NumPy 数据操作实用指南：从基础到高效（下）-编程知识

文章接上篇：

In [53]:

from PIL import Image

In [60]:

dog = Image.open('./dog.jpg')

dog

. . .

In [61]:

dog_data=np.array(dog)

# 图片数据是ndarray

# 彩色照片三维：高度，宽度，像素（表示不同颜色），红绿蓝三原色

dog_data

. . .

In [62]:

# 行，列，像素

dog_data.shape

Out[62]:

(1197, 1200, 3)

In [63]:

# uint8:无负号，0~255

dog_data.dtype

Out[63]:

dtype('uint8')

In [64]:

dog_data.max()

Out[64]:

In [67]:

dog2=dog_data[:,:,::-1]

dog2

解释一下：

`dog2=dog_data[:,:,::-1]` 是一个 NumPy 数组切片的操作，用于颜色通道的反转。这种操作通常用于图像处理，其中 `dog_data` 是一个三维的 NumPy 数组，表示一张彩色图像。

`[:,:,::-1]` 表示对数组的最后一个维度（颜色通道）进行切片，步长为 `-1`，即反向切片。
对于彩色图像，通常最后一个维度包含红、绿、蓝（RGB）三个颜色通道。
通过 `[::-1]` 操作，将颜色通道的顺序反转为蓝、绿、红（BGR）。

In [68]:

Image.fromarray(dog2)

Out[68]:

In [71]:

dog_data[::5, ::5] 对数组进行切片，步长为 5，即每隔5个像素取一个值。
这种操作实际上对图像进行了降采样，将图像的分辨率降低，使图像中的元素更稀疏。

Image.fromarray(dog_data[::5,::5])

简单理解：把图缩小点

Out[71]:

In [73]:

# 红绿蓝 0，1，2

# 绿红蓝 1，0，2

Image.fromarray(dog_data[:,:,[1,0,2]])

dog_data[:,:,[1,0,2]] 表示对数组的最后一个维度进行切片，其中 [1,0,2] 指定了新的颜色通道的顺序。这里的意思是将原本的颜色通道顺序（红、绿、蓝）改为新的顺序（绿、红、蓝）。

Out[73]:

改过后，小狗有点“绿”

In [75]:

Image.fromarray(dog_data[:,:,0])

Out[75]:

变成了灰度图像

In [76]:

import matplotlib.pyplot as plt

In [77]:

plt.imshow(dog_data)

Out[77]:

<matplotlib.image.AxesImage at 0x21f4d592210>

In [79]:

plt.imshow(dog_data[::-1])

Out[79]:

<matplotlib.image.AxesImage at 0x21f4db0d290>

In [83]:

plt.imshow(dog_data[::15,::15])

Out[83]:

<matplotlib.image.AxesImage at 0x21f4eaef490>

变形

使用reshape函数，注意参数是一个tuple

In [84]:

nd2

Out[84]:

array([[ 26,  85,  41,  21,  49],[ 27,   2,  51,  55,  34],[133,  78,  63,  52, 135],[ 26,  56,  77,  51,  13]])

In [85]:

nd2.reshape(2,10)

Out[85]:

array([[ 26,  85,  41,  21,  49,  27,   2,  51,  55,  34],[133,  78,  63,  52, 135,  26,  56,  77,  51,  13]])

In [87]:

dog_data.shape

Out[87]:

(1197, 1200, 3)

In [89]:

dog5=dog_data.reshape(1200,1197,3)

plt.imshow(dog5)

Out[89]:

<matplotlib.image.AxesImage at 0x21f4eb3dd90>

“小狗扭曲了”

In [90]:

# 高度0 宽度1 像素2

# 转置，行和列调整

dog6=np.transpose(dog_data,axes=(1,0,2))

plt.imshow(dog6)

Out[90]:

<matplotlib.image.AxesImage at 0x21f4ef75d10>

级联

1.np.concatenate() 级联需要注意的点： 2.级联的参数是列表：一定要加中括号或小括号 3.维度必须相同 4.形状相符 5.【重点】级联的方向默认是shape这个tuple的第一个值所代表的维度方向 6.可通过axis参数改变级联的方向

