602-2077223-numpy_ndarray_矩阵维度_形状_变形_索引.sy.md

show	version	enable_checker
step	1.0	true

opencv

回忆

• 上次了解numpy
  • Numerical Python
  • 核心是N-dimensional
  • 总共种构造函数

函数	作用
zeros	全0
empty	根据内存
ones	全1
arange	等差数列
linspace	平均分布

• 这个numpy 中的 数组 怎么都是
  • 1维数组呢？
  • 不是ndarray吗？？🤔

增加维度

• 如何为数组增加维度呢？

增维

import numpy as np
a = np.arange(6,dtype=np.uint8)
print(a)
print(a.ndim)
print(a.shape)
b = a[np.newaxis,:]
print(b)
print(b.ndim)
print(b.shape)

• 原来是1维数组
  • 总共 6个元素

• 现在是 2维数组
  • 第一维 1个元素
  • 第二维 6个元素
• 可以让第一维度6个元素吗？

变化维度

import numpy as np
a = np.arange(6,dtype=np.uint8)
print(a)
print(a.ndim)
print(a.shape)
b = a[:,np.newaxis]
print(b)
print(b.ndim)
print(b.shape)

• 结果

• 现在是 2维数组
  • 第一维 6个元素
  • 第二维 1个元素

变型

• 原本的1维数组
  • 总共12个元素

import numpy as np
a = np.arange(12,dtype=np.uint8)
print(a)
print(a.ndim)
print(a.shape)
b = a.reshape(4,3)
print(b)
print(b.ndim)
print(b.shape)

• 可以变成2维的
  • 第一维度 4个元素
  • 第二维度 3个元素

• 可以看到这个二维数组吗？

二维数组

import cv2
import numpy as np
a = np.linspace(0,255,num=12,dtype=np.uint8)
print(a)
print(a.ndim)
print(a.shape)
b = a.reshape(4,3)
print(b)
print(b.ndim)
print(b.shape)
cv2.imshow("reshaped",b)
key = cv2.waitKey()

• 结果

• arr.reshape
  • 只改变形状
  • 不改变数值

• 二维数组 可以堆叠吗？

stack

• 堆叠二维数组

import cv2
import numpy as np

a0 = np.zeros((7,5),np.uint8)
cv2.putText(a0,"0",(0,5),cv2.FONT_HERSHEY_DUPLEX,0.2,255,1)
a1 = np.zeros((7,5),np.uint8)
cv2.putText(a1,"1",(0,5),cv2.FONT_HERSHEY_DUPLEX,0.2,255,1)
canvas = np.hstack((a0,a1,a0))
print(canvas)
cv2.imshow("canvas",canvas)
cv2.waitKey()
cv2.destroyAllWindows()

• hstack
  • horizontal stack
  • 横向堆叠

• 可以竖向堆叠吗？

vstack

import cv2
import numpy as np

a0 = np.zeros((7,5),np.uint8)
cv2.putText(a0,"0",(0,5),cv2.FONT_HERSHEY_DUPLEX,0.2,255,1)
a1 = np.zeros((7,5),np.uint8)
cv2.putText(a1,"1",(0,5),cv2.FONT_HERSHEY_DUPLEX,0.2,255,1)
canvas = np.vstack((a0,a1,a0))
print(canvas)
cv2.imshow("canvas",canvas)
cv2.waitKey()
cv2.destroyAllWindows()

• vstack
  • vertical stack
  • 竖相堆叠

• 二维数组 可以索引吗？

索引Index

• 1维数组的逻辑和列表一致

• 2维数组又是如何的呢？

二维数组索引

import cv2
import numpy as np
a = np.linspace(0,255,num=12,dtype=np.uint8)
print(a)
print(a.ndim)
print(a.shape)
b = a.reshape(3,4)
print(b)
print(b.ndim)
print(b.shape)
print(b[0])
print(b[0][1])
cv2.imshow("reshaped",b)
key = cv2.waitKey()

