numpy的基本索引API

  iwehdio的博客园:https://www.cnblogs.com/iwehdio/

1、单个元素的索引

  对于一维数组,索引方式与内置的List相同。正索引从0开始,负索引从-1开始。

>>> x = np.arange(10)
>>> x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> x[2]
2
>>> x[-2]
8

  

  在多维数组中也是同理。x[0,2] 与 x[0][2]是等价的,但是后者的效率更低。

>>> x = np.arange(10).reshape(2,5)
>>> x
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])
>>> x[1,3]
8
>>> x[1,-1]
9

  

  如果想要索引时对x的个轴不作限制。可以用冒号“:”或省略号“...”表示选取该行或列的所有数据。在这里x[0]等价于x[0, :]。

>>> x[0]
array([0, 1, 2, 3, 4])
>>> x[:, 1]
array([1, 6])

  

  切片方式与List类似。a:b:c表示以a为起点,b为终点,步长为c。对于多维数组同样类似,:表示选取该个维度的所有数据。由于-1表示负步长,可以使用x[::-1]来反转数组。

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

  

  使用np.newaxis,可以在数组中插入某个长度为1的轴。

>>> x.shape
(3, 2)
>>> x[:,np.newaxis,:].shape
(3, 1, 2)

2、数组索引

  可以通过整数数组定义的索引值,来自定义索引。即索引了数组x中的元素x[0,0]、x[1,1]、x[2,0],并返回一个数组。

>>> x = np.array([[1, 2], [3, 4], [5, 6]])
>>> x
array([[1, 2],
[3, 4],
[5, 6]])
>>> x[[0, 1, 2], [0, 1, 0]]
array([1, 4, 5])

  

  也可以用广播来创建索引数据。比如用newaxis或者ix_。最终都索引到了x[0,0]、x[0,2]、x[3,0]、x[3,2]。

>>> x = np.array([[ 0,  1,  2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
>>> rows = np.array([[0, 0],
[3, 3]])
>>> columns = np.array([[0, 2],
[0, 2]])
>>> x[rows, columns]
array([[ 0, 2],
[ 9, 11]]) >>> rows = np.array([0, 3])
>>> columns = np.array([0, 2])
>>> rows[:, np.newaxis]
array([[0],
[3]])
>>> x[rows[:, np.newaxis], columns]
array([[ 0, 2],
[ 9, 11]]) >>> x[np.ix_(rows, columns)]
array([[ 0, 2],
[ 9, 11]])

3、布尔数组索引

  使用布尔数组索引时,[ ] 内的为True或Flase或结果为True或Flase的表达式。下边第一个例子表示实际上是 [ ] 内的布尔值为True时进行索引。第二个例子表示对 x<0 为True的元素进行索引,并对其加20。第三个例子是,索引元素行的和小于等于2的行。

>>> x = np.array([1., -1., -2., 3])
>>> x[[True,False,False,True]]
array([1., 3.])
>>> x[x < 0] += 20
>>> x
array([ 1., 19., 18., 3.])
>>> x = np.array([[0, 1], [1, 1], [2, 2]])
>>> rowsum = x.sum(-1)
>>> x[rowsum <= 2, :]
array([[0, 1],
[1, 1]])

4、元组索引

  用元组可以整体设置数组的索引,处理可变数量的索引。相比而言用数组索引会出现错误。以索引下面的z的z[1,1,1,1]为例。用元组只需写z[(1,1,1,1)]。用数组写z[[1,1,1,1]],则是索引到了4个z[1]数组组成的shape为(4,1)的数组。

>>> z = np.arange(81).reshape(3,3,3,3)
>>> indices = (1,1,1,1)
>>> z[indices]
40 >>> indices = (1,1,1,slice(0,2))
>>> z[indices]
array([39, 40])

  同时,也可以用元组进行切片,使用slice(a,b)函数,等价于a:b(但不能在元组中使用冒号)。

5、索引相关函数

  

  np.r_[ 'form', a, b]  np.r_方法可以把输入的多个数组索引进行拼接。'form'是按逗号分隔的整数字符串,当只有一个整数时,表示按第几个轴进行拼接。

>>> np.r_[-1:1:6j, [0]*3, 5, 6]
array([-1. , -0.6, -0.2, 0.2, 0.6, 1. , 0. , 0. , 0. , 5. , 6. ]) >>> np.r_['-1', a, a]
array([[0, 1, 2, 0, 1, 2],
[3, 4, 5, 3, 4, 5]]) >>> np.r_['', a, a]
array([[0, 1, 2],
[3, 4, 5],
[0, 1, 2],
[3, 4, 5]])

