NumPy 2.x 完全指南【二十一】元素重排操作

article/2025/8/27 19:11:05

文章目录

  • 1. 翻转
    • 1.1 fliplr
    • 1.2 fliplr
    • 1.3 flipud
  • 2. 滚动
    • 2.1 roll
    • 2.2 rot90

1. 翻转

1.1 fliplr

numpy.flip： 沿指定轴翻转数组元素顺序，返回视图，共享原数组内存。

函数定义：

def flip(m, axis=None)

参数说明：

  • m：输入的数组（支持任意维度）。
  • axis：指定翻转的轴（整数或元组）。若为 None，则默认翻转所有轴。

示例 1 ，翻转一维数组：

import numpy as np# 一维数组
arr_1d = np.array([1, 2, 3])
flipped_1d = np.flip(arr_1d)
print(flipped_1d)  # [3 2 1]
# 输出：
# [3 2 1]

一维数组只有一个 0 轴，没有指定 axis 参数时（None）也就是沿着 0 轴进行翻转，很容易理解，就是掉了个头：
在这里插入图片描述
二维数组有 0 轴和 1 轴，没有指定 axis 参数时，需要依次沿着所有的轴进行翻转：

  • 首先是 0 轴，当前维度的元素是行，需要翻转所有行。
  • 接着是 1 轴，当前维度的元素是列，需要翻转所有列。

在这里插入图片描述
示例 2 ，翻转二维数组：

# 二维数组
arr_2d = np.array([[1, 2],[3, 4]])
flipped_2d = np.flip(arr_2d)
print(flipped_2d)
# 输出：
# [[4 3]
#  [2 1]]# 中间过程：O 轴
# [[3 4]
#  [1 2]]

三维数组有 0 、 1 、 2 轴，也是按照同样的规则翻转：
在这里插入图片描述
示例 3 ，翻转三维数组：

# 三维数组
arr_3d = np.arange(8).reshape(2, 2, 2)
print(arr_3d)
# 输出：
# [[[0 1]
#   [2 3]]
#
#  [[4 5]
#   [6 7]]]
flipped = np.flip(arr_3d)
print(flipped)
# 输出：
# [[[7 6]
#   [5 4]]
#
#  [[3 2]
#   [1 0]]]# 中间过程：O 轴
# [[[4 5]
#   [6 7]]
#
#  [[0 1]
#   [2 3]]]# 中间过程：1 轴
# [[[6 7]
#   [4 5]]
#
#  [[2 3]
#   [0 1]]]

axis 是可选参数，用于指定翻转的维度，默认为 None（反转所有轴），可以是整数或元组类型。

示例 4 ，指定在一个轴上翻转：

# 二维数组
arr_2d = np.array([[1, 2],[3, 4]])
flipped_2d = np.flip(arr_2d, axis=1)  # 列
print(flipped_2d)
# 输出：
# [[2 1]
#  [4 3]]# 三维数组
arr_3d = np.arange(8).reshape(2, 2, 2)
print(arr_3d)
# 输出：
# [[[0 1]
#   [2 3]]
#
#  [[4 5]
#   [6 7]]]
flipped = np.flip(arr_3d, axis=1)  # 行
print(flipped)
# 输出：
# [[[2 3]
#   [0 1]]
#
#  [[6 7]
#   [4 5]]]

示例 5 ，指定在两个轴上翻转：

# 三维数组
arr_3d = np.arange(8).reshape(2, 2, 2)
print(arr_3d)
# 输出：
# [[[0 1]
#   [2 3]]
#
#  [[4 5]
#   [6 7]]]
flipped = np.flip(arr_3d, axis=(0, 1))  # 层、行
print(flipped)
# 输出：
# [[[6 7]
#   [4 5]]
#
#  [[2 3]
#   [0 1]]]# 中间过程：O 轴
# [[[4 5]
#   [6 7]]
#
#  [[0 1]
#   [2 3]]]

