numpy刪除單行、刪除單列、刪除多列實現(xiàn)方式

更新時間：2024年02月22日 10:30:53 作者：嗖100

這篇文章主要介紹了numpy刪除單行、刪除單列、刪除多列實現(xiàn)方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教

numpy刪除單行、刪除單列、刪除多列

import numpy as np

刪除元素

通過index刪除單行、刪除單列、刪除多行

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

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

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

    # 刪除第二、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)

原始數(shù)據(jù)

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

del_row 刪除第三行返回結果

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

del_col 刪除第二列返回結果

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

del_mult_row 刪除第二、三行返回結果

	[
		[1 2 3]
	]

Numpy增加和刪除元素

1. delete

numpy.delete(arr, obj, axis=None)：

arr：類數(shù)組。操作對象
obj：切片、整數(shù)或者整數(shù)數(shù)組。指示要沿指定軸（由參數(shù)axis指定）刪除的子數(shù)組的索引
axis：整數(shù)型，可選參數(shù)。指示刪除子數(shù)組（由參數(shù)obj指定）所沿的軸
axis = None：arr會先按行展開，然后按照obj，刪除第obj-1（從0開始）位置的數(shù)，返回一個展開的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參數(shù)
>>> 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參數(shù)
>>> 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)：沿著給定的軸（axis），在給定的索引（obj）之前插入值

arr：類數(shù)組。操作對象
obj：切片、整數(shù)或者整數(shù)數(shù)組。指示插入values的位置索引（可以是單個索引也可以是多個索引），values插入在這些索引之前。
values：類數(shù)組。插入到arr中的值

如果values的數(shù)據(jù)類型和arr的數(shù)據(jù)類型不同，values會被自動轉換為arr的數(shù)據(jù)類型

values的形狀應使 arr[…,obj,…] = values 合法

axis：整數(shù)，可選參數(shù)。指示values沿著哪個軸插入

axis = None：arr會先被展平，類似numpy.delete函數(shù)

>>> 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參數(shù)
>>> 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的形狀應使 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的形狀應使 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參數(shù)
>>> 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參數(shù)
>>> 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])

注釋：特別注意numpy.insert(obj = some_integer)與numpy.insert(obj = [some_integer])的區(qū)別。

3. append

numpy.append(arr, values, axis=None)：添加值到數(shù)組的末尾

arr：類數(shù)組。操作對象
values：類數(shù)組 values的形狀必須正確
axis：整數(shù)，可選參數(shù)。指示values沿著哪個軸添加到arr末尾
axis = None：arr會先被展平，類似numpy.delete和numpy.insert函數(shù)

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

注釋： 特別注意values參數(shù)的形狀。

4. resize

numpy.resize(a, new_shape)：返回具有指定形狀的新數(shù)組

a：類數(shù)組。操作對象
new_shape：整數(shù)或整數(shù)序列。調整大小后的數(shù)組的形狀

如果新數(shù)組比原始數(shù)組大，那么新數(shù)組會用重復的原始數(shù)組來填充，這時會按照C語言的順序重復遍歷數(shù)組

>>> 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]])

注釋：

numpy.resize沒有單獨考慮各個軸，因此其不適用于插值/外推。所以，numpy.resize不適用于調整圖像或數(shù)據(jù)的大小，其中每個軸代表一個單獨的不同實體。

numpy.resize和ndarray.resize的區(qū)別：

numpy.resize返回原始數(shù)據(jù)的副本，而ndarray.resize是對原始數(shù)據(jù)原地（in-place）修改
numpy.resize是用原始數(shù)組來填充，而ndarray是用0來填充

>>> 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的區(qū)別：

numpy.resize中新數(shù)組的形狀可以和原始數(shù)組不兼容，而numpy.reshape中新數(shù)組的形狀必須和原始數(shù)組兼容
numpy.resize返回的是原始數(shù)組的副本，而numpy.reshape返回的是原始數(shù)組的視圖

>>> 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’)：修剪一維數(shù)組或序列開頭和/或尾部的0

filt：一維數(shù)組或序列

trim：字符串，可選參數(shù)

‘f’：修剪一維數(shù)組或序列開頭的0
‘b’：修剪一維數(shù)組或序列尾部的0
‘fb’：修剪一維數(shù)組或序列開頭和尾部的0（默認值）

>>> 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)：查找數(shù)組唯一的元素，返回數(shù)組排序后的唯一的元素