• 效果和二维数组类似

• 切片情况如何呢？

二维数组切片

import cv2
import numpy as np
a = np.linspace(0,255,num=12,dtype=np.uint8)
print(a)
print(a.ndim)
print(a.shape)
b = a.reshape(3,4)
print(b)
print(b.ndim)
print(b.shape)
print(b[0:2])
print(b[0:2][1:3])
cv2.imshow("reshaped",b)
key = cv2.waitKey()

• 切片方式 和 二维列表类似

• 可以用多维的方式进行索引吗？

多维索引和切片

• 在中括号里面
  • 依次 填写各个维度 对应的索引

• 尝试一下

多维索引

import cv2
import numpy as np
a = np.linspace(0,255,num=12,dtype=np.uint8)
print(a)
print(a.ndim)
print(a.shape)
b = a.reshape(3,4)
print(b)
print(b.ndim)
print(b.shape)
cv2.imshow("reshaped",b)
print("b[1,2]",b[1,2])
print("b[1][2]",b[1]2])
key = cv2.waitKey()

• 第一维度 使用1索引
• 第二维度 使用2索引

• 可以切片吗？

切片

import cv2
import numpy as np
a = np.linspace(0,255,num=12,dtype=np.uint8)
print(a)
print(a.ndim)
print(a.shape)
b = a.reshape(3,4)
print(b)
print(b.ndim)
print(b.shape)
c = b[1:2,1:3]
print(c)
cv2.imshow("reshaped",c)
key = cv2.waitKey()

• 二维切片

• 切片值可以缺省吗？

缺省值

import cv2
import numpy as np
a = np.linspace(0,255,num=12,dtype=np.uint8)
print(a)
print(a.ndim)
print(a.shape)
b = a.reshape(3,4)
print(b)
print(b.ndim)
print(b.shape)
c = b[1: ,:3]
print(c)
cv2.imshow("reshaped",c)
key = cv2.waitKey()

• 缺省值
  • 可以包含最多元素

• 可以做出渐变吗？

渐变效果

import cv2
import numpy as np
a = np.arange(0,256,dtype=np.uint8).reshape(16,16)
print(a)
print(a.ndim)
print(a.shape)
cv2.imshow("reshaped",a)
key = cv2.waitKey()

• 将range(0,256)共256个颜色
  • 分配到 16 * 16 的矩阵中

• 可以让色彩的阶梯 更加明显吗？

色彩的阶梯

import cv2
import numpy as np
a = np.arange(0,256,dtype=np.uint8).reshape(16,16)
a = (a // 32) * 32
print(a)
print(a.ndim)
print(a.shape)
cv2.imshow("reshaped",a)
key = cv2.waitKey()

• 效果

• 还有什么细节吗？

dots

• ...可以作为缺省

• 先尝试一下三维数组

三维数组

import cv2
import numpy as np
a = np.linspace(0,255,num=12,dtype=np.uint8).reshape(2,2,3)
print(a)
print(a.ndim)
print(a.shape)
cv2.imshow("reshaped",a)
key = cv2.waitKey()

• 效果

• 总共3维
  • 第一维度 2个元素
  • 第二维度 2个元素
  • 第三维度 3个元素
    • 好像被当作了三原色

dots...

import cv2
import numpy as np
a = np.linspace(0,255,num=12,dtype=np.uint8).reshape(2,2,3)
print(a)
print(a.ndim)
print(a.shape)
b = a[1,...]
print(b)
print(b.ndim)
print(b.shape)
cv2.imshow("reshaped",b)
key = cv2.waitKey()

• ...相当于
  • 相关维度全都要

总结

• 这次研究了 numpy.ndarray的
  • 索引和切片
• 基础索引和切片
  • 和 列表一致
• 多维索引和切片
  • 在大括号中实现
  • 不同维度 通过逗号划分
• 我们下次再说 👋