在计算机视觉中，就可以使用翻转函数实现翻转图像：
在这里插入图片描述
完整代码如下：

import numpy as np
import cv2
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm
import platform# 跨平台字体配置方案
def config_chinese_font():"""自动适配不同操作系统的中文字体配置"""system = platform.system()# 候选字体列表（按优先级排序）font_candidates = {'Windows': ['Microsoft YaHei', 'SimHei'],  # 微软雅黑/黑体'Darwin': ['Arial Unicode MS', 'Songti SC'],  # MacOS字体'Linux': ['WenQuanYi Zen Hei']  # 文泉驿字体}# 根据系统类型选择候选字体fonts = font_candidates.get(system, ['sans-serif'])try:# 自动检测已安装字体available_fonts = [f.name for f in fm.fontManager.ttflist]valid_fonts = [f for f in fonts if f in available_fonts]if valid_fonts:plt.rcParams['font.sans-serif'] = valid_fontsprint(f"已设置中文字体: {valid_fonts[0]}")else:raise RuntimeError("未找到中文字体")except Exception as e:print(f"字体自动配置失败: {str(e)}, 将使用默认字体")plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题def load_image(path):"""加载图像文件并转换颜色空间"""image = cv2.imread(path)if image is None:raise FileNotFoundError(f"图像文件 {path} 未找到")return cv2.cvtColor(image, cv2.COLOR_BGR2RGB)def plot_images(images, titles):"""可视化图像（自动处理中文标题）"""plt.figure(figsize=(15, 5))for i, (img, title) in enumerate(zip(images, titles)):plt.subplot(1, 3, i + 1)plt.imshow(img)plt.title(title, fontsize=12)  # 使用已配置的字体plt.axis('off')plt.tight_layout()plt.show()def main(image_path):# 初始化字体配置config_chinese_font()# 加载并处理图像try:original = load_image(image_path)print(f"成功加载图像: {original.shape} (HxWxC)")# 随机水平翻转 (50%概率)if np.random.rand() > 0.5:h_flip = np.flip(original, axis=1)flip_type = "水平翻转"else:h_flip = original.copy()flip_type = "原始图像"# 组合翻转combined_flip = np.flip(h_flip, axis=(0, 1))# 可视化结果plot_images([original, h_flip, combined_flip],["原始图像", flip_type, "组合翻转 (180度)"])except Exception as e:print(f"处理失败: {str(e)}")if __name__ == "__main__":# 使用实际图片路径main("QQ20250416-144551.jpg")  # 替换为您的图片路径

1.2 fliplr

numpy.fliplr()：沿水平方向（列方向，即 axis=1）左右翻转二维及以上数组的元素（返回原数组的视图）。

函数定义：

def fliplr(m)

参数说明：

  • m：输入数组，必须至少是二维的。

等价操作：

  • m[:, ::-1]：通过切片语法直接反转列顺序。
  • np.flip(m, axis=1)：使用更通用的 flip 函数指定轴。

示例 1 ，翻转一维数组会报错：

A = np.array([1, 2, 3,4, 5, 6])
B = np.fliplr(A) # ValueError: Input must be >= 2-d.

示例 2 ，对于二维数组，相当于镜像翻转每一行：

A = np.array([[1, 2, 3],[4, 5, 6]])B = np.fliplr(A)
print(B)
# 输出：
# [[3 2 1]
#  [6 5 4]]

示例 3 ，对高维数组（如三维），仅在第二个轴（列方向）翻转，其他维度保持不变：

C = np.arange(12).reshape(2, 3, 2)  # 形状 (2,3,2)
D = np.fliplr(C)print("原数组 C:\n", C)
print("翻转后 D:\n", D)
# 输出：
# C: [[[ 0  1], [ 2  3], [ 4  5]],
#     [[ 6  7], [ 8  9], [10 11]]]
# D: [[[ 4  5], [ 2  3], [ 0  1]],
#     [[10 11], [ 8  9], [ 6  7]]]

1.3 flipud

numpy.flipud()：沿垂直方向（行方向，即 axis=0）上下翻转数组的元素（返回原数组的视图）。

函数定义：

def flipud(m)

参数说明：

  • m：输入数组，必须至少是一维的。

等价操作：

  • m[::-1, ...]：通过切片语法直接反转列顺序。
  • np.flip(m, axis=0)：使用更通用的 flip 函数指定轴。

示例 1 ，一维数组翻转：

arr_1d = np.array([1, 2, 3])
reversed_arr = np.flipud(arr_1d)
print(reversed_arr)  # 输出：[3 2 1]

示例 2 ，二维数组翻转：

import numpy as npA = np.array([[1, 2, 3],[4, 5, 6]])B = np.flipud(A)
print(B)
# 输出：
# [[4 5 6]
#  [1 2 3]]

示例 3 ，三维数组翻转：

C = np.arange(12).reshape(3, 2, 2)  # 形状 (3,2,2)
D = np.flipud(C)print("原数组 C:\n", C)
print("翻转后 D:\n", D)
# 输出：
# C: [[[0  1], [2  3]],
#     [[4  5], [6  7]],
#     [[8  9], [10 11]]]
# D: [[[8  9], [10 11]],
#     [[4  5], [6  7]],
#     [[0  1], [2  3]]]

