NumPyの操縦ndarrayの形状

シリーズ記事
一度にNumPyの入門基礎知識NumPyの操縦ndarrayの形状NumPyの浅いコピーと深いコピーNumPyのインデックステクニックを完成する
概要
ここでは主にndarray形状に対する3つの操作をまとめます.

ndarrayの形状を変更する

いくつかのndarray

を積み重ねます

分割ndarray

ndarrayの形を変える
次のndarrayを例に挙げます.

>>> a = np.floor(10*np.random.random((3,4)))
>>> a
array([[ 2.,  8.,  0.,  6.],
       [ 4.,  5.,  1.,  1.],
       [ 8.,  9.,  3.,  6.]])
>>> a.shape
(3, 4)    

次の3つは、ndarrayのシェイプを変更する3つの一般的なコマンドです.この3つのコマンドは、元のndarrayを変更しないことに注意してください.

>>> a.ravel()  #    ndarray     ndarray   
array([ 2.,  8.,  0.,  6.,  4.,  5.,  1.,  1.,  8.,  9.,  3.,  6.])

>>> a.reshape(6,2)  #     shape，    shape ndarray
array([[ 2.,  8.],
       [ 0.,  6.],
       [ 4.,  5.],
       [ 1.,  1.],
       [ 8.,  9.],
       [ 3.,  6.]])

>>> a.T  #       ndarray，             
array([[ 2.,  4.,  8.],
       [ 8.,  5.,  9.],
       [ 0.,  1.,  3.],
       [ 6.,  1.,  6.]])
>>> a.T.shape
(4, 3)
>>> a.shape
(3, 4)  

なお、上記のいくつかのコマンドは、形状を変更する際に従う原則が「C-style」である.つまり、右端のインデックスは、最も速く変化します.a.ravel()を例にとると、a[0][0]の後に続く元素はa[0][1]である.NumPyの内部記憶もこの順序に従うため、ravel()を使用してもコピーの動作は起こらない.もちろん、ravel()およびreshape()は、パラメータによって制御することができ、例えば「FORTRAN−style」を用いたモードを変更して、最左のインデックスを最も速くすることができる.
次の2つの方法の違いに注意してください.reshapeは新しいndarrayを返し、resizeはこのndarray自体を直接修正します.

>>> a
array([[ 2.,  8.,  0.,  6.],
       [ 4.,  5.,  1.,  1.],
       [ 8.,  9.,  3.,  6.]])
>>> a.resize((2,6))
>>> a
array([[ 2.,  8.,  0.,  6.,  4.,  5.],
       [ 1.,  1.,  8.,  9.,  3.,  6.]]) 

reshapeのパラメータが-1の場合、reshapeの最終形状は関数によって自動的に計算されます.

>>> a.reshape(3,-1)
array([[ 2.,  8.,  0.,  6.],
       [ 4.,  5.,  1.,  1.],
       [ 8.,  9.,  3.,  6.]]) 

ndarrayのスタック
いくつかの異なるndarrayは、指定されたaxisに沿ってスタックできます.たとえば、次のようになります.

>>> a = np.floor(10*np.random.random((2,2)))
>>> a
array([[ 8.,  8.],
       [ 0.,  0.]])
>>> b = np.floor(10*np.random.random((2,2)))
>>> b
array([[ 1.,  8.],
       [ 0.,  4.]])

>>> np.vstack((a,b))
array([[ 8.,  8.],
       [ 0.,  0.],
       [ 1.,  8.],
       [ 0.,  4.]])

>>> np.hstack((a,b))
array([[ 8.,  8.,  1.,  8.],
       [ 0.,  0.,  0.,  4.]])    

