NumPy 教程

NumPy 首页 NumPy 简介 NumPy 环境

数组

NumPy Ndarray 对象 NumPy 数据类型

创建和操作数组

NumPy 数组创建例程 NumPy 数组操作 NumPy 基于现有数据创建数组 NumPy 基于数值范围创建数组 NumPy 数组迭代 NumPy 重塑数组 NumPy 连接数组 NumPy 堆叠数组 NumPy 拆分数组 NumPy 展平数组 NumPy 转置数组

索引与切片

NumPy 索引 &切片 NumPy 索引 NumPy 切片 NumPy 高级索引 NumPy 高级索引 NumPy 字段访问 NumPy 使用布尔数组切片

数组属性与操作

NumPy 数组属性 NumPy 数组形状 NumPy 数组大小 NumPy 数组步长 NumPy 数组元素大小 NumPy 广播 NumPy 算术运算 NumPy 数组加法 NumPy 数组减法 NumPy 数组乘法 NumPy 数组除法

高级数组运算

NumPy 交换数组的轴 NumPy 字节交换 NumPy 副本和视图 NumPy 逐元素数组比较 NumPy 过滤数组 NumPy 连接数组 NumPy 排序、搜索& 计数函数 NumPy 搜索数组 NumPy 数组并集 NumPy 查找唯一行 NumPy 创建日期时间数组 NumPy 二元运算符 NumPy 字符串函数 NumPy 矩阵库 NumPy 线性代数 NumPy Matplotlib NumPy 使用 Matplotlib 绘制直方图

排序和高级操作

NumPy 数组排序 NumPy 沿轴排序 NumPy 使用花式索引进行排序 NumPy 结构化数组 NumPy 创建结构化数组 NumPy 操作结构化数组 NumPy 记录数组 NumPy 加载数组 NumPy 保存数组 NumPy 将值附加到数组 NumPy 交换列数组 NumPy 将轴插入数组

处理缺失数据

NumPy 处理缺失数据 NumPy 识别缺失值 NumPy 移除缺失数据 NumPy 插补缺失值数据

性能优化

NumPy 使用数组进行性能优化

线性代数

NumPy 线性代数 NumPy 矩阵库 NumPy 矩阵加法 NumPy 矩阵减法 NumPy 矩阵乘法 NumPy 逐元素矩阵运算 NumPy 点积 NumPy 矩阵求逆 NumPy 行列式计算 NumPy 特征值 NumPy 特征向量 NumPy 奇异值分解 NumPy 求解线性方程 NumPy 矩阵范数

元素级矩阵运算

NumPy 总和 NumPy 平均值 NumPy 中位数 NumPy 最小值 NumPy 最大值

集合运算

NumPy 唯一元素 NumPy 交集 NumPy 并集 NumPy 差集

随机数生成

NumPy 随机数生成器 NumPy 排列和重排 NumPy 均匀分布 NumPy 正态分布 NumPy 二项分布 NumPy 泊松分布 NumPy 指数分布 NumPy 瑞利分布 NumPy 逻辑分布 NumPy 帕累托分布 NumPy 使用 Seaborn 可视化分布 NumPy 多项分布 NumPy 卡方分布 NumPy Zipf 分布

文件输入 &输出

NumPy 使用 NumPy 进行 I/O NumPy 从文件读取数据 NumPy 将数据写入文件 NumPy 支持的文件格式

数学函数

NumPy 数学函数 NumPy 三角函数 NumPy 指数函数 NumPy 对数函数 NumPy 双曲函数 NumPy 舍入函数

傅里叶变换

NumPy 离散傅里叶变换 (DFT) NumPy 快速傅里叶变换 (FFT) NumPy 逆傅里叶变换 NumPy 傅里叶级数和变换 NumPy 信号处理应用 NumPy 卷积