2. 滚动

2.1 roll

numpy.roll()：沿指定轴循环滚动数组元素（返回新数组）。

函数定义：

numpy.roll(a, shift, axis=None)

参数说明：

  • a：输入数组。
  • shift：移动的步数。正数表示向轴的正方向（如右/下）移动，负数则反向。若为元组，需与 axis 参数一一对应。
  • axis：指定沿哪个轴滚动。默认为 None，此时数组被展平后滚动，再恢复原形状。

注意事项：

  • 元素在滚动时不会丢失，末尾元素从开头重新出现，实现“循环移位”。
  • 可同时沿多个轴滚动，每个轴独立操作。
  • 返回新数组，​不影响原数组。

示例 1 ，一维数组滚动：

x = np.arange(10)  # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
print(np.roll(x, 2))   # 输出：[8 9 0 1 2 3 4 5 6 7]（右移2步）
print(np.roll(x, -2))  # 输出：[2 3 4 5 6 7 8 9 0 1]（左移2步）

示例 2 ，二维数组滚动：

x2 = np.reshape(x, (2, 5))  # [[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]]
print(np.roll(x2, 1, axis=0))
# 输出：
# [[5 6 7 8 9]
#  [0 1 2 3 4]]

示例 3 ，三维数组滚动：

print(np.roll(x2, 1, axis=1))
# 输出：
# [[4 0 1 2 3]
#  [9 5 6 7 8]]

示例 4 ，多轴同时滚动：

print(np.roll(x2, (1, -1), axis=(0, 1)))
# 输出：
# [[9 5 6 7 8]
#  [4 0 1 2 3]]

2.2 rot90

numpy.rot90()：沿指定轴循环滚动数组元素（返回新数组）。

函数定义：

numpy.roll(a, shift, axis=None)

参数说明：

  • a：输入数组。
  • shift：移动的步数。正数表示向轴的正方向（如右/下）移动，负数则反向。若为元组，需与 axis 参数一一对应。
  • axis：指定沿哪个轴滚动。默认为 None，此时数组被展平后滚动，再恢复原形状。

注意事项：

  • 元素在滚动时不会丢失，末尾元素从开头重新出现，实现“循环移位”。
  • 可同时沿多个轴滚动，每个轴独立操作。
  • 返回新数组，​不影响原数组。

示例 1 ，一维数组滚动：

x = np.arange(10)  # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
print(np.roll(x, 2))   # 输出：[8 9 0 1 2 3 4 5 6 7]（右移2步）
print(np.roll(x, -2))  # 输出：[2 3 4 5 6 7 8 9 0 1]（左移2步）

示例 2 ，二维数组滚动：

x2 = np.reshape(x, (2, 5))  # [[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]]
print(np.roll(x2, 1, axis=0))
# 输出：
# [[5 6 7 8 9]
#  [0 1 2 3 4]]

示例 3 ，三维数组滚动：

print(np.roll(x2, 1, axis=1))
# 输出：
# [[4 0 1 2 3]
#  [9 5 6 7 8]]

示例 4 ，多轴同时滚动：

print(np.roll(x2, (1, -1), axis=(0, 1)))
# 输出：
# [[9 5 6 7 8]
#  [4 0 1 2 3]]

http://www.hkcw.cn/article/dMPUtCmyYq.shtml

相关文章

彻底卸载安装的虚拟机VMware Workstation软件

彻底卸载安装的虚拟机VMware Workstation软件

文章目录 前言一、结束“任务管理器”中的相关任务二、停止“服务”中的相关服务三、卸载vmware软件四、删除vmware相关文件五、删除vmware相关注册表 前言 VMware Workstation 是 VMware 推出的桌面虚拟计算机软件，支持在单台物理机上运行多个操作系统。它提供强大…
阅读更多...
Python 进阶【三】：Excel操作

Python 进阶【三】：Excel操作

1. 概述与库介绍 1.1 Excel自动化的重要性 在数据处理领域，Excel是最常用的工具之一。手动操作Excel对于小规模数据和简单任务尚可，但当面对： 大规模数据集重复性操作复杂计算和分析 时，手动操作效率低下且容易出错。Python提供…
阅读更多...
Oracle RMAN自动恢复测试脚本

