Zum Hauptinhalt
Kursbeschreibung
Direkt zu - Schließen
Direkt zu - Schließen

2.3 Transformation von NumPy Arrays

Abschnittsübersicht

Zur Übersicht

2.2 Eigenschaften von NumPy Arrays
2.4 Vektorisierung

  • 2.3 Transformation von NumPy Arrays

    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen

      Transformation von Numpy Arrays

      Im Folgenden erfährst du, wie du die Form eines Arrays änderst, es in einen anderen Datentyp umwandelst und Achsen hinzufügst oder entfernst.

      Einfügen von Werten

      Mit der np.insert() Funktion, kannst du Werte in ein bereits bestehendes Array hinzufügen. Dies funktioniert für einzelne Werte aber auch für Arrays, Listen oder Tupel.
      Die Funktion erwartet als Parameter das Array, in welches der neue Input eingefügt werden soll, die Stelle, an der dieser eingefügt werden soll und zuletzt der Input (z.B. Wert, Array, Liste Tupel) der eingefügt werden soll.
      Achtung: Die Funktion gibt das geänderte Array zurück. Das übergebene Array bleibt unverändert!

    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen 
      import numpy as np
arr = np.array((0,1,2,3,4,5,9,10))

np.insert(arr, 6, 6) #Änderung wird nicht übernommen, da der Rückgabewert nicht abgespeichert wird.
print(arr)
arr = np.insert(arr, 6, 6) # Änderung wird übernommen.
print(arr)
arr = np.insert(arr, 7, (7, 8, 11)) # Hinzufügen eines Tupels
print(arr)
    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen

      Entfernen von Werten

      Mit der np.delete() Funktion können ein oder mehrere Elemente aus einem Array entfernt werden. Dazu wird das Array und der zu entfernende Wert übergeben.

    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen

      Mehrdimensionales Einfügen / Entfernen

      Die Funktionen können auch für mehrdimensionale Arrays angewendet werden. Dazu muss als zusätzliches Argument die Achse angegeben werden, in der der neue Wert hinzugefügt werden soll. Es ist zu beachten, dass der hinzuzufügende Wert den Dimensionen der Achse der Matrix entsprechen muss.

    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen 
      arr = np.array([[1, 2], [4, 5]])
print("Ursprüngliches Array:")
print(arr)

# Fügt die Zahl 10 in die erste Zeile (Index 0) an der Position 2 ein
arr= np.insert(arr, 2, (7,8), axis=0)
print("\nArray nach der Einfügung der Zeile:")
print(arr)
arr = np.insert(arr, 2,(3,6,9), axis=1)
print("\nArray nach der Einfügung der Spalte:")
print(arr)
    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen

      Formveränderung

      Mit der np.reshape() Funktion lassen sich die Formen der Arrays umformen. Dabei ist zu beachten, dass die neue Form mit der Anzahl der Elemente im ursprünglichen Array kompatibel ist, um eine erfolgreiche Umformung durchzuführen.
      Die Funktion benötigt als Argumente das umzuformende Array und die Form in die es gebracht werden soll. Sie gibt dann das umgeformte Array zurück.

    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen 
      arr = np.array((1,2,3,4,5,6))
print("Ursprüngliches Array:",arr)

arr = np.reshape(arr, (2,3))
print("Umgeformtes Array:")
print(arr)

print("Transponiertes Array:") # transpose: Vertauscht Dimensionen, häufig Zeilen und Spalten bei 2D-Arrays.
print(np.transpose(arr))
    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen 
      # Hier wird gezeigt, dass bei einer unpassenden Anzahl der Dimensionen ein Error erzeugt wird. Korrigiere die Dimensionen!

arr = np.array((1,2,3,4,5,6))
arr = np.reshape(arr, (4,2))
print(arr)
    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen

      Wenn eine Dimension der Zielform unbekannt ist, kann diese durch -1 ersetzt werden. Numpy errechnet dann (sofern möglich), die unbekannte Dimension und fügt diese für die Umwandlung ein.

