Numpy?數組索引的實現
數組索引是指使用方括號（[]）來索引數組值,numpy提供了比常規(guī)的python序列更多的索引工具。除了按整數和切片索引之外，數組可以由整數數組索引、布爾索引及花式索引。下面逐一學習。
一、整數索引
這種機制有助于基于 N 維索引來獲取數組中任意元素。 每個整數數組表示該維度的下標值。 當索引的元素個數就是目標ndarray的維度時，會變得相當直接。
import numpy as np >>> s = np.arange(27).reshape(3,3,3) >>> s 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]]]) >>> s[1] array([[ 9, 10, 11], ? ? ? ?[12, 13, 14], ? ? ? ?[15, 16, 17]]) >>> s[1][1] array([12, 13, 14]) >>> s[1][1][1] 13
二、切片索引
原理：切片操作是指抽取數組的一部分元素生成新數組。對 python 列表進行切片操作得到的數組是原數組的副本，而對 Numpy 數據進行切片操作得到的數組則是指向相同緩沖區(qū)的視圖。如果想抽?。ɑ虿榭矗到M的一部分，必須使用切片語法，也就是，把幾個用冒號（ start:stop:step ）隔開的數字置于方括號內。為了更好地理解切片語法，還應該了解不明確指明起始和結束位置的情況。如省去第一個數字，numpy 會認為第一個數字是0；如省去第二個 數字，numpy 則會認為第二個數字是數組的大索引值；如省去后一個數字，它將會被理解為1，也就是抽取所有元素而不再考慮間隔。
2.1、一維數組切片
同python 中l(wèi)ist 切片
>>> s1 = np.array([3, 8, 6, 9, 0]) >>> s1 array([3, 8, 6, 9, 0]) >>> s1[3] 9 >>> s1[1:3] array([8, 6]) >>> s1[-1] 0 >>> s1[2:] array([6, 9, 0]) >>> s1[:4] array([3, 8, 6, 9]) >>> s1[:] array([3, 8, 6, 9, 0])
2.2、多維數組切片
>>> s2 = np.arange(12).reshape(3,4)
>>> s2
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> s2[1]
array([4, 5, 6, 7])
>>> s2[1][:1]
array([4])
>>> s2[1][:3]
array([4, 5, 6])
三、整數數組索引
數組作為索引的一大優(yōu)勢，便是可以將索引得到的結果組織成自己想要的形狀。
輸出結果的shape與索引數組的shape相同，而輸出中各個元素的取值，便是由各個索引數組對應位置的值作為index索引得到。
3.1、 一維數組的整數數組索引
>>> x = np.arange(10,1,-1)
>>> x
array([10, 9, 8, 7, 6, 5, 4, 3, 2])
>>> x[np.array([3, 3, 1, 8])]
array([7, 7, 9, 2])
>>> x[np.array([[0,1][2,3]])]
array([[10, 9],
[ 8, 7]])
3.2、多維數組的整數數組索引
>>> a = np.arange(15).reshape(3,5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> a[np.array([0,2])] # 獲取數組的第0行和第2行
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14]])
>>> a[np.array([0,2]),np.array([1,3])] # 獲取數組第0行的第二個元素和第2行的第四個元素
array([ 1, 13])
>>> a[np.array([1,2])]