 

  'form'整数字符串中有效的是其前三位整数,如 'q, w, e '。以下用数组 x = np.arange(24).reshape(2,3,4)为例。

  第一个整数q表示所要拼接的是哪一个轴。若对两个相同的输入数组进行拼接,输入数组shape为(2,3,4),则q取0,1,2所拼接的数组shape分别(4,3,4)、(2,6,4)、(2,3,8)。

>>> np.r_['', x, x].shape
(4, 3, 4)
>>> np.r_['', x, x].shape
(2, 6, 4)
>>> np.r_['', x, x].shape
(2, 3, 8)

  第二个整数w表示输出的最小维数,若大于输入数组的维数则补充。如果w比输入维数大,如对前例有w=4,则输出数组ans的维数为四维。默认状态下新添加的轴的位置为-1,即在输入shape之后。如对q=0,w=4有输出shape为(2,2,3,4)。如果w比输入维度大n(>1),如对前例有w=5,则输出输出数组ans的shape为(2,1,2,3,4)。

>>> np.r_['0,4', x, x].shape
(2, 2, 3, 4)
>>> np.r_['0,5', x, x].shape
(2, 1, 2, 3, 4)

  第三个整数e表示新增的轴在shape中的排列方式,默认值为‘-1’表示新增轴都在原数组的shape之前,之前对第二个整数w举例时都在此种情况。e的取值范围最大为w-输入数组维度,‘0’表示新增的shape为1的轴全在输入数组的shape之后,‘1’表示新增的shape为1的轴有一个轴在输入数组的shape之前,‘2’表示新增的shape为1的轴有两个轴在输入数组的shape之前,以此类推。

>>> np.r_['0,5,0', x, x].shape
(4, 3, 4, 1, 1)
>>> np.r_['0,5,1', x, x].shape
(2, 2, 3, 4, 1)
>>> np.r_['0,5,2', x, x].shape
(2, 1, 2, 3, 4)

  需要说明的是,虽然输入的‘form’整数字符串是按 q、w、e 的顺序输入的,但是numpy对参数的处理顺序却是 w、e、q。也就是说,首先按输入的w计算需要补几个shape为1的轴,然后按e对shape进行顺序设置,最后用q去索引设置更新好的shape的数组。这就是q=0,w=4,e=-1时输出shape为(2,2,3,4)的原因。

  如果是不同shape的数组连接,一定要注意好连接的轴的索引。

>>> y = np.arange(12).reshape(1,3,4)
>>> np.r_['1,4', x, y].shape
(1, 3, 3, 4)
>>> np.r_['2,5,2', x, y].shape
(1, 1, 3, 3, 4)

  np.c_[a, b]  np.c_方法可以把输入的索引数组返回二维数组的输出,实际上等价于np.r_['-1,2,0', a, b]。

>>> np.c_[np.array([1,2,3]), np.array([4,5,6])]
array([[1, 4],
[2, 5],
[3, 6]])
>>> np.r_['-1,2,0',np.array([1,2,3]), np.array([4,5,6])]
array([[1, 4],
[2, 5],
[3, 6]])

  np.s_[ a:b:c ]  np.s_方法可以创建索引元组,a:b:c表示从a到b步长为c的数组索引,与直接索引数组的方法类似。

>>> np.s_[2::1]
slice(2, None, 1)
>>> np.array([0, 1, 2, 3, 4])[np.s_[2::1]]
array([2, 3, 4])
>>> np.s_[:,2::1]
(slice(None, None, None), slice(2, None, 1))
>>> x = np.arange(24).reshape(2, 3, 4)
>>> x[np.s_[:,2::1]]
array([[[ 8, 9, 10, 11]],
[[20, 21, 22, 23]]])

  np.nonzero(a)  np.nonzero方法返回数组中非零元素的索引。也可以用于查找数组中满足某条件的元素的索引。

>>> x = np.array([[3, 0, 0], [0, 4, 0], [5, 6, 0]])
>>> x
array([[3, 0, 0],
[0, 4, 0],
[5, 6, 0]])
>>> np.nonzero(x)
(array([0, 1, 2, 2]), array([0, 1, 0, 1]))
>>> x[np.nonzero(x)]
array([3, 4, 5, 6]) >>> a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> a > 3
array([[False, False, False],
[ True, True, True],
[ True, True, True]])
>>> np.nonzero(a > 3)
(array([1, 1, 1, 2, 2, 2]), array([0, 1, 2, 0, 1, 2]))
>>> a[np.nonzero(a > 3)]
array([4, 5, 6, 7, 8, 9])

