NumPy数组元素增删改查
本节重点介绍 NumPy 数组元素的增删改查操作，主要有以下方法：
看一组示例，如下所示：
使用示例：
示例如下：
输出结果如下：
示例如下所示：
输出结果：
示例如下：
| 函数名称 | 描述说明 |
|---|---|
| resize | 返回指定形状的新数组。 |
| append | 将元素值添加到数组的末尾。 |
| insert | 沿规定的轴将元素值插入到指定的元素前。 |
| delete | 删掉某个轴上的子数组，并返回删除后的新数组。 |
| argwhere | 返回数组内符合条件的元素的索引值。 |
| unique | 用于删除数组中重复的元素，并按元素值由大到小返回一个新数组。 |
1. numpy.resize()
numpy.resize() 返回指定形状的新数组。numpy.resize(arr, shape)
使用示例：import numpy as np a = np.array([[1,2,3],[4,5,6]]) print(a) #a数组的形状 print(a.shape) b = np.resize(a,(3,2)) #b数组 print (b) #b数组的形状 print(b.shape) #修改b数组使其形状大于原始数组 b = np.resize(a,(3,3)) print(b)输出结果为：
a数组： [[1 2 3] [4 5 6]] a形状： (2, 3) b数组： [[1 2] [3 4] [5 6]] b数组的形状： (3, 2) 修改后b数组： [[1 2 3] [4 5 6] [1 2 3]]这里需要区别 resize() 和 reshape() 的使用方法，它们看起来相似，实则不同。resize 仅对原数组进行修改，没有返回值，而 reshape 不仅对原数组进行修改，同时返回修改后的结果。
看一组示例，如下所示：
In [1]: import numpy as np
In [2]: x=np.arange(12)
#调用resize方法
In [3]: x_resize=x.resize(2,3,2)
In [4]: x
Out[4]:
array([[[ 0, 1],
[ 2, 3],
[ 4, 5]],
[[ 6, 7],
[ 8, 9],
[10, 11]]])
In [5]: x_resize
#返回None使用print打印
In [6]: print(x_resize)
None
#调用reshape方法
In [7]: x_shape=x.reshape(2,3,2)
#返回修改后的数组
In [8]: x_shape
Out[8]:
array([[[ 0, 1],
[ 2, 3],
[ 4, 5]],
[[ 6, 7],
[ 8, 9],
[10, 11]]])
In [9]: x
Out[9]:
array([[[ 0, 1],
[ 2, 3],
[ 4, 5]],
[[ 6, 7],
[ 8, 9],
[10, 11]]])
2. numpy.append()
在数组的末尾添加值，它返回一个一维数组。numpy.append(arr, values, axis=None)
参数说明：- arr：输入的数组；
- values：向 arr 数组中添加的值，需要和 arr 数组的形状保持一致；
- axis：默认为 None，返回的是一维数组；当 axis =0 时，追加的值会被添加到行，而列数保持不变，若 axis=1 则与其恰好相反。
使用示例：
import numpy as np a = np.array([[1,2,3],[4,5,6]]) #向数组a添加元素 print (np.append(a, [7,8,9])) #沿轴 0 添加元素 print (np.append(a, [[7,8,9]],axis = 0)) #沿轴 1 添加元素 print (np.append(a, [[5,5,5],[7,8,9]],axis = 1))输出结果为：
向数组a添加元素： [1 2 3 4 5 6 7 8 9] 沿轴 0 添加元素： [[1 2 3] [4 5 6] [7 8 9]] 沿轴 1 添加元素： [[1 2 3 5 5 5] [4 5 6 7 8 9]]
3. numpy.insert()
表示沿指定的轴，在给定索引值的前一个位置插入相应的值，如果没有提供轴，则输入数组被展开为一维数组。numpy.insert(arr, obj, values, axis)
参数说明：- arr：要输入的数组
- obj：表示索引值，在该索引值之前插入 values 值；
- values：要插入的值；
- axis：指定的轴，如果未提供，则输入数组会被展开为一维数组。
示例如下：
import numpy as np a = np.array([[1,2],[3,4],[5,6]]) #不提供axis的情况，会将数组展开 print (np.insert(a,3,[11,12])) #沿轴 0 垂直方向 print (np.insert(a,1,[11],axis = 0)) #沿轴 1 水平方向 print (np.insert(a,1,11,axis = 1))
输出结果如下：
提供 axis 参数： [ 1 2 3 11 12 4 5 6] 沿轴 0： [[ 1 2] [11 11] [ 3 4] [ 5 6]] 沿轴 1： [[ 1 11 2] [ 3 11 4] [ 5 11 6]]
4. numpy.delete()
该方法表示从输入数组中删除指定的子数组，并返回一个新数组。它与 insert() 函数相似，若不提供 axis 参数，则输入数组被展开为一维数组。numpy.delete(arr, obj, axis)
参数说明：- arr：要输入的数组；
- obj：整数或者整数数组，表示要被删除数组元素或者子数组；
- axis：沿着哪条轴删除子数组。
使用示例：
import numpy as np a = np.arange(12).reshape(3,4) #a数组 print(a) #不提供axis参数情况 print(np.delete(a,5)) #删除第二列 print(np.delete(a,1,axis = 1)) #删除经切片后的数组 a = np.array([1,2,3,4,5,6,7,8,9,10]) print (np.delete(a, np.s_[::2]))输出结果为：
a数组： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] 无 axis 参数： [ 0 1 2 3 4 6 7 8 9 10 11] 删除第二列： [[ 0 2 3] [ 4 6 7] [ 8 10 11]] 删除经过切片的数组： [ 2 4 6 8 10]
5. numpy.argwhere()
该函数返回数组中非 0 元素的索引，若是多维数组则返回行、列索引组成的索引坐标。示例如下所示：
import numpy as np x = np.arange(6).reshape(2,3) print(x) #返回所有大于1的元素索引 y=np.argwhere(x>1) print(y)
输出结果：
#x数组 [[0 1 2] [3 4 5]] #返回行列索引坐标 [[0 2] [1 0] [1 1] [1 2]]
6. numpy.unique()
用于删除数组中重复的元素，其语法格式如下：numpy.unique(arr, return_index, return_inverse, return_counts)
参数说明：- arr：输入数组，若是多维数组则以一维数组形式展开；
- return_index：如果为 True，则返回新数组元素在原数组中的位置（索引）；
- return_inverse：如果为 True，则返回原数组元素在新数组中的位置（索引）；
- return_counts：如果为 True，则返回去重后的数组元素在原数组中出现的次数。
示例如下：
import numpy as np a = np.array([5,2,6,2,7,5,6,8,2,9]) print (a) #对a数组的去重 uq = np.unique(a) print (uq) #数组去重后的索引数组 u,indices = np.unique(a, return_index = True) #打印去重后数组的索引 print(indices) #去重数组的下标： ui,indices = np.unique(a,return_inverse = True) print (ui) #打印下标 print (indices) #返回去重元素的重复数量 uc,indices = np.unique(a,return_counts = True) print (uc) 元素出现次数： print (indices)输出结果为：
a数组： [5 2 6 2 7 5 6 8 2 9] 去重后的a数组 [2 5 6 7 8 9] 去重数组的索引数组： [1 0 2 4 7 9] 去重数组的下标： [2 5 6 7 8 9] 原数组在新数组中的下标： [1 0 2 0 3 1 2 4 0 5] 返回去重元素的重复数量： [2 5 6 7 8 9] 统计重复元素出现次数： [3 2 2 1 1 1]