Oracle RMAN自动恢复测试脚本

说明 此恢复测试脚本，基于rman备份脚本文章使用的fullbak.sh做的备份。 数据库将被恢复到RESTORE_LO参数设置的位置。 在恢复完成后，执行一个测试sql,确认数据库恢复完成，数据库备份是好的。恢复测试数据库的参数，比如SGA大小都…
阅读更多...
亚马逊桌布运营中的利润核算与优化：从成本管控到决策升级

亚马逊桌布运营中的利润核算与优化：从成本管控到决策升级

在亚马逊电商市场，卖家运营面临利润核算与决策难题。​ 一、卖家运营核心痛点 （一）利润核算复杂性 亚马逊费用体系复杂：平台销售佣金因类目而异，FBA 费用包含仓储、配送等项目，且随淡旺季、仓储时长动态…
阅读更多...
C# Costura.Fody 排除多个指定dll

C# Costura.Fody 排除多个指定dll

按照网上的说在 FodyWeavers.xml 里修改 然后需要注意的是 指定多个排除项 不是加 | 是换行 一个换行 就排除一项 我测试的 <?xml version"1.0" encoding"utf-8"?> <Weavers xmlns:xsi"http://www.w3.org/2001/XMLSchema-instance&quo…
阅读更多...
设计模式-发布订阅

设计模式-发布订阅

文章目录 发布订阅概念发布订阅 vs 监听者例子代码 发布订阅概念 发布/订阅者模式最大的特点就是实现了松耦合&#xff0c;也就是说你可以让发布者发布消息、订阅者接受消息&#xff0c;而不是寻找一种方式把两个分离 的系统连接在一起。当然这种松耦合也是发布/订阅者模式最大…
阅读更多...
算法第32天｜509. 斐波那契数、70. 爬楼梯、746. 使用最小花费爬楼梯

算法第32天｜509. 斐波那契数、70. 爬楼梯、746. 使用最小花费爬楼梯

509. 斐波那契数 题目 思路与解法 class Solution:def fib(self, n: int) -> int:fib [1] * nif n 0:return 0if n 1 or n 2 :return 1for i in range(2, n):fib[i] fib[i-1] fib[i-2]return fib[n-1]70. 爬楼梯 题目 思路与解法 class Solution:def climbStairs(…
阅读更多...
涂鸦智能的TuyaOpen框架入门指南：智能插座实战

涂鸦智能的TuyaOpen框架入门指南：智能插座实战

目录 引言 TuyaOpen框架简介 程序下载和编译 安装依赖 克隆仓库 设置与编译 step1. 设置环境变量 step2. 选择待编译项目 step3. 编译 step4. menuconfig 配置 在Ubuntu上测试示例程序Switch Demo 创建产品并获取产品的 PID 确认 TuyaOpen 授权码 运行程序 程序…
阅读更多...
快速上手shell条件测试

快速上手shell条件测试

一、命令执行结果判定 && 命令执行后如果没有任何报错时会执行符号后面的动作 || 在命令执行后如果命令有报错会执行符号后的动作 二、条件判断方法 条件测试语法说明示例test 测试表达式test命令和 测试表达式 之间至少有一个空格[ 测试表达式 ]该方法和test命令的…
阅读更多...
每日刷题c++

每日刷题c++

快速幂 #include <iostream> using namespace std; #define int long long int power(int a, int b, int p) {int ans 1;while (b){if (b % 2){ans * a;ans % p; // 随时取模}a * a;a % p; // 随时取模b / 2;}return ans; } signed main() {int a, b, p;cin >> a …
阅读更多...
什么是node.js、npm、vue

什么是node.js、npm、vue

一、Node.js 是什么&#xff1f; &#x1f63a; 定义&#xff1a; Node.js 是一个基于 Chrome V8 引擎的 JavaScript 运行时环境&#xff0c;让你可以在浏览器之外运行 JavaScript 代码&#xff0c;主要用于服务端开发。 &#x1f63a;从计算机底层说&#xff1a;什么是“运…
阅读更多...
华为OD机试真题——求最多可以派出多少支队伍（2025A卷：100分）Java/python/JavaScript/C/C++/GO最佳实现