上記の例では、2次元ndarrayを例にとると、vstack法は垂直方向に積み重ね(すなわち、第1のaxis)、hstack法は水平方向に積み重ね(すなわち、第2のaxis)である.column_stackの方法は、2つの1 Dのndarrayについて、それらを2 Dのndarrayに積層することに注意してください.例:

>>> a = np.array([1,2,3])
>>> b = np.array([4,5,6])
>>> np.column_stack((a,b))
array([[1, 4],
       [2, 5],
       [3, 6]])

2 Dのndarrayの場合、column_stackの役割はhstackに等しく、そうでなければhstackは2つの1 Dのndarrayを行として統合します.

>>> from numpy import newaxis
>>> a = np.floor(10*np.random.random((2,2)))
>>> b = np.floor(10*np.random.random((2,2)))
>>> np.column_stack((a,b))    
array([[ 8.,  8.,  1.,  8.],
       [ 0.,  0.,  0.,  4.]])
>>> a = np.array([4.,2.])
>>> b = np.array([3.,8.])
>>> np.column_stack((a,b))     
array([[ 4., 3.],
       [ 2., 8.]])
>>> np.hstack((a,b))           #     ，  hstack   1D ndarray         
array([ 4., 2., 3., 8.])
>>> a[:,newaxis]               #   axis
array([[ 4.],
       [ 2.]])
>>> np.column_stack((a[:,newaxis],b[:,newaxis]))
array([[ 4.,  3.],
       [ 2.,  8.]])
>>> np.hstack((a[:,newaxis],b[:,newaxis]))   #         
array([[ 4.,  3.],
       [ 2.,  8.]])  

一方、row_stackは、いつでもvstackと同等である.要約すると、2次元以上のndarrayについては、hstackが2番目のaxisに沿ってマージされ、vstackが1番目のaxisに沿ってマージされ、concatenateがパラメータ制御により、どの方向に沿ってマージされるかが決定される.
さらに、いくつかの複雑なシーンでは、以下のように、r_およびc_を使用してndarrayを作成することができる.

>>> np.r_[1:4,0,4]
array([1, 2, 3, 0, 4])

その中の:arangeの方法の中の意味と同じです.ここで、r_およびc_の役割は、それぞれvstackおよびhstackの役割と類似しているが、パラメータ制御によって、どのaxisに沿ってスタックされるかを決定することも可能である.
あるaxisに沿ってスタックする場合、スタックに参加するndarrayの他のaxisのlengthは同じである必要があります.例えば、1つのndarrayは、別のndarrayと第1のaxisに沿ってスタックすることができるが、別のndarrayと第1のaxisに沿ってスタックすることはできない.
ndarrayの分割
1つのndarrayはいくつかの小さなndarrayに分割することができます.ここで、hsplitを例にとると、この関数はndarrayを水平方向に分割することができる.2つの方法でパラメータを渡すことができます.1つは、パラメータNを指定し、元のndarrayをいくつかの小さなndarrayに分割することを説明し、NumPyはこのパラメータに基づいて、この方向に沿って元のndarrayなどをN部に分割する(列数がNで割り切れない場合は、エラーを報告する).もう1つは、どの列の後ろでナイフを切るかを指定し、NumPyはこの指示に従って元のndarrayを分割します.
たとえば、6列のndarrayについて、パラメータ3が入力されると、NumPyは、同じndarrayを等分します.パラメータ(1,3)が入力されると、NumPyは対応する列の後ろに線(第1列の後ろ、第3列の後ろ)を引いて分割します.
コードの例は次のとおりです.

>>> a = np.floor(10*np.random.random((2,12)))
>>> a
array([[ 9.,  5.,  6.,  3.,  6.,  8.,  0.,  7.,  9.,  7.,  2.,  7.],
       [ 1.,  4.,  9.,  2.,  2.,  1.,  0.,  6.,  2.,  2.,  4.,  0.]])
>>> np.hsplit(a,3)   # Split a into 3
[array([[ 9.,  5.,  6.,  3.],
       [ 1.,  4.,  9.,  2.]]), array([[ 6.,  8.,  0.,  7.],
       [ 2.,  1.,  0.,  6.]]), array([[ 9.,  7.,  2.,  7.],
       [ 2.,  2.,  4.,  0.]])]
>>> np.hsplit(a,(3,4))   # Split a after the third and the fourth column
[array([[ 9.,  5.,  6.],
       [ 1.,  4.,  9.]]), array([[ 3.],
       [ 2.]]), array([[ 6.,  8.,  0.,  7.,  9.,  7.,  2.,  7.],
       [ 2.,  1.,  0.,  6.,  2.,  2.,  4.,  0.]])]