numpy学习总结（重点讲解索引方式）

numpy思维导图

ndarray对象是什么

• NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。
• ndarray 对象是用于存放同类型元素的多维数组。
• ndarray 中的每个元素在内存中都有相同存储大小的区域。

ndarray 内部由以下内容组成：

• 一个指向数据（内存或内存映射文件中的一块数据）的指针。

• 数据类型或 dtype，描述在数组中的固定大小值的格子。

• 一个表示数组形状（shape）的元组，表示各维度大小的元组。

• 一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。

创建数组的多种方式

• 创建数组（empty、zeros、ones、full、eye）
• 从已有的数组创建数组（asarray、frombuffer、fromiter）
• 从数值范围创建数组（arange、linespace、logspace、random）

特性

• 切片、索引、高级索引

　　　　ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。

　　　　切片是从原数组切出一个新的数组；索引是可以通过下标访问数组。

　　　　高级索引是：整数数组索引、布尔索引、花式索引。

　　　　　　整数数组索引：见名知意，通过在x[]放入整数数组来表达要索引元素的下标，来检索原数组。

　　　　　　例如：

# 整数数组索引
x = np.array([[1, 2], [3, 4], [5, 6]])
print(x, '\n')
t = np.array([[0, 1, 2], [0, 1, 0]])　　# 这里，我要获取原数组中（0,0）、（1,1）、（2,0）位置的元素
print(t, '\n')
y = x[[0, 1, 2], [0, 1, 0]]
print(y, '\n')

# 输出
[[1 2]
 [3 4]
 [5 6]]

[[0 1 2]
 [0 1 0]]

[1 4 5] 

　　　　　　布尔索引：通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。

# # 布尔索引
x = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]])
print(x)
print(x[x > 5], '\n')

# # 使用了 ~（取补运算符）来过滤 NaN。
a = np.array([np.nan, 1, 2, np.nan, 3, 4, 5])
print(a)
print(a[~np.isnan(a)], '\n')

# # 如何从数组中过滤掉非复数元素
a = np.array([1, 2+6j, 5, 3.5+5j])
print(a)
print('非复数 :', a[~np.iscomplex(a)])
print('复数 :', a[np.iscomplex(a)], '\n')

# 输出

[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]
[ 6  7  8  9 10 11] 

[nan  1.  2. nan  3.  4.  5.]
[1. 2. 3. 4. 5.] 

[1. +0.j 2. +6.j 5. +0.j 3.5+5.j]
非复数 : [1.+0.j 5.+0.j]
复数 : [2. +6.j 3.5+5.j] 

　　　　　　花式索引：

• 广播

丰富的函数