本文主要介绍一些偶尔“常用”的python语法。
numpy的增维，降维度
在实际开发中，会需要将二维矩阵转为多维向量的需求。同时也会有将多维向量转换为二维数组的需求。 这里以numpy举例，说明生降维的基本用法。
降维
使用函数 numpy.squeeze(), 删除无用维度， 但是squeeze()函数只能用于删除该维度内长度为1的场景，即多余的维度。
import numpy as np
arr = np.array([[[1, 2, 3], [2, 3, 4]]])
print(arr)
#[[[1 2 3]
# [2 3 4]]]
print(arr.shape) # (1, 2, 3)
# 事实上第一个维度我们是不需要的，因为在该维度上数组的长度是 1
# 删除第 1 个维度，我们看到已经改变了
print(np.squeeze(arr, 0))
#[[1 2 3]
# [2 3 4]]
升维
对于升维，可以使用numpy.expand_dims( , ), 增加维度。其中第二个参数表示要增加哪一个维度。因为数组长度是固定的，在升维后，对应维度内的数组长度为1。
import numpy as np
arr = np.array([[1, 2, 3], [2, 3, 4]])
print(arr.shape) # (2, 3)
print(np.expand_dims(arr, 0).shape) # (1, 2, 3)
print(np.expand_dims(arr, 1).shape) # (2, 1, 3)
print(np.expand_dims(arr, 2).shape) # (2, 3, 1)
arr = np.array([1, 2, 3])
print(np.expand_dims(arr, 0))
# [[1 2 3]]
print(np.expand_dims(arr, 1))
#[[1]
# [2]
# [3]]
改变维度
常用的改变维度的方法是numpy.reshape(,)。
import numpy as np
arr = np.array([[1, 2, 3], [2, 3, 4]])
print(arr.shape) # (2, 3)
arr1 = arr.reshape((2, 1, 1, 3))
print(arr1)
#[[[[1 2 3]]]
# [[[2 3 4]]]]
print(arr1.shape) # (2, 1, 1, 3)
print(arr1.reshape((2, 3))) # True
# [[1 2 3]
# [2 3 4]]
二维矩阵增加行、列
可以使用numpy.append()函数，在矩阵的结尾添加数据。这里添加数据的维度要匹配。
import numpy as np
arr = np.arange(0, 12).reshape(3, 4)
print(arr)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
# 在尾部增加一行，这里的维度一定要匹配，指定 [0, 0, 0, 0] 是不行的，因为 arr 是一个二维数组
print(np.append(arr, [[0, 0, 0, 0]], axis=0))
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]
# [ 0 0 0 0]]
# 在尾部增加一列，维度同样要匹配
print(np.append(arr, [[0], [0], [0]], axis=1))
# [[ 0 1 2 3 0]
# [ 4 5 6 7 0]
# [ 8 9 10 11 0]]
同样可以使用numpy.insert()在原有数组中插入对应元素或 数组。insert()函数可以替代append()函数的功能;同样，insert函数在使用中需要注意插入数据的维度。
import numpy as np
arr = np.arange(0, 12).reshape(3, 4)
print(arr)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
# 索引为 1 的位置插入一行，值全为 0
print(np.insert(arr, 1, 0, axis=0))
# [[ 0 1 2 3]
# [ 0 0 0 0]
# [ 4 5 6 7]
# [ 8 9 10 11]]
# 或者我们也可以手动指定
print(np.insert(arr, 1, [0, 0, 0, 0], axis=0))
# [[ 0 1 2 3]
# [ 0 0 0 0]
# [ 4 5 6 7]
# [ 8 9 10 11]]
# 二维数组也是可以的
print(np.insert(arr, 1, [[0, 0, 0, 0], [0, 0, 0, 0]], axis=0))
# [[ 0 1 2 3]
# [ 0 0 0 0]
# [ 0 0 0 0]
# [ 4 5 6 7]
# [ 8 9 10 11]]
# 插入一列，注意元素个数要匹配，每一列是 3 个元素
print(np.insert(arr, 1, [[0, 0, 0], [0, 0, 0]], axis=1))
# [[ 0 0 0 1 2 3]
# [ 4 0 0 5 6 7]
# [ 8 0 0 9 10 11]]
使用insert替代append实现同样的效果
import numpy as np
arr = np.arange(0, 12).reshape(3, 4)
print(arr)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
# 在尾部增加一行
print(np.insert(arr, arr.shape[0], 0, axis=0))
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]
# [ 0 0 0 0]]
# 在尾部增加一列
print(np.insert(arr, arr.shape[1], 0, axis=1))
# [[ 0 1 2 3 0]
# [ 4 5 6 7 0]
# [ 8 9 10 11 0]]
二维矩阵删除行、列
删除函数 numpy.delete(, , axis=0)), 这里能省略axis参数。如果不指定具体的axis参数，矩阵将被扁平化处理，然后删除索引的元素。
import numpy as np
arr = np.arange(0, 12).reshape(3, 4)
print(arr)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
# 删除第二行
print(np.delete(arr, [1], axis=0))
"""
[[ 0 1 2 3]
[ 8 9 10 11]]
"""
# 删除第一行和第三行
print(np.delete(arr, [0, 2], axis=0))
# [[4 5 6 7]]
# 删除前两行，slice(0, 2) 也可以换成 np.s_[0: 2]
print(np.delete(arr, slice(0, 2), axis=0))
# [[ 8 9 10 11]]
#注意，如果不指定具体的axis参数，会将 arr 扁平化处理，然后删除索引为 1 的元素
print(np.delete(arr, [1]))
#[ 0 2 3 4 5 6 7 8 9 10 11]
