numpy数组的索引和切片

基本切片操作

>>> import numpy as np

>>> arr=np.arange(10)

>>> arr

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

>>> arr[5]

5

>>> arr[5:8]

array([5, 6, 7])

切片赋值操作

1.切片赋一个值对应原来数组中的值也会变

>>> arr[5:8]=12

>>> arr

array([ 0,  1,  2,  3,  4, 12, 12, 12,  8,  9])


>>> import numpy as np

>>> arr=np.arange(10)

>>> arr_slice=arr[5:8]

>>> arr_slice[0]=-1

>>> arr_slice

array([-1,  6,  7])

>>> arr

array([ 0,  1,  2,  3,  4, -1,  6,  7,  8,  9])

2.给数组中所有元素赋值

>>> arr[:]=-1

>>> arr

array([-1, -1, -1, -1, -1, -1, -1, -1, -1, -1])

3.如果想使用复制的方法,使用copy方法

>>> arr_copy=arr[:].copy()

>>> arr_copy

array([-1, -1, -1, -1, -1, -1, -1, -1, -1, -1])

>>> arr_copy[:]=0

>>> arr_copy

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

>>> arr

array([-1, -1, -1, -1, -1, -1, -1, -1, -1, -1])

高阶数组索引

>>> import numpy as np

>>> arr2d=np.array([[1,2,3],[4,5,6],[7,8,9]])

>>> arr2d[2]

array([7, 8, 9])

>>> arr2d[0][2]

3

>>> arr2d[0,2]

3



>>> import numpy as np

>>> arr2d=np.array([[1,2,3],[4,5,6],[7,8,9]])

>>> arr2d[2]

array([7, 8, 9])

>>> arr2d[0][2]

3

>>> arr2d[0,2]

3

>>> arr3d=np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])

>>> arr3d

array([[[ 1,  2,  3],

        [ 4,  5,  6]],

       [[ 7,  8,  9],

        [10, 11, 12]]])

>>> arr3d[0]

array([[1, 2, 3],

       [4, 5, 6]])

>>> old_values=arr3d[0].copy()

>>> arr3d[0]=42

>>> arr3d

array([[[42, 42, 42],

        [42, 42, 42]],

       [[ 7,  8,  9],

        [10, 11, 12]]])

>>> arr3d[1,0]

array([7, 8, 9])

>>> x=arr3d[1]

>>> x

array([[ 7,  8,  9],

       [10, 11, 12]])

>>> x[0]

array([7, 8, 9])

高维数组切片

>>> arr2d[:2]

array([[1, 2, 3],

       [4, 5, 6]])

>>> arr2d[:2,1:]

array([[2, 3],

       [5, 6]])

>>> arr2d[1,:2]

array([4, 5])

>>> arr2d[:2,2]

array([3, 6])

>>> arr2d[:,:1]

array([[1],

       [4],

       [7]])

布尔型索引

1.假设我们有一个用于存储数据的数组以及一个存储姓名的数组（含有重复项）。在这里，我将使用numpy.random中的randn函数生成一些正态分布的随机数据：

>>> import numpy as np

>>> names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])

>>> data=np.random.randn(7,4)#7行4列正太分布随机数组

>>> names

array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'], dtype='<U4')

>>> data

array([[ 0.24724057,  2.86939948, -0.82061782, -0.65745818],

       [-0.98602372, -0.69305692, -1.44431904, -0.85490816],

       [-0.73613349,  0.12700976, -1.00588979,  1.10646269],

       [ 1.59110894,  1.68597758,  0.39414277,  2.02308399],

       [-1.05607115, -0.50354292, -0.65820553, -0.77610316],

       [ 1.72237936, -0.07726577,  1.63462647, -0.41943148],

       [ 0.66744687, -1.01756773, -0.59254343,  0.19080575]])

2.假设每个名字都对应data数组中的一行，而我们想要选出对应于名字"Bob"的所有行。跟算术运算一样，数组的比较运算（如==）也是矢量化的。因此，对names和字符串"Bob"的比较运算将会产生一个布尔型数组：