  np.where( condition, x, y )  np.where方法根据condition的条件,为真时返回x中对应的值,为假时返回y中对应的值。

>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.where(a < 5, a, 10*a)
array([ 0, 1, 2, 3, 4, 50, 60, 70, 80, 90]) >>> x, y = np.ogrid[:3, :4]
>>> np.where(x < y, x, 10 + y)
array([[10, 0, 0, 0],
[10, 11, 1, 1],
[10, 11, 12, 2]])

  np.ix_(a, b, c)  np.ix_方法根据输入的一维数组a、b、c构造索引网格。

>>> x = np.arange(24).reshape(2, 3, 4)
>>> index = np.ix_([0, 1], [1, 2],[2, 3])
>>> index
(array([[[0]],
[[1]]]),
array([[[1],
[2]]]),
array([[[2, 3]]]))
>>> x[index]
array([[[ 6, 7],
[10, 11]],
[[18, 19],
[22, 23]]])

  np.take(a, index, axis=None)  np.take方法按轴索引元素。当axis=None时,将数组看作是展平的。当axis指定时,输出对该轴索引的结果。index输入的只是对指定轴的一维索引,如果输入为二维数组,会导致输出为二维数组中一维数组索引结果的数组拼接。

>>> x = np.arange(24).reshape(2, 3, 4)
>>> np.take(x,[0,5,10,15,20])
array([ 0, 5, 10, 15, 20]) >>> np.take(x, [0,1], axis=1)
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7]],
[[12, 13, 14, 15],
[16, 17, 18, 19]]]) >>> np.take(a, [[0, 1], [2, 3]])
array([[4, 3],
[5, 7]])

  np.compress(index, a, axis=None)  np.compress方法返回按给定轴的数组的选定切片。index表示在该轴上的布尔数组切片索引,a表示输入数组,axis表示选定的轴。

>>> x = np.arange(24).reshape(2,3,4)
>>> np.compress([False, False, True, True],x,axis=2)
array([[[ 2, 3],
[ 6, 7],
[10, 11]],
[[14, 15],
[18, 19],
[22, 23]]])

6、根据索引条件改变数组值的函数

  np.select(condlist, choicelist, default=0)  np.select方法根据条件返回符合列表条件的元素数组。condlist表示输入的条件列表,choicelist表示输入的选择列表,与condlist是一一对应的,当x中元素符合condlist中的第一个条件时,输出数组中就选择choicelist中第一个选择作为输出,如符合多个条件则选择第一个。default表示不符合condlist中所有条件时填充什么元素,默认为0,选x时填充原数组的元素。

>>> x = np.arange(10)
>>> condlist = [x<3, x>5]
>>> choicelist = [x, x**2]
>>> np.select(condlist, choicelist)
>>> np.select(condlist, choicelist,default=x)
array([ 0, 1, 2, 3, 4, 5, 36, 49, 64, 81]) >>> np.select(condlist, choicelist)
array([ 0, 1, 2, 0, 0, 0, 36, 49, 64, 81])

  np.place(a, mask, b)  np.place方法根据布尔数组mask的索引,将索引到的输入数组a的元素的值更改为b,如果b的长度不够则重复b。

>>> arr = np.arange(6).reshape(2, 3)
>>> np.place(arr, arr>2, [44, 55])
>>> arr
array([[ 0, 1, 2],
[44, 55, 44]])

  np.put(a, index, b)  np.put方法将用给定值b替换输入数组a中索引为index的元素的值。index是按展平后的数组索引的,替换的值按index中的顺序排列b,如果b的长度不够则重复b。

>>> arr = np.arange(6).reshape(2, 3)
>>> np.put(arr,[0,1,5,4],[44,55])
>>> arr
array([[44, 55, 2],
[ 3, 55, 44]])

参考:numpy中文文档:https://www.numpy.org.cn/reference/

   numpy英文文档:https://numpy.org/doc/1.17/reference/index.html

iwehdio的博客园:https://www.cnblogs.com/iwehdio/

numpy的基本API(三)——索引的更多相关文章

  1. numpy的基本API(四)——拼接、拆分、添加、删除

    numpy的基本拼接.拆分.添加.删除API iwehdio的博客园:https://www.cnblogs.com/iwehdio/ 1.np.concatenate((a, b), axis=0) ...

