Python資料分析學習筆記二

4、陣列的組合

numpy中的陣列組合有水平組合、垂直組合、深度組合和列組合等多種組合方式。

使用hstack()函式可以完成陣列的水平拼接，例:

import numpy as np
a1 = np.arange(9).reshape(3,3)
print a1
a2 = a1 * 2
print a2
b = np.hstack((a1,a2))
print b

輸出結果：

[[0 1 2]
[3 4 5]
[6 7 8]]
[[ 0 2 4]
[ 6 8 10]
[12 14 16]]
[[ 0 1 2 0 2 4]
[ 3 4 5 6 8 10]
[ 6 7 8 12 14 16]]

由上面的**可以得到，所謂水平組合，就是將陣列a1，a2的每一行進行拼接得到一行，陣列的行數不變，列數增加

上面的效果也可以使用concatenate函式實現

import numpy as np
a1 = np.arange(9).reshape(3,3)
print a1
a2 = a1 * 2
print a2
b = np.concatenate((a1,a2),axis=1)
print b

輸出效果與上乙個程式一樣，需要注意的是，在這兩個函式內需要傳入的都是python的元組，所以應該在a1，a2外加上括號（）；

由上面的程式效果可以推導出，所謂的垂直組合就是將兩個陣列的每一列進行拼接，陣列的列數不變，行數增加，例如：

import numpy as np
a1 = np.arange(9).reshape(3,3)
print a1
a2 = a1 * 2
print a2
b = np.vstack((a1,a2))
print b

輸出結果:

[[0 1 2]
[3 4 5]
[6 7 8]]
[[ 0 2 4]
[ 6 8 10]
[12 14 16]]
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 0 2 4]
[ 6 8 10]
[12 14 16]]

同樣，在這裡我們也可以使用concatenate函式進行實現，只需要將axis的引數設定為0就可以了，例：

import numpy as np
a1 = np.arange(9).reshape(3,3)
print a1
a2 = a1 * 2
print a2
b = np.concatenate((a1,a2),axis=0)
print b

import numpy as np
a1 = np.arange(9).reshape(3,3)
print a1
a2 = a1 * 2
print a2
b = np.dstack((a1,a2))
print b.shape
print b

輸出結果：

[[0 1 2]
[3 4 5]
[6 7 8]]
[[ 0 2 4]
[ 6 8 10]
[12 14 16]]
(3, 3, 2)
[ [
[ 00] [ 1
2] [ 2
4] ]
[[ 3
6] [ 4
8] [ 5
10] ]
[[ 6
12] [ 7
14] [ 8
16] ]
]

可以看出，深度組合不僅進行了陣列的組合，還改變了陣列的維度，也就是將一系列陣列沿著縱軸（深度）方向進行層疊組合。也就是組合成為乙個z軸為2，x軸3，y軸為3的三維陣列。

import numpy as np
a1 = np.arange(9).reshape(3,3)
print a1
a2 = a1 * 2
print a2
b = np.column_stack((a1,a2))
print b.shape
print b

輸出結果:

[[0 1 2]
[3 4 5]
[6 7 8]]
[[ 0 2 4]
[ 6 8 10]
[12 14 16]]
(3, 6)
[[ 0 1 2 0 2 4]
[ 3 4 5 6 8 10]
[ 6 7 8 12 14 16]]

顯示結果可以看到，實際上對於二維陣列而言，hstack 和column_stack的效果是一樣的。

但是對於一位陣列來說，則會將兩個陣列覆蓋成為乙個二維陣列，將每乙個陣列的每一列一一對應組成二維陣列的一列，例：

import numpy as np
a1 = np.arange(10)
a2 = np.arange(1,11)
b = np.column_stack((a1,a2))
print b.shape
print b

輸出結果：

(10, 2)
[[ 0 1]
[ 1 2]
[ 2 3]
[ 3 4]
[ 4 5]
[ 5 6]
[ 6 7]
[ 7 8]
[ 8 9]
[ 9 10]]

行組合：

行組合的特性與列組合是一致的，可以通過下面的例子比較一下：

一維陣列：

import numpy as np
a1 = np.arange(10)
a2 = np.arange(1,11)
b = np.row_stack((a1,a2))
print b.shape
print b

輸出結果：

(2, 10)
[[ 0 1 2 3 4 5 6 7 8 9]
[ 1 2 3 4 5 6 7 8 9 10]]

二維陣列：

import numpy as np
a1 = np.arange(9).reshape(3,3)
print a1
a2 = a1 * 2
print a2
b = np.row_stack((a1,a2))
print b.shape
print b

輸出結果：

[[0 1 2]
[3 4 5]
[6 7 8]]
[[ 0 2 4]
[ 6 8 10]
[12 14 16]]
(6, 3)
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 0 2 4]
[ 6 8 10]
[12 14 16]]

接上文python資料分析筆記一關注一些每行資料的 a 字段發現這行含有url短操作的瀏覽器，裝置，應用程式的相關資訊我們現在想要按微軟使用者和非微軟使用者對時區資訊進行分解，即想知道不同時區微軟使用者和非微軟使用者的比例假定 a 欄位中含有 windows 的就認為是微軟使用者首先，去...

四 r的資料視覺化基礎繪圖包 lattice包 ggplot2包其他圖形 1 具體目標探索型接受型 2 資料和受眾的特點哪些變數最重要受眾的角色合適的對映方式對映的圖形元素 1 座標位置 2 線條 3 尺寸 4 色彩 5 形狀 6 文字資料視覺化元素 graphics 自帶繪圖包 p...

之前已經接觸過的陣列屬性有 shape 維度 dtype 資料型別除此之外，還有很多其他屬性 1 ndim屬性輸出陣列的維度，或者說陣列軸的個數 2 size屬性給出陣列下標的總個數 3 itemsize屬性給出陣列中單個元素在記憶體中佔據的位元組數 4 nbytes屬性給出陣列中所有元素...