>>> names=='Bob'

array([ True, False, False,  True, False, False, False])

3.布尔数组可以用于数组的索引

获取等于'Bob'的行

>>> data[names=='Bob']

array([[ 0.24724057,  2.86939948, -0.82061782, -0.65745818],

       [ 1.59110894,  1.68597758,  0.39414277,  2.02308399]])

获取不同于'Bob'的行

>>> data[names!='Bob']

array([[-0.98602372, -0.69305692, -1.44431904, -0.85490816],

       [-0.73613349,  0.12700976, -1.00588979,  1.10646269],

       [-1.05607115, -0.50354292, -0.65820553, -0.77610316],

       [ 1.72237936, -0.07726577,  1.63462647, -0.41943148],

       [ 0.66744687, -1.01756773, -0.59254343,  0.19080575]])

4.对布尔索引进行列索引

>>> data[names=='Bob',2:]

array([[-0.82061782, -0.65745818],

       [ 0.39414277,  2.02308399]])

>>> data[names=='Bob',3]

array([-0.65745818,  2.02308399])

5.反转条件符

>>> cond=names=='Will'

>>> cond

array([False, False,  True, False,  True, False, False])

>>> data[~cond]

array([[ 0.24724057,  2.86939948, -0.82061782, -0.65745818],

       [-0.98602372, -0.69305692, -1.44431904, -0.85490816],

       [ 1.59110894,  1.68597758,  0.39414277,  2.02308399],

       [ 1.72237936, -0.07726577,  1.63462647, -0.41943148],

       [ 0.66744687, -1.01756773, -0.59254343,  0.19080575]])

6.布尔条件的运算

除此之外，连接符还有|、&之类

>>> mask=(names=='Bob')|(names=='Will')

>>> mask

array([ True, False,  True,  True,  True, False, False])

>>> data[mask]

array([[ 0.24724057,  2.86939948, -0.82061782, -0.65745818],

       [-0.73613349,  0.12700976, -1.00588979,  1.10646269],

       [ 1.59110894,  1.68597758,  0.39414277,  2.02308399],

       [-1.05607115, -0.50354292, -0.65820553, -0.77610316]])

7.条件选取

普通条件选取

>>> data[data<0]=0

>>> data

array([[0.24724057, 2.86939948, 0.        , 0.        ],

       [0.        , 0.        , 0.        , 0.        ],

       [0.        , 0.12700976, 0.        , 1.10646269],

       [1.59110894, 1.68597758, 0.39414277, 2.02308399],

       [0.        , 0.        , 0.        , 0.        ],

       [1.72237936, 0.        , 1.63462647, 0.        ],

       [0.66744687, 0.        , 0.        , 0.19080575]])

布尔条件选取

>>> import numpy as np

>>> names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])

>>> data=np.random.randn(7,4)#7行4列正太分布随机数组

>>> data

array([[-1.24077681, -0.48320904,  1.22145611,  0.00666619],

       [-0.65078721, -0.03482355,  1.74232625,  0.2979584 ],

       [-1.51669752,  2.04245014,  0.09453898, -0.85531867],

       [-1.51334497,  0.36947066, -0.87016919,  1.35107873],

       [-1.11285867, -2.20906849,  0.38269412,  1.85375798],

       [ 0.95132554, -1.54193589,  1.98741745, -0.60608077],

       [ 0.78902133,  1.41593836,  0.09430052, -0.25057659]])

>>> data[names!='Joe']=7

>>> data

array([[ 7.        ,  7.        ,  7.        ,  7.        ],

       [-0.65078721, -0.03482355,  1.74232625,  0.2979584 ],

       [ 7.        ,  7.        ,  7.        ,  7.        ],

       [ 7.        ,  7.        ,  7.        ,  7.        ],

       [ 7.        ,  7.        ,  7.        ,  7.        ],

       [ 0.95132554, -1.54193589,  1.98741745, -0.60608077],

       [ 0.78902133,  1.41593836,  0.09430052, -0.25057659]])

