Numpy数组对象的操作-索引机制、切片和迭代方法

前几篇博文我写了数组创建和数据运算，现在我们就来看一下数组对象的操作方法。使用索引和切片的方法选择元素，还有如何数组的迭代方法。

一、索引机制

1.一维数组

In [1]: a = np.arange(10,16)

In [2]: a
Out[2]: array([10, 11, 12, 13, 14, 15])
#使用正数作为索引
In [3]: a[3]
Out[3]: 13
#还可以使用负数作为索引
In [4]: a[-4]
Out[4]: 12
#方括号中传入多数索引值，可同时选择多个元素
In [6]: a[[0,3,4]]
Out[6]: array([10, 13, 14])

2.二维数组

二维数组也被称为矩阵，是由行和列组成的。axes为2，用0轴表示行，用1表示列。[行索引，列索引]

In [14]: A
Out[14]:
array([[10, 11, 12],
       [13, 14, 15],
       [16, 17, 18]])
#取出第三行第二列的元素
In [15]: A[2,1]
Out[15]: 17
#可以使用方括号取出多个元素
In [17]: A[[[2,1],[1,2]]]
Out[17]: array([17, 15])

二、切片操作：抽取部分数组元素生成新数组

1.一维数组切片操作

In [26]: a = np.arange(10,20)

In [27]: a[2:7]
Out[27]: array([12, 13, 14, 15, 16])

In [28]: a[5:8]
Out[28]: array([15, 16, 17])

#设置步长
In [30]: a[2:8:2]
Out[30]: array([12, 14, 16])

#省去第一个数，则认为是从0（第一个元素）开始的
In [31]: a[:8:2]
Out[31]: array([10, 12, 14, 16])

#省去第二个数，则认为是取最大索引值
In [32]: a[5::2]
Out[32]: array([15, 17, 19])

#省去第三个数，则认为步长为1
In [33]: a[5:8:]
Out[33]: array([15, 16, 17])

#省去前两个数，则认为是选取步长为X的所有元素
In [34]: a[::2]
Out[34]: array([10, 12, 14, 16, 18])

2.二维数组切片操作

二维数组的切片操作与一维数组差不多，只不过读了一个轴，那么方括号里面就要有两个值（使用逗号隔开），可以把逗号的左边和右边当做是一个一位数组，比如：A[0:2,0:2]

In [1]: A = np.arange(10,19).reshape(3,3)

In [2]: A
Out[2]:
array([[10, 11, 12],
       [13, 14, 15],
       [16, 17, 18]])
#第一个索引使用了冒号，则代表取所有行，第二个索引是0，则代表选取第一列。即第一列的所有元素
In [3]: A[:,0]
Out[3]: array([10, 13, 16])

In [4]: A[0,:]
Out[4]: array([10, 11, 12])

#行选取了0:2，即第一第二行（冒号的右边表示结束值，不在选取范围之内），列也是一样的道理
In [5]: A[0:2,0:2]
Out[5]:
array([[10, 11],
       [13, 14]])

#如果要选取不连续的元素，可以将这些索引放入一个数组内。下面就是选取了第一行和第三行，第一和第二列的元素
In [6]: A[[0,2],0:2]
Out[6]:
array([[10, 11],
       [16, 17]])

3.注意：python对列表的切片得到的是数组的副本，而numpy数组切片得到的是指向相同缓冲区的视图。原数据改变，切片得到的数组也会随之改变。

三、数组的迭代

当我们用函数处理行、列或者单个元素时，会需要到数组的遍历。

1.一维数组，使用for..in循环即可

In [7]: a = np.arange(0,11)

In [8]: a
Out[8]: array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

In [9]: for i in a:
   ...:     print i
0
1
2
3
4
5
6
7
8
9
10

2.二维数组

也可以使用for循环，嵌套使用即可。但是实际上，你会发现它总是按照第一条轴对二维数组进行扫描。

In [10]: for row in A:
    ...:     print row
    ...:
[10 11 12]
[13 14 15]
[16 17 18]

如果想遍历数组的每一个元素。可以循环遍历A.flat

In [13]: for i in A.flat:
    ...:     print i
10
11
12
13
14
15
16
17
18

用for循环就显得没那么优雅了，numpy提供了一个更优雅的遍历方法：apply_along_axis(func,axis,arr),这个函数可以使用聚合函数对每一列或行进行处理，并返回一个数值作为结果。

这个函数接收三个参数，第一个是聚合函数，第二个是对应哪条轴（axis=0按列操作，axis=1按行操作），第三个是要处理的数组

In [14]: A
Out[14]:
array([[10, 11, 12],
       [13, 14, 15],
       [16, 17, 18]])
#axis为1，按行进行操作，则输出每行最大的值
In [15]: np.apply_along_axis(np.max,axis=1,arr=A)
Out[15]: array([12, 15, 18])
#输出每行的平均值
In [16]: np.apply_along_axis(np.mean,axis=1,arr=A)
Out[16]: array([ 11.,  14.,  17.])

其中，第一个参数可以传递自己写的函数

In [17]: def foo(x):
    ...:     return x/2

In [18]: np.apply_along_axis(foo,axis=1,arr=A)
Out[18]:
array([[5, 5, 6],
       [6, 7, 7],
       [8, 8, 9]])

四、使用条件表达式和布尔运算符选择性地抽取元素

In [20]: B = np.random.random((3,3))

In [21]: B
Out[21]:
array([[ 0.11802695,  0.66445966,  0.06007488],
       [ 0.31908974,  0.35200425,  0.64225707],
       [ 0.60802331,  0.93322485,  0.28177795]])

#由条件表达式得到一个布尔数组
In [22]: B < 0.5
Out[22]:
array([[ True, False,  True],
       [ True,  True, False],
       [False, False,  True]], dtype=bool)
#将条件表达式放在方括号中，可以抽取满足表达式的数组，组成一个新数组。
In [23]: B[B<0.5]
Out[23]: array([ 0.11802695,  0.06007488,  0.31908974,  0.35200425,  0.28177795])

五、总结

了解的数组的索引机制，对数组的切片操作，以及遍历。