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

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: ...
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 ...
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 ...
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 ...
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 ...
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 ...
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 ...
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 ...
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

c语言 - 关键字const的作用
const修饰的数据类型是指常类型,常类型的变量或对象的值是不能被更新的. 1.const char * p1; //表示p1指向了的字符串不可更改 2.char const ...
Vue Cli3工具中，配置目录别名，alias
[BZOJ3611][Heoi2014]大工程（虚树上DP）
3611: [Heoi2014]大工程 Time Limit: 60 Sec Memory Limit: 512 MBSubmit: 2464 Solved: 1104[Submit][Statu ...
shiro.ini
# # Licensed to the Apache Software Foundation (ASF) under one # or more contributor license agreeme ...
用公共key实现无密码ssh
1.在主服务器master下生成密钥 $ ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa 2.将密钥放在 ~/.ssh/authorized_keys $ cat ~ ...
Java 8：用Stream来循环集合
本文由 ImportNew - 进林翻译自 deadcoderising.欢迎加入翻译小组.转载请见文末要求. 正如我之前所写的,Java 8中的新功能特性改变了游戏规则.对Java开发者来说这是一 ...
C++多重继承实践
实践代码如下: #include <iostream> using namespace std; class Animal { private: int hash; public: Ani ...
Git-Runoob：Git Github
ylbtech-Git-Runoob:Git Github 1.返回顶部 1. Git 远程仓库(Github) Git 并不像 SVN 那样有个中心服务器. 目前我们使用到的 Git 命令都是在本地 ...
python中unicode utf-8的互换
比较简单明了,直接上例子 # -*- coding: utf-8 -*- t0 = u'测试' #u'\u6d4b\u8bd5' t1 = '测试' #'\xe6\xb5\x8b\xe8\xaf\x9 ...
Git入门之常用命令（转载阮一峰老师）
流程图下面是我整理的常用 Git 命令清单.几个专用名词的译名如下. Workspace:工作区 Index / Stage:暂存区 Repository:仓库区(或本地仓库) Remote:远程仓 ...

numpy数组的索引和切片

numpy数组的索引和切片

基本切片操作

切片赋值操作

高阶数组索引

高维数组切片

布尔型索引

花式索引

numpy数组的索引和切片的更多相关文章

随机推荐

热门专题