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 swapaxes() 函数

Numpy swapaxes() 函数可以交换数组中两个指定的轴,从而有效地重新排序其维度。

此函数可用于在不更改底层数据的情况下将数据转置到不同的方向。例如,给定一个形状为 (2, 3, 4) 的数组,调用 swapaxes(arr, 0, 2) 将返回一个形状为 (4, 3, 2) 的数组。

此函数需要三个参数,即要修改的数组和要交换的两个轴索引。返回的数组是原始数组的视图,因此不会复制任何数据,这对于处理大型数据集非常高效。

语法

Numpy swapaxes() 函数的语法如下:-

numpy.swapaxes(a, axis1, axis2)

参数

以下是 Numpy swapaxes() 函数的参数:-

  • a : 需要交换轴的输入数组。
  • axis1 : 需要交换的第一个轴。
  • axis2 : 需要交换的第二个轴交换。

返回值

此函数返回输入数组的视图,其中指定轴已交换。数据不会被复制,只是视图发生了变化。

示例 1

以下是 Numpy swapaxes() 函数的示例,该函数用于交换二维数组的行和列 -

import numpy as np

# 创建二维数组
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
print("原始数组:
", array_2d)

# 交换轴
swapped_array_2d = np.swapaxes(array_2d, 0, 1)
print("交换后的轴数组:
", swapped_array_2d)

输出

原始数组:
[[1 2 3]
[4 5 6]]
交换轴数组:
[[1 4]
[2 5]
[3 6]]

示例 2

此示例通过相应地修改四维数组的形状,交换了其第二和第三个轴。

import numpy as np

# 创建四维数组
array_4d = np.arange(24).reshape(2, 3, 4, 1)
print("原始数组形状:", array_4d.shape)

# 交换轴
swapped_array_4d = np.swapaxes(array_4d, 1, 2)
print("交换轴数组形状:", swapped_array_4d.shape)

输出

原始数组形状:(2, 3, 4, 1)
交换轴数组形状:(2, 4, 3, 1)

示例 3

以下示例演示如何使用 swapaxes() 函数在三维 ndarray 中交换轴 -

import numpy as np

# 创建三维 ndarray
a = np.arange(8).reshape(2, 2, 2)

print('原始数组:')
print(a)
print('
')

# 在轴 0(沿深度)和轴 2(沿宽度)之间交换数字
swapped_array = np.swapaxes(a, 2, 0)

print('调用 swapaxes 函数后的数组:')
print(swapped_array)

输出

原始数组:
[[[0 1]
[2 3]]
[[4 5]
[6 7]]]

调用 swapaxes 函数后的数组:
[[[0 4]
[2 6]]
[[1 5]
[3 7]]]

numpy_array_manipulation.html