基于Python对数据shape的常见操作详解
这一阵在用python做DRL建模的时候,尤其是在配合使用tensorflow的时候,加上tensorflow是先搭框架再跑数据,所以调试起来很不方便,经常遇到输入数据或者中间数据shape的类型不统一,导致一些op老是报错。而且由于水平菜,所以一些常用的数据shape转换操作也经常百度了还是忘,所以想再整理一下。
一、数据的基本属性
求一组数据的长度
a=[1,2,3,4,5,6,7,8,9,10,11,12] print(len(a)) print(np.size(a))
求一组数据的shape
list是没有shape属性的,所以需要把它转换成np或者使用np.shape()
b=[[1,2,3],[4,5,6],[7,8,9]] print(np.shape(b)) print(np.array(b).shape)
二、数据的拼接
append是直接将数组或者数据直接追加到下一个元素的位置,而extend是将数据最外层的[]去掉后追加。
c=[1,1,1,1] d=[[2,2],[[2,2],[2,2]]] c.append([1,2,3]) d.extend([1,2,3]) [1,1,1,1,[1,2,3]] [[2,2],[[2,2],[2,2]],1,2,3]
另外也可以通过numpy中的方法来进行拼接
其中np.concatenate()的作用更偏向与数据的连接,通过其中的axis参数可以进行指定行列的拼接。
而np.append()的作用是将valueb追加到arra中。
c=np.concatenate((a,b)) d=np.append(a,b) print(c) print(d) [11112222] [11112222]
三、数据的shape的转换
1、转置
数据的转置也经常会用到,通常可以用到numpy的transpose()方法或者直接将数据转换为numpyarray后用.T或者用reshape()方法。
a=[[1,1,1], [1,1,1]] b=[[2,2,2], [2,2,2]] c=[[3,3,3], [3,3,3]] b=np.array(b) c=np.array(c) print(np.transpose(a)) print(b.T) print(np.reshape(c,(c.shape[1],c.shape[0]))) [[11] [11] [11]] [[22] [22] [22]] [[33] [33] [33]]
2、数据展开
如果是一个多维的数组,可以直接使用np.reshape(-1)来进行转换,reshape是一个很好用的函数,其中的参数含义后面会讲到。
c=[[[3,3,3], [3,3,3]], [[2,2,2], [2,2,2]]] print(np.reshape(c,-1)) [333333222222]
3、维度转换
有时候可能会用到将一个一维的数组转换为二维,或者是在column方向或row方向上增加维度。
当给col方向增加维度时,可以直接arr[:,np.newaxis],
给row方向增加维度时,可以arr[np.newaxis,:]
另外,这里的np.newaxis可以这样理解:
一个[1,2,3,4,5]数组的shape是(5,),如果对它[:,np.newaix]的话,得到的shape就是(5,1)
对它[np.newaix,:]的话,得到的结果就是(1,5)。所以说newaxis加在哪个位置,哪个位置相应的维度就会产生一个新的维度。
a=np.array([1,1,1,1]) b=a[np.newaxis,:] c=a[:,np.newaxis] print(b) print(c) [[1111]] [[1] [1] [1] [1]]
另外再说一个将多维数组转换为一维的两种方法:arr.ravel()和arr.flatten()。
两者的不同之处在于arr.flatten()返回的是arr展开后的数组的复制,而arr.ravel()返回的是arr展开后的本身。
一个是对值的操作,另一个是对地址的操作。
类似c、c++中的指针。
a=np.array([[1,2,3]]) b=np.array([[1,2,3]]) a1=a.flatten() b1=b.ravel() print(a) print(b) a1[0]=8 b1[0]=8 print(a) print(b) [[123]] [[123]] [[123]] [[823]]
4、reshape
defreshape(a,newshape,order='C'):
其中newshape参数可以传入一个[]或者tuple。
当数据的形状不确定时,如果想转换为1行,列数不确定的话,newshape可以传入(1,-1);
如果想转换为1列,行数不确定的话,newshape可以传入(-1,1);
同理如果是2列或者2行的话,就是(-1,2)或者(2,-1)。
其中-1代表的是一个模糊控制,就是不确定的意思。
a=[[1,1,1], [1,1,1]] b=[[2,2,2], [2,2,2]] c=[[[3,3,3], [3,3,3]], [[2,2,2], [2,2,2]]] print(np.reshape(c,[-1,1])) print(np.reshape(b,[-1,1])) print(np.reshape(c,[2,-1])) [[3] [3] [3] [3] [3] [3] [2] [2] [2] [2] [2] [2]] [[2] [2] [2] [2] [2] [2]] [[333333] [222222]]
以上这篇基于Python对数据shape的常见操作详解就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持毛票票。