numpy中索引和切片詳解
索引和切片
一維數組
一維數組很簡單，基本和列表一致。
它們的區(qū)別在于數組切片是原始數組視圖（這就意味著，如果做任何修改，原始都會跟著更改）。
這也意味著，如果不想更改原始數組，我們需要進行顯式的復制，從而得到它的副本（.copy())。
import numpy as np #導入numpy arr = np.arange(10) #類似于list的range() arr Out[3]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) arr[4] #索引（注意是從0開始的） Out[4]: 4 arr[3:6] #切片 Out[6]: array([3, 4, 5]) arr_old = arr.copy() #先復制一個副本 arr_old Out[8]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) arr[3:6] = 33 arr #可以發(fā)現將標量賦值給一個切片時，該值可以傳播到整個選區(qū) Out[10]: array([ 0, 1, 2, 33, 33, 33, 6, 7, 8, 9]) arr_old Out[11]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
二維數組
二維數組中，各索引位置上的元素不再是標量，而是一維數組（好像很難理解哈）。
arr1 = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]]) arr1[0] Out[13]: array([1, 2, 3]) arr1[1,2] Out[14]: 6
好像很難理解，是吧。
那這樣看：
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
想到了什么？咱們當做一個平面直角坐標系。
相當于arr1[x,y],x相當于行數，y相當于列數（必須聲明，圖中x和y標反了，但不影響理解）。
多維數組
先說明下reshape()更改形狀：
np.reshape(a,newshape,order='C')
a:array_like以一個數組為參數。
newshape:intortupleofints。整數或者元組
順便說明下，np.reshape()不更改原數組形狀（會生成一個副本）。
arr1 = np.arange(12)
arr2 = arr1.reshape(2,2,3) #將arr1變?yōu)?×2×3數組
arr2
Out[9]:
array([[[ 0, 1, 2],
[ 3, 4, 5]],
[[ 6, 7, 8],
[ 9, 10, 11]]])
其實多維數組就相當于：
row * col * 列中列
那么：
arr2[0]
Out[10]:
array([[0, 1, 2],
[3, 4, 5]])
arr2[1]
Out[11]:
array([[ 6, 7, 8],
[ 9, 10, 11]])
arr2[0,1]
Out[12]: array([3, 4, 5])
arr2[0] = 23 #賦值
arr2
Out[15]:
array([[[23, 23, 23],
[23, 23, 23]],
[[ 6, 7, 8],
[ 9, 10, 11]]])
切片索引
那么這樣也就很容易的就可以理解下面這種索引了。
切片索引把每一行每一列當做一個列表就可以很容易的理解。
返回的都是數組。
再復雜一點：
我們想要獲得下面這個數組第一行的第2,3個數值。
arr1 = np.arange(36)#創(chuàng)建一個一維數組。
arr2 = arr1.reshape(6,6) #更改數組形狀。
Out[20]:
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, 32, 33, 34, 35]])
為了得到第2,3個數，我們可以：
arr2[0,2:4] Out[29]: array([2, 3])
可以發(fā)現ndarray的切片其實與列表的切片是差不太多的。
我們還可以這樣：
arr2[1] #取得第2行
Out[37]: array([ 6, 7, 8, 9, 10, 11])
arr2[:,3] #取得第3列, 只有：代表選取整列（也就是整個軸）
Out[38]: array([ 3, 9, 15, 21, 27, 33])
arr2[1:4,2:4] # 取得一個二維數組
Out[40]:
array([[ 8, 9],
[14, 15],
[20, 21]])
arr2[::2,::2] #設置步長為2
Out[41]:
array([[ 0, 2, 4],
[12, 14, 16],
[24, 26, 28]])
arr3 = arr2.reshape(4,3,3)
arr3[2:,:1] = 22 #對切片表達式賦值
arr3
Out[25]:
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[22, 13, 14, 15, 16, 17],
[22, 19, 20, 21, 22, 23],
[22, 25, 26, 27, 28, 29],
布爾型索引
arr3 = (np.arange(36)).reshape(6,6)#生成6*6的數組
arr3
Out[35]:
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, 32, 33, 34, 35]])
x = np.array([0, 1, 2, 1, 4, 5])