  2. 用JSON-server模拟REST API(三) 进阶使用

    用JSON-server模拟REST API(三) 进阶使用 前面演示了如何安装并运行 json server , 和使用第三方库真实化模拟数据 , 下面将展开更多的配置项和数据操作. 目录: 配置项 ...

  3. Express4.x API (三):Response (译)

    Express4.x API 译文 系列文章 Express4.x API (一):application (译) -- 完成 Express4.x API (二):request (译) -- 完成 ...

  4. Atitit.index manager api design 索引管理api设计

    Atitit.index manager api design 索引管理api设计 1. kw 1 1.1. 索引类型 unique,normal,fulltxt 1 1.2. 聚集索引(cluste ...

  5. Atitit.index manager api design 索引管理api设计

    Atitit.index manager api design 索引管理api设计 1. kw1 1.1. 索引类型 unique,normal,fulltxt1 1.2. 聚集索引(clustere ...

  6. java:struts框架2(方法的动态和静态调用,获取Servlet API三种方式(推荐IOC(控制反转)),拦截器,静态代理和动态代理(Spring AOP))

    1.方法的静态和动态调用: struts.xml: <?xml version="1.0" encoding="UTF-8"?> <!DOCT ...

  7. 手把手教你学Numpy,这些api不容错过

    本文始发于个人公众号:TechFlow,原创不易,求个关注 今天是Numpy专题的第5篇文章,我们来继续学习Numpy当中一些常用的数学和统计函数. 基本统计方法 在日常的工作当中,我们经常需要通过一 ...

  8. 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 ...

  9. Numpy系列(四)- 索引和切片

    Python 中原生的数组就支持使用方括号([])进行索引和切片操作,Numpy 自然不会放过这个强大的特性.  单个元素索引 1-D数组的单元素索引是人们期望的.它的工作原理与其他标准Python序 ...

随机推荐

  1. 手把手教你用netty撸一个ZkClient

    原文地址: https://juejin.im/post/5dd296c0e51d4508182449a6 前言 有这个想法的缘由是前一阵子突发奇想, 想尝试能不能直接利用js连接到zookeeper ...

  2. 微信小程序this.data和this.setData({})的区别

    this.data.xx是用来获取页面data对象的----------只是js(逻辑层)数据的更改: this.setData是用来更新界面的---------用于更新view层的.

  3. ES6,import时如何正确使用花括号'{ }'

    在 ES6 之前,社区制定了一些模块加载方案,最主要的有 CommonJS 和 AMD 两种.前者用于服务器,后者用于浏览器.ES6 在语言标准的层面上,实现了模块功能,而且实现得相当简单,完全可以取 ...

  4. java实现两个json的深度对比

    两个json的深度对比 在网上找了好多资料都没有找到想要的,还是自己写个吧! 上代码!!! 1.pom.xml中加入 <dependency> <groupId>com.ali ...

  5. VLAN配置及Trunk接口配置

    实验拓扑 1.检验连通性,PC2 ping PC3,PC2 ping PC4 ,都能ping 通 2.创建vlan 3.配置access接口 在S1上配置E0/0/2为vlan10和E0/0/3为vl ...

  6. 剑指Offer-27.字符串的排列(C++/Java)

    题目: 输入一个字符串,按字典序打印出该字符串中字符的所有排列.例如输入字符串abc,则打印出由字符a,b,c所能排列出来的所有字符串abc,acb,bac,bca,cab和cba. 输入描述: 输入 ...

  7. Kylin的安装及遇到的问题

    ************************************************************************************************ 首先, ...

  8. 原生JS的移入溢出控制div的显示与隐藏

    原生JS的移入溢出控制div的显示与隐藏的写法 上面的写法火狐存在兼容性

  9. 折腾笔记-计蒜客T1158-和为给定数AC记

    欢迎查看原题 1.简单题目叙述 蒜头君给出若干个整数,询问其中是否有一对数的和等于给定的数. 输入格式 共三行: 第一行是整数 ),表示有 n 个整数. 第二行是 n 个整数.整数的范围是在 0 到  ...

  10. 设计模式之建造者模式--PHP

    建造者模式:将一个负责对象的构建与它的表示分离,使得同样的构建过程有不同的表示.建造者模式是一步一步创建负责的对象,它允许开发者只通过指定对象的类型和内容就可以创建它们.开发者不需要知道具体的构造细节 ...