # (4,3,2)
# 交换维度1和维度2
arr_swap2 = arr_3d.swapaxes(1, 2)
print("交换维度1/2后形状：", arr_swap2.shape)  # (2,4,3)

import numpy as np
arr_3d = np.arange(24).reshape(2,3,4)
print("原始形状：", arr_3d.shape)  # (2,3,4)
# 交换维度顺序为 (2,0,1) → 等价于先交换0和2，再交换1和2
arr_trans = arr_3d.transpose(2,0,1)
print("transpose调整后形状：", arr_trans.shape)  # (4,2,3)

import numpy as np
# 模拟图像数据：2张图片 × 32高度 × 32宽度 × 3通道（HWC）
img_hwc = np.random.randint(0,255, (2,32,32,3))
print("HWC格式形状：", img_hwc.shape)  # (2,32,32,3)
# 交换维度1（高度）和维度3（通道）？→ 更简单的方式：transpose
img_chw = img_hwc.transpose(0,3,1,2)
print("CHW格式形状：", img_chw.shape)  # (2,3,32,32)
# 再交换回来（CHW → HWC）
img_hwc2 = img_chw.transpose(0,2,3,1)
print("还原后形状：", img_hwc2.shape)  # (2,32,32,3)

import numpy as np
# 模拟数据集：100个样本 × 5个特征
data = np.random.rand(100,5)
# 生成随机索引（打乱行顺序）
random_idx = np.random.permutation(100)
# 通过索引交换实现行打乱（等价于随机重排）
data_shuffled = data[random_idx]
print("原始数据前3行：\n", data[:3])
print("打乱后数据前3行：\n", data_shuffled[:3])

import numpy as np
# 模拟温度数据：31天 × 4列（凌晨、上午、下午、晚上），但列顺序错误（凌晨和晚上颠倒）
temp = np.random.normal(5,6,(31,4)).round(1)
print("原始列顺序：凌晨、上午、下午、晚上 → 实际是：晚上、上午、下午、凌晨")
# 交换第0列（晚上）和第3列（凌晨）
temp[:, 0], temp[:, 3] = temp[:, 3].copy(), temp[:, 0].copy()
print("修正后温度数据前3行：\n", temp[:3])