机器学习-4

---

前言

本篇将介绍数据处理 Numpy 库的一些基本使用技巧，主要内容包括 Numpy 数组的创建、切片与索引、基本运算、堆叠等等。

---

数组创建

在 Python 中创建数组有许多的方法，这里我们使用 Numpy 中的arange方法快速的新建一个数组：

import numpy as np
a = np.arange(5)
1
2

其中import numpy as np是指引入Numpy这个库，并取别名为np。之所以取别名，是为了代码编写的方便。a=np.arange(5)是指将数值0 1 2 3 4赋值给a这个变量，这样我们就快速的创建了一个一维数组。

创建多维数组的方法是:

import numpy as np
b = np.array([np.arange(6),np.arange(6)])
1
2

这里，我们使用两个arange方法，创建了两个1x6的一维数组，然后使用numpy的array方法，将两个一维数组组合成一个2x6的二维数组。从而达到了创建多维数组的目的。

numpy创建的数组可以直接复制，具体代码示例如下：

import numpy as np
x = [y for y in range(6)]
b=np.array([x]*4)
1
2
3

该段代码会创建一个4*6的数组。

本关的任务是，补全右侧编辑器中 Begin-End 区间的代码，以实现创建一个m*n的多维数组的功能。具体要求如下：

函数接受两个参数，然后创建与之对应的的多维数组；

本关的测试样例参见下文。

本关设计的代码文件cnmda.py的代码框架如下：

引入numpy库

import numpy as np
1

定义cnmda函数

def cnmda(m,n):
    '''
    创建numpy数组
    参数：
         m:第一维的长度
         n: 第二维的长度
    返回值:
        ret: 一个numpy数组
    '''
    ret = 0
    
    # 请在此添加创建多维数组的代码并赋值给ret
    #********** Begin *********#
    ret = np.zeros((m, n))
    #********** End **********#
    
    return ret
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

切片索引

索引

ndarray的索引其实和python的list的索引极为相似。元素的索引从0开始。代码如下：

import numpy as np
a中有4个元素，那么这些元素的索引分别为0，1，2，3
a = np.array([2, 15, 3, 7])
打印第2个元素
索引1表示的是a中的第2个元素
结果为15
print(a[1])
b是个2行3列的二维数组
b = np.array([[1, 2, 3], [4, 5, 6]])
打印b中的第1行
总共就2行，所以行的索引分别为0，1
结果为[1, 2, 3]
print(b[0])
打印b中的第2行第2列的元素
结果为5
print(b[1][1])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

遍历

ndarray的遍历方式与python的list的遍历方式也极为相似，示例代码如下：

import numpy as np
a = np.array([2, 15, 3, 7])
使用for循环将a中的元素取出来后打印
for element in a:
    print(element)
根据索引遍历a中的元素并打印
for idx in range(len(a)):
    print(a[idx])
b是个2行3列的二维数组
b = np.array([[1, 2, 3], [4, 5, 6]])
将b展成一维数组后遍历并打印
for element in b.flat:
    print(element)
根据索引遍历b中的元素并打印
for i in range(len(b)):
    for j in range(len(b[0])):
        print(b[i][j])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

切片

ndarray的切片方式与python的list的遍历方式也极为相似，对切片不熟的同学也不用慌，套路很简单，就是用索引。

假设想要将下图中紫色部分切片出来，就需要确定行的范围和列的范围。由于紫色部分行的范围是0到2，所以切片时行的索引范围是0:3(索引范围是左闭右开);又由于紫色部分列的范围也是0到2，所以切片时列的索引范围也是0:3(索引范围是左闭右开)。最后把行和列的索引范围整合起来就是0:3, 0:3。当然有时为了方便，0可以省略，也就是[:3, :3]。

切片示例代码如下：

import numpy as np
a中有4个元素，那么这些元素的索引分别为0，1，2，3
a = np.array([2, 15, 3, 7])
'''
将索引从1开始到最后的所有元素切片出来并打印
结果为[15  3  7]
'''
print(a[1:])
'''
将从倒数第2个开始到最后的所有元素切片出来并打印
结果为[3  7]
'''
print(a[-2:])
'''
将所有元素倒序切片并打印
利用第三个参数修改索引步长，默认为1，设置-1为倒序
结果为[ 7  3 15  2]
'''
print(a[::-1])
b是个2行3列的二维数组
b = np.array([[1, 2, 3], [4, 5, 6]])
'''
将第2行的第2列到第3列的所有元素切片并打印
结果为[[5 6]]
'''
print(b[1:, 1:3])
'''
将第2列到第3列的所有元素切片并打印
结果为[[2 3]
      [5 6]]
'''
print(b[:, 1:3])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

编程练习

平台会对你编写的代码进行测试。你只需按要求完成get_roi(data, x, y, w, h)函数即可。其中：

data：待提取ROI的原始图像数据(其实就是个二维数组)，类型为ndarray；

x: ROI的左上角顶点的行索引，类型为int；

y: ROI的左上角顶点的列索引，类型为int；

w: ROI的宽，类型为int；

h: ROI的高，类型为int。

测试用例是一个字典，字典中image部分表示原始图像的像素数据，x部分表示ROI的左上角顶点的行索引，y部分表示ROI的左上角顶点的列索引，w部分表示ROI的宽，h部分表示ROI的高。

测试输入：
{‘image’:[[1, 2, 255, 255, 0], [255, 255, 0, 0, 3]], ‘x’:0, ‘y’:1, ‘w’:2, ‘h’:1}

预期输出：

[[ 2 255 255] [255 0 0]]

import numpy as np

def get_roi(data, x, y, w, h):
    '''
    提取data中左上角顶点坐标为(x, y)宽为w高为h的ROI
    :param data: 二维数组，类型为ndarray
    :param x: ROI左上角顶点的行索引，类型为int
    :param y: ROI左上角顶点的列索引，类型为int
    :param w: ROI的宽，类型为int
    :param h: ROI的高，类型为int
    :return: ROI，类型为ndarray
    '''

    #********* Begin *********#
    roi = data[x:x+h+1, y:y+w+1]
    return roi
    #********* End *********#
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

---

总结

以上就是对机器学习中的分片，切割，遍历的介绍。