x == 1#通過比較運算得到一個布爾數組
Out[42]: array([False, True, False, True, False, False], dtype=bool)
arr3[x == 1] #布爾索引
Out[43]:
array([[ 6, 7, 8, 9, 10, 11],
[18, 19, 20, 21, 22, 23]])
從結果上看，布爾索引取出了布爾值為True的行。
布爾型數組的長度和索引的數組的行數（軸長度）必須一致。
布爾型數組可與切片，整數（整數序列）一起使用。
arr3[x == 1,2:]#切片
Out[44]:
array([[ 8, 9, 10, 11],
[20, 21, 22, 23]])
arr3[x == 1,-3:]#切片
Out[47]:
array([[ 9, 10, 11],
[21, 22, 23]])
arr3[x == 1,3]#整數
Out[48]: array([ 9, 21])
!= 不等于符號。
~ 負號可以對條件進行否定。logical_not()函數也可以。
x != 1
Out[49]: array([ True, False, True, False, True, True], dtype=bool)
arr3[~(x == 1)] #實際類似于取反
Out[51]:
array([[ 0, 1, 2, 3, 4, 5],
[12, 13, 14, 15, 16, 17],
[24, 25, 26, 27, 28, 29],
[30, 31, 32, 33, 34, 35]])
arr3[np.logical_not(x == 1)] #作用于 ~ 相同
Out[53]:
array([[ 0, 1, 2, 3, 4, 5],
[12, 13, 14, 15, 16, 17],
[24, 25, 26, 27, 28, 29],
[30, 31, 32, 33, 34, 35]])
組合多個條件，使用布爾運算符&（和），|（或）
(x == 1 ) & (x == 4)#和
Out[67]: array([False, False, False, False, False, False], dtype=bool)
(x==1)|(x==4)#或
Out[68]: array([False, True, False, True, True, False], dtype=bool)
arr3[(x==1)|(x==4)]#布爾索引
Out[71]:
array([[ 6, 7, 8, 9, 10, 11],
[18, 19, 20, 21, 22, 23],
[24, 25, 26, 27, 28, 29]])
通過以上的代碼實驗，我們也可以發(fā)現，布爾索引不更改原數組，創(chuàng)建的都是原數組的副本。
那這個東西能做什么呢？其他索引能做的，他基本也都可以。
比如有這樣一個數組：
arr5 = np.random.randn(4,4)#randn返回一個服從標準正態(tài)分布的數組。
arr5
Out[77]:
array([[-0.64670829, 1.53428435, 0.20585387, 0.42680995],
[-0.63504514, 0.54542881, -0.82163028, -0.89835051],
[-0.66770299, 0.22617913, 0.16358189, -0.75074314],
[-0.25439447, -0.96135628, -0.10552532, -1.06962358]])
我們要將arr5大于0的數值變?yōu)?0：
arr5[arr5 > 0] = 10
arr5
Out[80]:
array([[ -0.64670829, 10. , 10. , 10. ],
[ -0.63504514, 10. , -0.82163028, -0.89835051],
[ -0.66770299, 10. , 10. , -0.75074314],
當然，布爾索引也可以結合上面的運算符來進行操作。
花式索引
花式索引（Fancy indexing），指的是利用整數數組進行索引。
第一次看到這個解釋，我是一臉懵的。
試驗后，我才理解。
arr6 = np.empty((8,4))# 創(chuàng)建新數組，只分配內存空間，不填充值
for i in range(8):#給每一行賦值
arr6[i] = i
arr6
Out[5]:
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.]])
arr6[[2,6,1,7]] #花式索引
Out[14]:
array([[ 2., 2., 2., 2.],
[ 6., 6., 6., 6.],
[ 1., 1., 1., 1.],
[ 7., 7., 7., 7.]])
我們可以看到花式索引的結果，以一個特定的順序排列。
而這個順序，就是我們所傳入的整數列表或者ndarray。
這也為我們以特定的順序來選取數組子集，提供了思路。
arr6[2] Out[15]: array([ 2., 2., 2., 2.]) arr6[6] Out[17]: array([ 6., 6., 6., 6.]) arr6[1] Out[18]: array([ 1., 1., 1., 1.])
可以看到，花式索引的結果與普通索引是一致的。只不過，花式索引簡化了索引過程，而且還實現了按一定的順序排列。
還可以使用負數（其實類似于列表）進行索引。
arr6[[-2,-6,-1]]
Out[21]:
array([[ 6., 6., 6., 6.],
[ 2., 2., 2., 2.],
[ 7., 7., 7., 7.]])
