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. 家谱（gen）x

      家谱(gen) 时间限制  2S [问题描述]     现代的人对于本家族血统越来越感兴趣,现在给出充足的父子关系,请你编写程序找到某个人的最早的祖先. [输入格式]gen.in 输入文件由多行组 ...

  2. Tarjan 【整理】

    Tarjan [整理] #include<bits/stdc++.h> using namespace std; class FastIO{ /* copyright (c) dgklr ...

  3. 《Effective C++》结语

    九月的这三周把<Effective C++>重读了一遍,尽量以自己的理解,用最简单的(其实太深入也不会写)的语言把书里面的重点都写了下来. 由于之前找实习占用了大量的时间,写的博客都比较水 ...

  4. unittest详解（三） 测试套件（TestSuite）

    在前面一章中示例了如何编写一个简单的测试,但有两个问题: 我们知道测试用例的执行顺序是根据测试用例名称顺序执行的,在不改变用例名称的情况下,我们怎么来控制用例执行的顺序呢? 一个测试文件,我们直接执行 ...

  5. Linux命令-磁盘管理(二)

    Linux命令-磁盘管理(二) Linux mmount命令 Linux mmount命令用于挂入MS-DOS文件系统. mmount为mtools工具指令,可根据[mount参数]中的设置,将磁盘内 ...

  6. AcWing：245. 你能回答这些问题吗（线段树最大子段和）

    给定长度为N的数列A,以及M条指令,每条指令可能是以下两种之一: 1.“1 x y”,查询区间 [x,y] 中的最大连续子段和,即 maxx≤l≤r≤ymaxx≤l≤r≤y{∑ri=lA[i]∑i=l ...

  7. github版本库使用详细教程

    GitHubGit 教程[1] 同学们,上课了!今天我们来学习github的使用,我们将用它来管理我们的代码,你会发现它的好处的,当然是要在本系列教程全部完成之后,所以请紧跟站长的步伐,今天是第一天, ...

  8. springboot 项目中在普通类中调用dao层的mapper 出现空指针异常

    项目中我遇到同样的问题 特记载一下 有两种方式 一. 该类使用@Component注解 添加一个本类类型的静态字段 创建一个初始化方法,贴上@PostConstruct 标签,用于注入bean 创建方 ...

  9. 简易的文件上传 tp5

    /** * 保存新建的资源 * @return \think\Response */ public function save() { //判断一下提交类型 if ($this->request ...

  10. laravel 浏览器图标的设置方式

    <head> <meta charset="UTF-8"> <title>叮叮书店</title> <link href=&q ...