參數(shù)：

ar：類數(shù)組
return_index：布爾值，可選參數(shù)
True：返回一個一維的數(shù)組unique_indices，其中每個元素表示每個排序后的唯一值在原始數(shù)組ar中的索引
return_inverse：布爾值，可選參數(shù)
True：返回一個一維的數(shù)組unique_inverse，其中每個元素表示原始數(shù)組ar中每個元素在返回的數(shù)組中的索引，用于重建原始數(shù)組
return_counts：布爾值，可選參數(shù)
True：返回一個一維的數(shù)組unique_counts，其中每個元素表示每個排序后的唯一值在原始數(shù)組中出現(xiàn)的次數(shù)
axis：整數(shù)或None，可選參數(shù)
None：原始數(shù)組ar會被展平

返回：

unique：ndarray對象，排序后的唯一值
unique_indices：ndarray對象（長度和unique一致），return_index為True時才返回
unique_inverse：ndarray對象（長度和展品后的原始數(shù)組一致），return_inverse為True時才返回
unique_counts：ndarray對象，return_counts為True時才返回

>>> 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)

注釋： 本篇中所有函數(shù)都會先對待操作數(shù)組進行拷貝，再進行操作。

總結

以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章:

Python使用Joblib模塊實現(xiàn)加快任務處理速度
在Python編程中,處理大規(guī)模數(shù)據(jù)或者進行復雜的計算任務時,通常需要考慮如何提高程序的運行效率,本文主要介紹了如何使用Joblib模塊來加快任務處理速度,需要的可以參考下
2024-03-03
Python turtle畫圖庫&&畫姓名實例
今天小編就為大家分享一篇Python turtle畫圖庫&&畫姓名實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
2020-01-01
基于Python實現(xiàn)繪制屬于你的世界地圖
Python之所以這么流行，是因為它不僅能夠應用于科技領域，還能用來做許多其他學科的研究工具，繪制地圖便是其功能之一。本文我們將用matplot工具包之一的 mpl_toolkits 來繪制世界地圖，需要的可以參考一下
2022-11-11
python寫完程序怎么運行的兩種方式
這篇文章主要介紹了Python的兩種運行方式,分別是命令行和交互式命令行,并詳細講解了如何在命令行和交互式命令行中運行Python代碼,需要的朋友可以參考下
2025-03-03
Python打包方法之setup.py與pyproject.toml的全面對比與實戰(zhàn)
在 Python 開發(fā)中,創(chuàng)建可安裝的包是分享代碼的重要方式,本文將深入解析兩種主流打包方法——setup.py 和 pyproject.toml,并通過一個實際項目示例,展示如何使用現(xiàn)代的 pyproject.toml 方法構建、測試和發(fā)布 Python 包,需要的朋友可以參考下
2025-05-05
使用Matplotlib制作動態(tài)圖的示例詳解
matplotlib是一個著名的python繪圖庫，由于其靈活強大的繪圖功能使得在python中可視化變得非常容易，本文主要介紹了在matplotlib庫中制作動態(tài)圖的方法，需要的可以參考一下
2023-06-06
使用Python和PyQt5實現(xiàn)全方面系統(tǒng)資源監(jiān)控
這篇文章主要介紹了一個基于PyQt5和psutil庫開發(fā)的系統(tǒng)資源監(jiān)控工具,該工具不僅具有強大的系統(tǒng)監(jiān)控功能,還采用了電影中經典的數(shù)字雨視覺效果作為背景,感興趣的可以了解下
2025-06-06
淺談python 線程池threadpool之實現(xiàn)
這篇文章主要介紹了淺談python 線程池threadpool之實現(xiàn)，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧
2017-11-11
Python中使用sklearn進行特征降維的方法
在Python中，可以使用sklearn庫中的特征降維方法對數(shù)據(jù)進行處理。主要包括基于PCA算法的降維、基于LDA算法的降維、以及利用特征選擇方法進行降維。這些方法可以提高模型的訓練效率和預測準確率，特別是在高維數(shù)據(jù)集中具有重要的作用
2023-04-04
如何將pytorch模型部署到安卓上的方法示例
這篇文章演示如何將訓練好的pytorch模型部署到安卓設備上，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下
2022-02-02