NumPy, часть 2: базовые операции над массивами
Здравствуйте! Я продолжаю работу над пособием по python-библиотеке NumPy.
В прошлой части мы научились создавать массивы и их печатать. Однако это не имеет смысла, если с ними ничего нельзя делать.
Сегодня мы познакомимся с операциями над массивами.
Базовые операции
Математические операции над массивами выполняются поэлементно. Создается новый массив, который заполняется результатами действия оператора.
>>> import numpy as np
>>> a = np.array([20, 30, 40, 50])
>>> b = np.arange(4)
>>> a + b
array([20, 31, 42, 53])
>>> a - b
array([20, 29, 38, 47])
>>> a * b
array([ 0, 30, 80, 150])
>>> a / b # При делении на 0 возвращается inf (бесконечность)
array([ inf, 30. , 20. , 16.66666667])
<string>:1: RuntimeWarning: divide by zero encountered in true_divide
>>> a ** b
array([ 1, 30, 1600, 125000])
>>> a % b # При взятии остатка от деления на 0 возвращается 0
<string>:1: RuntimeWarning: divide by zero encountered in remainder
array([0, 0, 0, 2])
Для этого, естественно, массивы должны быть одинаковых размеров.
>>> c = np.array([[1, 2, 3], [4, 5, 6]])
>>> d = np.array([[1, 2], [3, 4], [5, 6]])
>>> c + d
Traceback (most recent call last):
File "<input>", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (2,3) (3,2)
Также можно производить математические операции между массивом и числом. В этом случае к каждому элементу прибавляется (или что вы там делаете) это число.
>>> a + 1
array([21, 31, 41, 51])
>>> a ** 3
array([ 8000, 27000, 64000, 125000])
>>> a < 35 # И фильтрацию можно проводить
array([ True, True, False, False], dtype=bool)
NumPy также предоставляет множество математических операций для обработки массивов:
>>> np.cos(a)
array([ 0.40808206, 0.15425145, -0.66693806, 0.96496603])
>>> np.arctan(a)
array([ 1.52083793, 1.53747533, 1.54580153, 1.55079899])
>>> np.sinh(a)
array([ 2.42582598e+08, 5.34323729e+12, 1.17692633e+17,
2.59235276e+21])
Полный список можно посмотреть здесь.
Многие унарные операции, такие как, например, вычисление суммы всех элементов массива, представлены также и в виде методов класса ndarray.
>>> a = np.array([[1, 2, 3], [4, 5, 6]])
>>> np.sum(a)
21
>>> a.sum()
21
>>> a.min()
1
>>> a.max()
6
По умолчанию, эти операции применяются к массиву, как если бы он был списком чисел, независимо от его формы. Однако, указав параметр axis, можно применить операцию для указанной оси массива:
>>> a.min(axis=0) # Наименьшее число в каждом столбце
array([1, 2, 3])
>>> a.min(axis=1) # Наименьшее число в каждой строке
array([1, 4])
Индексы, срезы, итерации
Одномерные массивы осуществляют операции индексирования, срезов и итераций очень схожим образом с обычными списками и другими последовательностями Python (разве что удалять с помощью срезов нельзя).
>>> a = np.arange(10) ** 3
>>> a
array([ 0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
>>> a[1]
1
>>> a[3:7]
array([ 27, 64, 125, 216])
>>> a[3:7] = 8
>>> a
array([ 0, 1, 8, 8, 8, 8, 8, 343, 512, 729])
>>> a[::-1]
array([729, 512, 343, 8, 8, 8, 8, 8, 1, 0])
>>> del a[4:6]
Traceback (most recent call last):
File "<input>", line 1, in <module>
ValueError: cannot delete array elements
>>> for i in a:
... print(i ** (1/3))
...
0.0
1.0
2.0
2.0
2.0
2.0
2.0
7.0
8.0
9.0
У многомерных массивов на каждую ось приходится один индекс. Индексы передаются в виде последовательности чисел, разделенных запятыми (то бишь, кортежами):
>>> b = np.array([[ 0, 1, 2, 3],
... [10, 11, 12, 13],
... [20, 21, 22, 23],
... [30, 31, 32, 33],
... [40, 41, 42, 43]])
...
