NumPy数据重复神器:np.repeat()的高效实践指南
第一次处理销售数据报表时,我盯着Excel里需要重复填写的几百个产品编号发愁——难道要一个个复制粘贴?直到发现NumPy的np.repeat()函数,原来三行VBA代码才能完成的工作,现在只需一行Python命令。这个看似简单的函数,实则是数据处理中的隐形加速器。
1. 为什么需要数据重复操作?
在日常数据分析中,数据重复需求无处不在。比如需要为每个用户生成固定次数的登录记录,或者为实验数据创建重复样本。传统Python列表的重复操作通常需要编写循环,不仅代码冗长,执行效率也低。而np.repeat()直接作用于整个数组,底层通过C语言优化,速度可比纯Python循环快10倍以上。
典型应用场景包括:
- 生成测试数据集时创建重复样本
- 为时间序列数据构建周期性模式
- 扩展特征矩阵用于机器学习
- 快速构造可视化所需的基准线
python复制# 传统列表重复方法
data = [1, 2, 3]
repeated_data = []
for num in data:
repeated_data.extend([num]*3)
# NumPy方式
import numpy as np
data = np.array([1, 2, 3])
repeated_data = np.repeat(data, 3)
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. np.repeat()核心参数详解
np.repeat()的精髓在于其灵活的轴向控制,理解axis参数是掌握高阶用法的关键。当不指定axis时,函数会将数组展平后执行重复,相当于先调用flatten()。
2.1 基础一维数组重复
对于一维数组,repeats参数可以接受整数或与输入数组长度相同的数组,实现差异化重复:
python复制arr = np.array([10, 20, 30])
# 统一重复3次
print(np.repeat(arr, 3))
# [10 10 10 20 20 20 30 30 30]
# 差异化重复
print(np.repeat(arr, [1, 2, 3]))
# [10 20 20 30 30 30]
2.2 二维数组的轴向控制
对于矩阵操作,axis参