一次傳入多個索引數組，會返回一個一維數組，其中的元素對應各個索引元組。
有點懵。
arr7 = np.arange(35).reshape(5,7)#生成一個5*7的數組
arr7
Out[24]:
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, 32, 33, 34]])
arr7[[1,3,2,4],[2,0,6,5]]
Out[27]: array([ 9, 21, 20, 33])
經過對比可以發(fā)現，返回的一維數組中的元素，分別對應（1,2）、（3,0）....
這一樣一下子就清晰了，我們傳入來兩個索引數組，相當于傳入了一組平面坐標，從而進行了定位。
此處，照我這樣理解的話，那么一個N維數組，我傳入N個索引數組的話，是不是相當于我傳入了一個N維坐標。
我試驗了下三維，是這樣的，但是以后的不知道了。誰知道求告訴。
ar = np.arange(27).reshape(3,3,3)
ar
Out[31]:
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]]])
ar[[1,2],[0,1],[2,2]]
Out[32]: array([11, 23])
那么應該如何得到一個矩形區(qū)域呢?？梢赃@樣做：
arr7[[1,3,2,4]][:,[2,0,6,5]]
Out[33]:
array([[ 9, 7, 13, 12],
[23, 21, 27, 26],
[16, 14, 20, 19],
[30, 28, 34, 33]])
必須明白，arr7[2][3]等價于arr7[2,3]
那么上面這種得到矩形區(qū)域的方法，就相當于行與列去了交集。
此外還可用np.ix_函數，它的作用與上面的方法類似，只不過是將兩個一維的數組轉換為了一個可以選擇矩形區(qū)域的索引器。
arr7[np.ix_([1,3,2,4],[2,0,6,5])]
Out[34]:
array([[ 9, 7, 13, 12],
[23, 21, 27, 26],
[16, 14, 20, 19],
[30, 28, 34, 33]])
通過，這些試驗，還可發(fā)現，花式索引將數據復制到了一個新的數組中。
總結
以上就是本文關于numpy中索引和切片詳解的全部內容，希望對大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站：
如有不足之處，歡迎留言指出。感謝朋友們對本站的支持！
相關文章
python圖形用戶界面tkinter之按鈕Button的使用說明
這篇文章主要介紹了python圖形用戶界面tkinter之按鈕Button的使用說明，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-06-06
WIn10+Anaconda環(huán)境下安裝PyTorch(避坑指南)
這篇文章主要介紹了WIn10+Anaconda環(huán)境下安裝PyTorch(避坑指南)，小編覺得挺不錯的，現在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2019-01-01
Python圖像處理庫PIL的ImageFont模塊使用介紹
這篇文章主要介紹了Python圖像處理庫PIL的ImageFont模塊使用介紹，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-02-02
本文給大家羅列了python3拼接字符串的七種方法，非常不錯，具有一定的參考借鑒價值，需要的朋友參考下吧2018-09-09
在Python中，filter函數是一種內置的高階函數，它能夠接受一個函數和一個迭代器，然后返回一個新的迭代器，本文主要來介紹一下Python中filter函數的具體用法，需要的可以參考一下2023-07-07
Python批量將Word文檔(.doc)轉換為.docx格式的完整實現步驟
這篇文章主要介紹了Python批量將Word文檔(.doc)轉換為.docx格式的完整實現步驟,文中通過代碼介紹的非常詳細,適用于Windows系統(tǒng),解決了手動轉換的低效率和出錯率問題,需要的朋友可以參考下2024-12-12
下面小編就為大家?guī)硪黄狿ython 將RGB圖像轉換為Pytho灰度圖像的實例。具有很好的參考價值。希望對大家有所幫助。一起跟隨小編過來看看吧2017-11-11
本篇文章在源碼層面比對 feapder、scrapy 、scrapy-redis 的設計，閱讀本文后，會加深您對 scrapy 以及 feapder 的了解，以及為什么推薦使用 feapder,剛興趣的朋友可以參考下面文章內容2021-09-09
這篇文章主要介紹了Python-pandas返回重復數據的index問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-02-02
這篇文章主要介紹了Python基于回溯法子集樹模板解決選排問題,簡單描述了選排問題并結合實例形式分析了Python使用回溯法子集樹模板解決選排問題的具體實現步驟與相關操作注意事項,需要的朋友可以參考下2017-09-09