多项式

NumPy 多项式表示 NumPy 多项式运算 NumPy 求多项式的根 NumPy 求多项式的根

统计

NumPy 统计函数 NumPy 描述性统计

日期时间函数

NumPy 日期和时间基础知识 NumPy 表示日期和时间 NumPy 日期和时间运算 NumPy 使用日期时间进行索引 NumPy 时区处理 NumPy 时间序列分析 NumPy 处理时间增量 NumPy 闰秒处理 NumPy 矢量化日期时间运算

ufunc

NumPy ufunc 简介 NumPy 创建通用函数 (ufunc) NumPy 算术通用函数 (ufunc) NumPy 小数舍入 ufunc NumPy 对数通用函数(ufunc) NumPy 求和通用函数 (ufunc) NumPy 乘积通用函数 (ufunc) NumPy 差分通用函数 (ufunc) NumPy 寻找最小公倍数 (LCM) NumPy 寻找最大公约数 (GCD) NumPy 三角函数 (ufunc) NumPy 双曲线 (ufunc) NumPy 集合运算(ufunc)

实用资源

NumPy 快速指南 NumPy 备忘单


Numpy roll() 函数

Numpy roll() 函数用于沿指定轴移动数组元素。超出最后一个位置的元素将被重新引入到第一个位置。此函数对于循环移动元素特别有用,例如将数组的最后一个元素移到最前面,或以循环方式移动元素。

该函数的工作原理是沿指定轴滚动元素,超出数组边界的值将被卷绕到另一侧,并且轴可以指定正值或负值。它可以应用于任意维度的数组。

语法

以下是 Numpy roll() 函数的语法 -

numpy.roll(m, shift, axis=None)

参数

以下是 Numpy roll() 函数的参数 -

  • m:需要移动元素的输入数组。
  • shift:数组元素需要移动的位置数。正值表示元素向右移动,负值表示元素向左移动。
  • axis(可选):数组沿其移动的轴。如果未指定,则数组在移动前会被展平,然后重新变形回其原始形状。

返回类型

此函数返回输入数组的视图,其元素沿指定轴移动。原始数组保持不变。

示例

以下是使用 Numpy roll() 函数移动一维数组元素的基本示例 -

import numpy as np
my_array = np.array([10, 20, 30, 40, 50])
print("原始数组:", my_array)
result = np.roll(my_array, 2)
print("右移两位后的数组:", result)

输出

以下是上述代码的输出 -

原始数组:[10 20 30 40 50]
右移两位后的数组:[40 50 10 20 30]

示例:沿特定轴移动

roll() 函数也可以在多维数组中沿特定轴移动元素。在以下示例中,我们将二维数组的元素沿轴 0(行)移动 1 位 -

import numpy as np
my_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("原始数组:
", my_array)
result = np.roll(my_array, 1, axis=0)
print("将行移动 1 位后的数组:
", result)

输出

以下是上述代码的输出 -

原始数组:
[[1 2 3]
[4 5 6]
[7 8 9]]
将行移动 1 位后的数组:
[[7 8 9]
[1 2 3]
[4 5 6]]

示例:负向移位

我们还可以通过对 shift 参数使用负值来将元素向相反方向移位。这里,我们将二维数组的元素沿轴 1(列)平移了 -1 位 -

import numpy as np
my_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("原始数组:
", my_array)
result = np.roll(my_array, -1, axis=1)
print("将列平移 -1 位后的数组:
", result)

输出

以下是上述代码的输出 -

原始数组:
[[1 2 3]
[4 5 6]
[7 8 9]]
将列移动 -1 位后的数组:
[[2 3 1]
[5 6 4]
[8 9 7]]

示例:平移三维数组

roll() 函数也可应用于多维数组。这里,我们将三维数组的元素沿轴 2(深度)平移 1 位 -

import numpy as np
my_array = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print("原始数组:
", my_array)
result = np.roll(my_array, 1, axis=2)
print("沿深度轴平移后的三维数组:
", result)

输出

以下是上述代码的输出 -

原始数组:
[[[1 2]
[3 4]]
[[5 6]
[7 8]]]
沿深度轴平移后的三维数组:
[[[2 1]
[4 3]]
[[6 5]
[8 7]]]

示例:未指定轴的一维数组

如果未指定轴,则数组将被展平,并在展平后的数组上执行平移。在以下示例中,我们将一个一维数组向右平移 2 位 -

import numpy as np
my_array = np.array([10, 20, 30, 40, 50])
print("原始数组:", my_array)
result = np.roll(my_array, 2)
print("右移 2 位后的数组:", result)

输出

以下是上述代码的输出 -

原始数组:[10 20 30 40 50]
右移 2 位后的数组:[40 50 10 20 30]

numpy_array_manipulation.html