    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen 
      arr = np.arange(0,24)
print(arr)

reshaped_arr = np.reshape(arr,(6,-1))
print("Umgeformtes Array:")
print(reshaped_arr)

#ACHTUNG: passt die Anzahl der Elemente des Arrays nicht 
arr = np.insert(arr, 24,(24,25,26,27,28,29))
print("Umgeformtes Array nach hinzufügen von 6 weiteren Elementen:")
print(np.reshape(arr,(6,-1)))
    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen

      Dimensionserweiterung

      Mit dem np.expand_dims() Befehl können die Dimensionen eines Arrays erweitert werden. Dies ist zum Beispiel dann sinnvoll, wenn du bereits einen Datensatz hast (z.B. ein Bild) und dann noch mehr Datensätze der gleichen Form hinzufügen möchtest.
      Ein Bild hat folgende Attribute: Höhe, Breite, Farbkanäle (RGB) also ein Array der folgenden Form:

    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen 
      import matplotlib.pyplot as plt
image = np.random.randint(0,256,(5, 5, 3))

print(image.shape)
plt.imshow(image)
plt.imshow(image, interpolation='nearest')
    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen 
      # Hinzufügen einer weiteren Dimension, sodass weitere Bilder hinzugefügt werden können:
images = np.expand_dims(image,axis = 0)
print(images.shape)
    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen 
      # Nun können ohne Probleme weitere Bilder hinzugefügt werden:
for i in range(2):
    images = np.insert(images, i+1, np.random.randint(0,256,(5, 5, 3)), axis = 0)

# Anzeige der Bilder (wird im Kapitel zu Matplotlib genauer behandelt):
for i in range(images.shape[0]):
    plt.subplot(1,images.shape[0]+1,i+1)
    plt.imshow(images[i])
    plt.imshow(images[i], interpolation='nearest')
print(images.shape)
plt.show()

# Wenn wir genau hinsehen, können wir unser Bild 1 von oben als Bild 1 unten wiedererkennen.
    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen

      Mehrdimensional zu eindimensional

      Soll ein Array beliebiger Dimension in ein eindimensionales Array konvertiert werden, kann die arr.flatten() Funktion verwendet werden.

    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen 
      arr = np.array([[[1, 2, 3, 4, 5],
                 [6, 7, 8, 9, 10]],

                [[11, 12, 13, 14, 15],
                 [16, 17, 18, 19, 20]]])
print(arr)
# Bei Arrays mit mehr als 2 Dimensionen macht es oft Sinn, die Länge des Arrays mit shape statt len() zu ermitteln.
print(arr.shape)

# Umwandlung in eindimensionales Array
arr = arr.flatten()
print("\nWird durch flatten() zu: ", arr)
    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen

      Nicht verwendete Dimensionen

      Besteht ein Array in einer oder mehreren Dimensionen nur aus einem Eintrag, so kann diese Dimension entfernt werden, wenn sie auch weiterhin nicht genutzt werden soll. Dies erfolgt über np.squeeze() Befehl. Dieser entfernt alle Dimensionen, die die Länge haben.

    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen 
      arr = np.ones((1,3,2,1))
print(arr)
print("Form: ", np.shape(arr), "\n")

arr = np.squeeze(arr)
print(arr)
print("Form nach der Umwandlung durch squeeze():", np.shape(arr))
# Dimension 1 und 4 wurden entfernt, es bleibt ein Array der Form 3x2
    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen

      Verbinden von Arrays

      Wenn Arrays entlang einer Achse verbunden werden sollen, kann die np.concatenate() Funktion genutzt werden. Diese gibt als einen Array mit den zusammengefügten übergebenen Arrays zurück. Bei mehrdimensionalen Arrays kann zusätzlich die Achse ausgewählt werden, entlang welcher die Arrays zusammengefügt werden sollen.

    • Abschluss
      Teilnehmer/innen müssen
      Als erledigt kennzeichnen 
      arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
arr3 = np.array([7, 8, 9])

con_arr = np.concatenate((arr1, arr2, arr3))
print(con_arr)
2.2 Eigenschaften von NumPy Arrays
2.4 Vektorisierung