华为OD机试真题——求最多可以派出多少支队伍（2025A卷：100分）Java/python/JavaScript/C/C++/GO最佳实现

2025 A卷 100分 题型 本专栏内全部题目均提供Java、python、JavaScript、C、C++、GO六种语言的最佳实现方式； 并且每种语言均涵盖详细的问题分析、解题思路、代码实现、代码详解、3个测试用例以及综合分析； 本文收录于专栏：《2025华为OD真题目录+全流程解析+备考攻略+经验分…
阅读更多...
webrtc初了解

webrtc初了解

1. webrtc的简介 一、WebRTC 是什么&#xff1f; Web Real-Time Communication&#xff08;网页实时通信&#xff09;&#xff0c;是浏览器原生支持的实时音视频通信技术&#xff0c;无需安装插件或客户端&#xff0c;可直接在浏览器之间实现点对点&#xff08;P2P&#xff09…
阅读更多...
【Deepseek 学网络互联】跨节点通信global 和节点内通信CLAN保序

【Deepseek 学网络互联】跨节点通信global 和节点内通信CLAN保序

Clan模式下的源端保序与Global类似&#xff0c;目的端保序则退化成通道保序&#xff0c;此时仅支持网络单路径保序。”这里的通道保序怎么理解&#xff1f; 用户可能正在阅读某种硬件架构文档&#xff08;比如NVIDIA的NVLink或InfiniBand规范&#xff09;&#xff0c;因为"…
阅读更多...
​Windows 11 安装 Miniconda 与 Jupyter 全流程指南​

​Windows 11 安装 Miniconda 与 Jupyter 全流程指南​

​一、Miniconda 安装与配置​ 1. 下载安装程序 ​访问官网​&#xff1a;打开 Miniconda 官网&#xff0c;下载 ​Python 3.x 版本的 Windows 64 位安装包​。​安装路径选择​&#xff1a; 推荐路径&#xff1a;D:\Miniconda3&#xff08;避免使用中文路径和空格&#xff0…
阅读更多...
飞牛NAS+Docker技术搭建个人博客站：公网远程部署实战指南

飞牛NAS+Docker技术搭建个人博客站：公网远程部署实战指南

文章目录 前言1. Docker下载源设置2. Docker下载WordPress3. Docker部署Mysql数据库4. WordPress 参数设置5. 飞牛云安装Cpolar工具6. 固定Cpolar公网地址7. 修改WordPress配置文件8. 公网域名访问WordPress总结 前言 在数字化浪潮中&#xff0c;传统网站搭建方式正面临前所未…
阅读更多...
批目标灵活模拟！成都鼎讯雷达模拟器，打造沉浸式雷达对抗训练场景

批目标灵活模拟！成都鼎讯雷达模拟器，打造沉浸式雷达对抗训练场景

在现代战争的电磁频谱博弈中&#xff0c;能否构建高度逼真的雷达干扰与目标环境&#xff0c;直接决定着雷达装备性能的上限与作战人员的实战能力。成都鼎讯凭借在数字射频存储&#xff08;DRFM&#xff09;、数字干扰调制&#xff08;DJS&#xff09;等前沿技术的深厚积累&…
阅读更多...
GelSight Mini触觉传感器：7μm精度+3D 映射，赋能具身智能精密操作

GelSight Mini触觉传感器：7μm精度+3D 映射，赋能具身智能精密操作

GelSight Mini 高分辨率视触觉传感器采用先进的光学成像与触觉感知技术&#xff0c;赋予机器人接近人类的触觉能力。该设备可捕捉物体表面微观细节&#xff0c;并生成高精度的2D/3D数字映射&#xff0c;帮助机器人识别形状、纹理及接触力&#xff0c;从而执行更复杂、精准的操作…
阅读更多...
【机器学习基础】机器学习入门核心算法：随机森林（Random Forest）

【机器学习基础】机器学习入门核心算法：随机森林（Random Forest）

机器学习入门核心算法&#xff1a;随机森林&#xff08;Random Forest&#xff09; 1. 算法逻辑2. 算法原理与数学推导2.1 核心组件2.2 数学推导2.3 OOB&#xff08;Out-of-Bag&#xff09;误差 3. 模型评估评估指标特征重要性可视化 4. 应用案例4.1 医疗诊断4.2 金融风控4.3 遥…
阅读更多...
Nacos 配置管理案例：nacos-spring-cloud-config-example详解

Nacos 配置管理案例：nacos-spring-cloud-config-example详解

一、结构说明&#xff1a;基于Spring Cloud Alibaba的微服务示例 nacos-spring-cloud-config-example : 服务提供者 二、技术栈&#xff1a;Spring BootSpring CloudSpring Cloud Alibaba Nacos Actuator&#xff08;可选&#xff1a;监控&#xff09; 三、使用环境 安装…
阅读更多...
推荐文章

Copyright @ 2022~2023