>>> b[2,3] # Вторая строка, третий столбец
23
>>> b[(2,3)]
23
>>> b[2][3] # Можно и так
23
>>> b[:,2] # Третий столбец
array([ 2, 12, 22, 32, 42])
>>> b[:2] # Первые две строки
array([[ 0, 1, 2, 3],
[10, 11, 12, 13]])
>>> b[1:3, : : ] # Вторая и третья строки
array([[10, 11, 12, 13],
[20, 21, 22, 23]])
Когда индексов меньше, чем осей, отсутствующие индексы предполагаются дополненными с помощью срезов:
>>> b[-1] # Последняя строка. Эквивалентно b[-1,:]
array([40, 41, 42, 43])
b[i] можно читать как b[i, <столько символов ':', сколько нужно>]. В NumPy это также может быть записано с помощью точек, как b[i, ...].
Например, если x имеет ранг 5 (то есть у него 5 осей), тогда
- x[1, 2, ...] эквивалентно x[1, 2, :, :, :],
- x[... , 3] то же самое, что x[:, :, :, :, 3] и
- x[4, ... , 5, :] это x[4, :, :, 5, :].
>>> a = np.array(([[0, 1, 2], [10, 12, 13]], [[100, 101, 102], [110, 112, 113]]))
>>> a.shape
(2, 2, 3)
>>> a[1, ...] # то же, что a[1, : , :] или a[1]
array([[100, 101, 102],
[110, 112, 113]])
>>> c[... ,2] # то же, что a[: , : ,2]
array([[ 2, 13],
[102, 113]])
Итерирование многомерных массивов начинается с первой оси:
>>> for row in a:
... print(row)
...
[[ 0 1 2]
[10 12 13]]
[[100 101 102]
[110 112 113]]
Однако, если нужно перебрать поэлементно весь массив, как если бы он был одномерным, для этого можно использовать атрибут flat:
>>> for el in a.flat:
... print(el)
...
0
1
2
10
12
13
100
101
102
110
112
113
Манипуляции с формой
Как уже говорилось, у массива есть форма (shape), определяемая числом элементов вдоль каждой оси:
>>> a
array([[[ 0, 1, 2],
[ 10, 12, 13]],
[[100, 101, 102],
[110, 112, 113]]])
>>> a.shape
(2, 2, 3)
Форма массива может быть изменена с помощью различных команд:
>>> a.ravel() # Делает массив плоским
array([ 0, 1, 2, 10, 12, 13, 100, 101, 102, 110, 112, 113])
>>> a.shape = (6, 2) # Изменение формы
>>> a
array([[ 0, 1],
[ 2, 10],
[ 12, 13],
[100, 101],
[102, 110],
[112, 113]])
>>> a.transpose() # Транспонирование
array([[ 0, 2, 12, 100, 102, 112],
[ 1, 10, 13, 101, 110, 113]])
>>> a.reshape((3, 4)) # Изменение формы
array([[ 0, 1, 2, 10],
[ 12, 13, 100, 101],
[102, 110, 112, 113]])
Порядок элементов в массиве в результате функции ravel() соответствует обычному "C-стилю", то есть, чем правее индекс, тем он "быстрее изменяется": за элементом a[0,0] следует a[0,1]. Если одна форма массива была изменена на другую, массив переформировывается также в "C-стиле". Функции ravel() и reshape() также могут работать (при использовании дополнительного аргумента) в FORTRAN-стиле, в котором быстрее изменяется более левый индекс.