In [91]:

nd2

Out[91]:

array([[ 26,  85,  41,  21,  49],[ 27,   2,  51,  55,  34],[133,  78,  63,  52, 135],[ 26,  56,  77,  51,  13]])

In [92]:

np.concatenate([nd2,nd2])

Out[92]:

array([[ 26,  85,  41,  21,  49],[ 27,   2,  51,  55,  34],[133,  78,  63,  52, 135],[ 26,  56,  77,  51,  13],[ 26,  85,  41,  21,  49],[ 27,   2,  51,  55,  34],[133,  78,  63,  52, 135],[ 26,  56,  77,  51,  13]])

In [93]:

plt.imshow(dog_data)

Out[93]:

<matplotlib.image.AxesImage at 0x21f4edb8dd0>

In [98]:

dog7=dog_data[:,:400]

plt.imshow(dog7)

切片左边：

Out[98]:

<matplotlib.image.AxesImage at 0x21f4f00dd90>

In [99]:

dog8=dog_data[:,600:,::-1]

plt.imshow(dog8)

切片右边，再换个色

Out[99]:

<matplotlib.image.AxesImage at 0x21f4f0eb410>

In [100]:

print(dog7.shape,dog8.shape)

(1197, 400, 3) (1197, 600, 3)

In [102]:

display(dog7.shape,dog8.shape)
(1197, 400, 3)
(1197, 600, 3)

In [103]:

# 高度0 宽度1 像素2

dog9=np.concatenate([dog7,dog8],axis=1)
plt.imshow(dog9)

拼接一下：

Out[103]:

<matplotlib.image.AxesImage at 0x21f4f11dd90>

2.np.hstack与np.vstack 水平级联与垂直级联，处理自己，进行维度的变更

In [2]:

nd1=np.random.randint(0,150,size=(4,5))

In [3]:

nd2=np.random.randint(0,150,size=(2,5))

In [5]:

nd3=np.random.randint(0,150,size=(4,8))

In [6]:

display(nd1,nd2,nd3)

array([[123,  24,  86,  12,  89],[ 44,  13,  68,  97,  30],[ 35, 136,  40,  14,   2],[ 26, 141, 120,  12,  19]])

array([[133,  28,   1,  87, 139],[109,  34,  20,  44,  33]])

array([[111,  74, 126,  97,  27, 102,  54,  82],[ 23,  83,  81, 131,  87, 120,  78,  32],[ 49,  97,   0,  89,  63,  21, 122,  47],[144, 111, 100,  98, 129,  18, 147,  88]])

In [7]:

np.concatenate([nd1,nd3],axis=1)

#列

. . .

In [9]:

#horizontal 水平的，列数增加

np.hstack((nd1,nd3))

. . .

In [4]:

#vertical 竖直方向，行数增多

nd4=np.vstack((nd1,nd2))

切片

与级联类似，三个函数完成切片工作：

np.split

np.vsplit

np.hsplit

In [6]:

nd4.shape

Out[6]:

(6, 5)

In [7]:

np.split(nd4,3)

Out[7]:

[array([[ 64, 136, 106,  76, 137],[ 26,   5,  29,  90,  25]]),array([[136,  81, 124,  90,  19],[106,  24,  89,  50,  33]]),array([[148, 125,  94,  22,  46],[  5,  60,  56,  45,  40]])]

In [9]:

np.split(nd4,[1,3])

Out[9]:

[array([[ 64, 136, 106,  76, 137]]),array([[ 26,   5,  29,  90,  25],[136,  81, 124,  90,  19]]),array([[106,  24,  89,  50,  33],[148, 125,  94,  22,  46],[  5,  60,  56,  45,  40]])]

In [10]:

np.vsplit(nd4,2)

Out[10]:

[array([[ 64, 136, 106,  76, 137],[ 26,   5,  29,  90,  25],[136,  81, 124,  90,  19]]),array([[106,  24,  89,  50,  33],[148, 125,  94,  22,  46],[  5,  60,  56,  45,  40]])]

In [16]:

np.hsplit(nd4,[2])

Out[16]:

[array([[ 64, 136],[ 26,   5],[136,  81],[106,  24],[148, 125],[  5,  60]]),array([[106,  76, 137],[ 29,  90,  25],[124,  90,  19],[ 89,  50,  33],[ 94,  22,  46],[ 56,  45,  40]])]