>>>

花式索引

1.传入单个索引数组

>>> import numpy as np

>>> arr=np.empty((8,4))#创建8行4列内容为随机值的数组

>>> arr

array([[2.65577744e-260, 7.70858946e+218, 6.01334668e-154,

        4.47593816e-091],

       [7.01413727e-009, 2.96905203e+222, 2.11672643e+214,

        4.56532297e-085],

       [4.78409596e+180, 2.44001263e-152, 2.45981714e-154,

        6.83528875e+212],

       [6.14829725e-071, 1.05161522e-153, 1.05135742e-153,

        2.43902457e-154],

       [4.83245960e+276, 6.03103052e-154, 7.06652000e-096,

        2.65862875e-260],

       [1.76380220e+241, 2.30576063e-310, 9.80013217e+040,

        1.55850644e-312],

       [1.33360318e+241, 4.09842267e-310, 2.48721655e-075,

        1.04922745e-312],

       [1.91217285e-309, 1.18182126e-125, 6.57144273e-299,

        5.54240979e-302]])

>>> for i in range(8):

	arr[i]=i

>>> arr

array([[0., 0., 0., 0.],

       [1., 1., 1., 1.],

       [2., 2., 2., 2.],

       [3., 3., 3., 3.],

       [4., 4., 4., 4.],

       [5., 5., 5., 5.],

       [6., 6., 6., 6.],

       [7., 7., 7., 7.]])

>>> arr[[4,3,0,6]]#选特定的索引下标,选取第4，3，0，6行

array([[4., 4., 4., 4.],

       [3., 3., 3., 3.],

       [0., 0., 0., 0.],

       [6., 6., 6., 6.]])

>>> arr[[-3,-5,-7]]#选择特定的索引下标，选取第-3,-5,-7列

array([[5., 5., 5., 5.],

       [3., 3., 3., 3.],

       [1., 1., 1., 1.]])

2.传入多个索引数组

>>> arr=np.arange(32).reshape((8,4))

>>> arr

array([[ 0,  1,  2,  3],

       [ 4,  5,  6,  7],

       [ 8,  9, 10, 11],

       [12, 13, 14, 15],

       [16, 17, 18, 19],

       [20, 21, 22, 23],

       [24, 25, 26, 27],

       [28, 29, 30, 31]])

>>> arr[[1,5,7,2],[0,3,1,2]]#选取(1,0),(5,3),(7,1),(2,2)对应元素

array([ 4, 23, 29, 10])


>>> arr[[1,5,7,2]][:,[0,3,1,2]]#先选取第1,5,7,2行，再将每行按照0,3,1,2这个顺序交换

array([[ 4,  7,  5,  6],

       [20, 23, 21, 22],

       [28, 31, 29, 30],

       [ 8, 11,  9, 10]])

numpy数组的索引和切片的更多相关文章

  1. 3.3Python数据处理篇之Numpy系列(三)---数组的索引与切片

    目录 (一)数组的索引与切片 1.说明: 2.实例: (二)多维数组的索引与切片 1.说明: 2.实例: 目录: 1.一维数组的索引与切片 2.多维数组的索引与切片 (一)数组的索引与切片 1.说明: ...

  2. ndarray数组的索引和切片

    索引:获取数组中特定位置元素的过程 切片:获取数组元素子集的过程 import numpy as np 一维数组 一维数组的索引和切片与python中的列表类似 索引:若元素个数为n,则索引下标可表示 ...

  3. Numpy学习二：数组的索引与切片

    1.一维数组索引与切片#创建一维数组arr1d = np.arange(10)print(arr1d) 结果:[0 1 2 3 4 5 6 7 8 9] #数组的索引从0开始,通过索引获取第三个元素a ...

  4. 利用Python进行数据分析(5) NumPy基础: ndarray索引和切片

    概念理解 索引即通过一个无符号整数值获取数组里的值. 切片即对数组里某个片段的描述. 一维数组 一维数组的索引 一维数组的索引和Python列表的功能类似: 一维数组的切片 一维数组的切片语法格式为a ...