>>> a
array([[ 0, 1],
[ 2, 10],
[ 12, 13],
[100, 101],
[102, 110],
[112, 113]])
>>> a.reshape((3, 4), order='F')
array([[ 0, 100, 1, 101],
[ 2, 102, 10, 110],
[ 12, 112, 13, 113]])
Метод reshape() возвращает ее аргумент с измененной формой, в то время как метод resize() изменяет сам массив:
>>> a.resize((2, 6))
>>> a
array([[ 0, 1, 2, 10, 12, 13],
[100, 101, 102, 110, 112, 113]])
Если при операции такой перестройки один из аргументов задается как -1, то он автоматически рассчитывается в соответствии с остальными заданными:
>>> a.reshape((3, -1))
array([[ 0, 1, 2, 10],
[ 12, 13, 100, 101],
[102, 110, 112, 113]])
Объединение массивов
Несколько массивов могут быть объединены вместе вдоль разных осей с помощью функций hstack и vstack.
hstack() объединяет массивы по первым осям, vstack() — по последним:
>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6], [7, 8]])
>>> np.vstack((a, b))
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
>>> np.hstack((a, b))
array([[1, 2, 5, 6],
[3, 4, 7, 8]])
Функция column_stack() объединяет одномерные массивы в качестве столбцов двумерного массива:
>>> np.column_stack((a, b))
array([[1, 2, 5, 6],
[3, 4, 7, 8]])
Аналогично для строк имеется функция row_stack().
>>> np.row_stack((a, b))
array([[1, 2],
[3, 4],
[5, 6],
[7, 8]])
Разбиение массива
Используя hsplit() вы можете разбить массив вдоль горизонтальной оси, указав либо число возвращаемых массивов одинаковой формы, либо номера столбцов, после которых массив разрезается "ножницами":
>>> a = np.arange(12).reshape((2, 6))
>>> a
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11]])
>>> np.hsplit(a, 3) # Разбить на 3 части
[array([[0, 1], [6, 7]]),
array([[2, 3], [8, 9]]),
array([[ 4, 5], [10, 11]])]
>>> np.hsplit(a, (3, 4)) # Разрезать a после третьего и четвёртого столбца
[array([[0, 1, 2], [6, 7, 8]]),
array([[3], [9]]),
array([[ 4, 5], [10, 11]])]
Функция vsplit() разбивает массив вдоль вертикальной оси, а array_split() позволяет указать оси, вдоль которых произойдет разбиение.
Копии и представления
При работе с массивами, их данные иногда необходимо копировать в другой массив, а иногда нет. Это часто является источником путаницы. Возможно 3 случая:
Вообще никаких копий
Простое присваивание не создает ни копии массива, ни копии его данных:
>>> a = np.arange(12)
>>> b = a # Нового объекта создано не было
>>> b is a # a и b это два имени для одного и того же объекта ndarray
True
>>> b.shape = (3,4) # изменит форму a
>>> a.shape
(3, 4)
Python передает изменяемые объекты как ссылки, поэтому вызовы функций также не создают копий.
Представление или поверхностная копия
Разные объекты массивов могут использовать одни и те же данные. Метод view() создает новый объект массива, являющийся представлением тех же данных.
>>> c = a.view()
>>> c is a
False
>>> c.base is a # c это представление данных, принадлежащих a
True
>>> c.flags.owndata
False
>>>
>>> c.shape = (2,6) # форма а не поменяется
>>> a.shape
(3, 4)
>>> c[0,4] = 1234 # данные а изменятся
>>> a
array([[ 0, 1, 2, 3],
[1234, 5, 6, 7],
[ 8, 9, 10, 11]])
Срез массива это представление:
>>> s = a[:,1:3]
>>> s[:] = 10
>>> a
array([[ 0, 10, 10, 3],
[1234, 10, 10, 7],
[ 8, 10, 10, 11]])
Глубокая копия
Метод copy() создаст настоящую копию массива и его данных:
>>> d = a.copy() # создается новый объект массива с новыми данными
>>> d is a
False
>>> d.base is a # d не имеет ничего общего с а
False
>>> d[0, 0] = 9999
>>> a
array([[ 0, 10, 10, 3],
[1234, 10, 10, 7],
[ 8, 10, 10, 11]])