8.3 数组的转置 (Transposing)

8.3 数组的转置 (Transposing)

NumPy 数组的转置 (Transposing)

在 NumPy 中，数组的转置是一个非常重要的操作，它允许我们重新排列数组的维度，从而改变数据的视角和处理方式。转置操作在很多领域都有应用，例如线性代数、图像处理、数据分析等。

8.3.1 什么是数组的转置？

简单来说，数组的转置就是交换数组的维度。对于二维数组（矩阵），转置就是交换行和列。对于更高维度的数组，转置可以理解为按照指定的维度顺序重新排列数组的轴。

8.3.2 NumPy 中实现数组转置的方法

NumPy 提供了多种方法来实现数组的转置：

1. ndarray.T 属性：这是最简洁的方式，直接访问数组对象的 T 属性即可获得转置后的数组。

2. np.transpose() 函数：这是一个更通用的转置函数，可以指定转置的维度顺序。

3. ndarray.transpose() 方法：与 np.transpose() 函数类似，但是作为数组对象的方法调用。

8.3.3 代码实践与内容详解

下面我们通过具体的代码示例来演示 NumPy 中数组转置的使用方法，并深入解释其原理。

示例 1：二维数组（矩阵）的转置

import numpy as np
# 创建一个二维数组
matrix = np.array([[1, 2, 3],
                   [4, 5, 6]])
print("原始矩阵：")
print(matrix)
# 使用 .T 属性进行转置
transposed_matrix_T = matrix.T
print("\n使用 .T 属性转置后的矩阵：")
print(transposed_matrix_T)
# 使用 np.transpose() 函数进行转置
transposed_matrix_func = np.transpose(matrix)
print("\n使用 np.transpose() 函数转置后的矩阵：")
print(transposed_matrix_func)
# 使用 ndarray.transpose() 方法进行转置
transposed_matrix_method = matrix.transpose()
print("\n使用 ndarray.transpose() 方法转置后的矩阵：")
print(transposed_matrix_method)
​

输出结果：

原始矩阵：
[[1 2 3]
 [4 5 6]]
使用 .T 属性转置后的矩阵：
[[1 4]
 [2 5]
 [3 6]]
使用 np.transpose() 函数转置后的矩阵：
[[1 4]
 [2 5]
 [3 6]]
使用 ndarray.transpose() 方法转置后的矩阵：
[[1 4]
 [2 5]
 [3 6]]
​

代码解释：

• 我们首先创建了一个 2x3 的二维数组 matrix。

• 然后，我们分别使用 .T 属性、np.transpose() 函数和 ndarray.transpose() 方法对 matrix 进行了转置。

• 可以看到，这三种方法都得到了相同的结果，即将原始矩阵的行和列进行了交换。

示例 2：三维数组的转置

对于三维及以上的数组，转置操作可以指定维度的顺序。如果不指定，则默认将维度顺序反转。

import numpy as np
# 创建一个三维数组
tensor = np.arange(24).reshape((2, 3, 4))
print("原始张量：")
print(tensor)
print("原始张量的形状：", tensor.shape)
# 使用 np.transpose() 函数指定维度顺序进行转置
transposed_tensor = np.transpose(tensor, (1, 0, 2))  # 维度顺序变为 (1, 0, 2)
print("\n使用 np.transpose() 函数转置后的张量：")
print(transposed_tensor)
print("转置后的张量的形状：", transposed_tensor.shape)
​

输出结果：

原始张量：
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]
 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]
原始张量的形状： (2, 3, 4)
使用 np.transpose() 函数转置后的张量：
[[[ 0  1  2  3]
  [12 13 14 15]]
 [[ 4  5  6  7]
  [16 17 18 19]]
 [[ 8  9 10 11]
  [20 21 22 23]]]
转置后的张量的形状： (3, 2, 4)
​

代码解释：

• 我们创建了一个形状为 (2, 3, 4) 的三维数组 tensor。

• 使用 np.transpose(tensor, (1, 0, 2)) 将维度顺序从 (0, 1, 2) 变为了 (1, 0, 2)。这意味着：

  • 原来的第 0 维（大小为 2）现在变成了第 1 维。

  • 原来的第 1 维（大小为 3）现在变成了第 0 维。

  • 原来的第 2 维（大小为 4）仍然是第 2 维。

• 因此，转置后的数组形状变为了 (3, 2, 4)。

8.3.4 转置操作的内存视图

需要注意的是，转置操作通常不会复制数据，而是创建一个原始数组的视图 (view)。这意味着转置后的数组和原始数组共享相同的数据存储空间。修改转置后的数组会影响原始数组，反之亦然。

import numpy as np
# 创建一个二维数组
matrix = np.array([[1, 2, 3],
                   [4, 5, 6]])
# 进行转置
transposed_matrix = matrix.T
# 修改转置后的数组
transposed_matrix[0, 0] = 100
print("原始矩阵：")
print(matrix)
print("\n转置后的矩阵：")
print(transposed_matrix)
​

输出结果：

原始矩阵：
[[100   2   3]
 [  4   5   6]]
转置后的矩阵：
[[100   4]
 [  2   5]
 [  3   6]]
​

代码解释：

• 我们创建了一个二维数组 matrix 并进行了转置。

• 然后，我们修改了转置后的数组 transposed_matrix 的元素 [0, 0]。

• 可以看到，原始数组 matrix 的元素 [0, 0] 也被修改了。这说明转置后的数组和原始数组共享相同的数据。

8.3.5 使用 Mermaid 图可视化转置操作

我们可以使用 Mermaid 图来更直观地理解转置操作。

图解释：

• A 代表原始的 2x3 矩阵。

• B 代表转置操作。

• C 代表转置后的 3x2 矩阵。

• A -- 数据共享 --> C 表示转置后的矩阵和原始矩阵共享相同的数据存储空间。

8.3.6 转置的应用场景

• 线性代数：在矩阵运算中，转置是一个基本操作，例如求解矩阵的逆、计算矩阵的乘积等。

• 图像处理：在图像处理中，转置可以用于图像的旋转、镜像等操作。

• 数据分析：在数据分析中，转置可以用于将数据的行和列进行交换，以便于进行不同的分析。

• 机器学习：在机器学习中，转置可以用于调整数据的维度，以便于输入到模型中。

8.3.7 总结

NumPy 的数组转置操作是一个非常灵活和强大的工具，可以帮助我们重新排列数组的维度，从而改变数据的视角和处理方式。无论是使用 .T 属性、np.transpose() 函数还是 ndarray.transpose() 方法，都可以轻松地实现数组的转置。理解转置操作的原理和应用场景，可以帮助我们更好地利用 NumPy 进行数据处理和分析。 此外，需要注意转置操作通常创建的是视图，而不是数据的副本。