  5. NumPy学习(索引和切片，合并，分割，copy与deep copy)

    NumPy学习(索引和切片,合并,分割,copy与deep copy) 目录 索引和切片 合并 分割 copy与deep copy 索引和切片 通过索引和切片可以访问以及修改数组元素的值 一维数组 程 ...

  6. Numpy：索引与切片

    numpy基本的索引和切片 import numpy as np arr = np.array([1,2,3,555,666,888,10]) arr array([ 1, 2, 3, 555, 66 ...

  7. Numpy 索引及切片

    1.一维数组的索引及切片 ar = np.arange(20) print(ar) print(ar[4]) print(ar[3:6]) print(ar[:4:2]) #索引到4 按2的步长 pr ...

  8. Python数据分析工具库-Numpy 数组支持库（一）

    1 Numpy数组 在Python中有类似数组功能的数据结构,比如list,但在数据量大时,list的运行速度便不尽如意,Numpy(Numerical Python)提供了真正的数组功能,以及对数据 ...

  9. numpy学习笔记 - numpy数组的常见用法

    # -*- coding: utf-8 -*- """ 主要记录代码,相关说明采用注释形势,供日常总结.查阅使用,不定时更新. Created on Mon Aug 20 ...

随机推荐

  1. Idea 设置maven配置文件settings.xml的位置

    1.[File] >  [Other Settings] > [Default Settings] 2.设置 settings.xml 配置 本博文来源于:https://blog.csd ...

  2. [深度学习] 各种下载深度学习数据集方法（In python）

    一.使用urllib下载cifar-10数据集,并读取再存为图片(TensorFlow v1.14.0) # -*- coding:utf-8 -*- __author__ = 'Leo.Z' imp ...

  3. python from…import* 语句

    把一个模块的所有内容全都导入到当前的命名空间也是可行的,只需使用如下声明: from modname import * 这提供了一个简单的方法来导入一个模块中的所有项目.然而这种声明不该被过多地使用. ...

  4. 哈密尔顿环x

    欧拉回路是指不重复地走过所有路径的回路,而哈密尔顿环是指不重复地走过所有的点,并且最后还能回到起点的回路.  代码如下: #include<iostream> #include<cs ...

  5. HGOI20190810 省常中互测3

    Problem A  夏洛特 若当前处在点$(x,y)$下一时刻可以向该点四周任意方向走动一步, 初始在$(0,0)$是否存在一条合法的路线满足下列$n$个限制: 每一个限制形如$t_i , x_i ...

  6. 一些简单题(1)（Source : NOIP历年试题+杂题）

    最近也写了些许题目吧,还是写写博客,捋捋思路. P2216 [HAOI2007]理想的正方形 求一个$a \times b(a,b \leq 10^3)$的矩阵,求出一个$n \times n (n ...

  7. VUE里面的$(this)

    我们很多时候需要用到列表点击其中的某个有相对的事件发生,那就拿用到$(this),但是在vue里面,直接写$(this)获取不到指定的元素,所以我就用的下面这种写法 <div v-for=&qu ...

  8. JAVA源文件中可以包含多个类

    可以的,一个“.java”源文件里面可以包含多个类,但是只允许有一个public类,并且类名必须和文件名一直:例如: package test; public class test { } class ...

  9. 个推CTO深度解析数据智能之多维度分析系统的选型方法

    引言 前文回顾:[<数据智能时代来临:本质及技术体系要求>][2]作为本系列的第一篇文章,概括性地阐述了对于数据智能的理解以及推出了对应的核心技术体系要求: 数据智能就是以数据作为生产资料 ...

  10. 并发编程--Concurrent-工具类介绍

    并发编程--Concurrent-工具类介绍 并发编程--Concurrent-工具类介绍 CountDownLatch CylicBarrier Semaphore Condition 对象监视器下 ...