array([[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
# 獲取數組a[np.array([[0,2])] 的第一行的第二個元素和第二行的第四個元素...
>>> a[np.array([[0,2],[1,2]]),np.array([[1,3],[0,2]])]
array([[ 1, 13],
[ 5, 12]])
每一個索引數組單獨控制一個維度。例如對于 a[np.array([[0,2],[1,2]]),np.array([[1,3],[0,2]])]，此時np.array([[0,2],[1,2]])控制輸出的對應位置的行索引，np.array([[1,3],[0,2]])]控制輸出的對應位置的列索引。行列索引組織在一起，便可以得到輸出的每個位置的索引。
具體地，對于a[np.array([[0,2],[1,2]]),np.array([[1,3],[0,2]])]，
由于np.array([[0,2],[1,2]])的shape為（2, 2），因此輸出是一個（2，2）的矩陣。
在左上位置，行索引為0，列索引為1，值為1；
在右上位置，行索引為2，列索引為3，值為13；
在左下位置，行索引為0，列索引為1，值為5；
在右下位置，行索引為2，列索引為2, 值為12。
因此輸出的矩陣即為，array([[1, 13],[5, 12]])。
充分利用"廣播"機制，以及對于維度數量的省略，使得以數組作為索引的方式有更加靈活的應用，例如：
>>> a = np.arange(15).reshape(3,5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> a[np.array([0,2]),3]
array([ 3, 13])
>>> a[np.array([0,2])]
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14]])
在上例中，a[np.array([0,2]),3] 便可以廣播為 a[np.array([0,2]),np.array([3,3])]，從而化為我們熟悉的形式。而 a[np.array([0,2])] 通過省略一個維度，達到索引該維度全體數據的效果。
四、布爾索引
bool數組可以通過直接指出保留的值（True）與舍棄的值（False），來構建輸出的數組。
bool數組的shape需要與被索引的數組（的前若干個維度）shape嚴格對齊。
>>> a = np.arange(15).reshape(3,5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> b = a > 10
>>> b
array([[False, False, False, False, False],
[False, False, False, False, False],
[False, True, True, True, True]])
>>> a[b]
array([11, 12, 13, 14])
使用bool 值獲取數組元素
>>> a = np.arange(15).reshape(3,5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> a[np.array([True])]
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
IndexError: boolean index did not match indexed array along dimension 0; dimension is 3 but corresponding boolean dimension is 1
>>> a[np.array([True, False])]
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
IndexError: boolean index did not match indexed array along dimension 0; dimension is 3 but corresponding boolean dimension is 2
>>> a[np.array([True, False,False])]
array([[0, 1, 2, 3, 4]])
>>> a[np.array([False, False,False])]
array([], shape=(0, 5), dtype=int64)
>>> a[np.array([False, False,True])]
array([[10, 11, 12, 13, 14]])
>>> a[np.array([True, True,True])]
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> a[np.array([False, False,True]),np.array([True,False,True,False,True])]
array([10, 12, 14])五、花式索引
花式索引指的是利用整數數組進行索引。
花式索引根據索引數組的值作為目標數組的某個軸的下標來取值。
對于使用一維整型數組作為索引，如果目標是一維數組，那么索引的結果就是對應位置的元素，如果目標是二維數組，那么就是對應下標的行。
花式索引跟切片不一樣，它總是將數據復制到新數組中。
>>> a = np.arange(12)**2
>>> a
array([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81, 100, 121])
>>> i = np.array( [ 1,1,3,8,5 ] )
>>> i
array([1, 1, 3, 8, 5])
>>> a[i]
array([ 1, 1, 9, 64, 25])
>>> j = np.array( [ [ 3, 4], [ 9, 7 ] ] )
>>> j
array([[3, 4],
[9, 7]])
>>> a[j]
array([[ 9, 16],
[81, 49]])
當被索引的數組是多維數組時，將按照它的第一軸進行索引的
>>> p = np.arange(27).reshape(3,3,3) >>> p 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]]]) >>> l = np.array([[0, 2, 1],[1,2,1]]) >>> p[l] array([[[[ 0, ?1, ?2], ? ? ? ? ?[ 3, ?4, ?5], ? ? ? ? ?[ 6, ?7, ?8]], ? ? ? ? [[18, 19, 20], ? ? ? ? ?[21, 22, 23], ? ? ? ? ?[24, 25, 26]], ? ? ? ? [[ 9, 10, 11], ? ? ? ? ?[12, 13, 14], ? ? ? ? ?[15, 16, 17]]], ? ? ? ?[[[ 9, 10, 11], ? ? ? ? ?[12, 13, 14], ? ? ? ? ?[15, 16, 17]], ? ? ? ? [[18, 19, 20], ? ? ? ? ?[21, 22, 23], ? ? ? ? ?[24, 25, 26]], ? ? ? ? [[ 9, 10, 11], ? ? ? ? ?[12, 13, 14], ? ? ? ? ?[15, 16, 17]]]]) >>> c = np.array([0,0,0]) >>> p[c] array([[[0, 1, 2], ? ? ? ? [3, 4, 5], ? ? ? ? [6, 7, 8]], ? ? ? ?[[0, 1, 2], ? ? ? ? [3, 4, 5], ? ? ? ? [6, 7, 8]], ? ? ? ?[[0, 1, 2], ? ? ? ? [3, 4, 5], ? ? ? ? [6, 7, 8]]])
參考文檔
1、https://blog.csdn.net/qq_45759562/article/details/109249685
2、https://zhuanlan.zhihu.com/p/427216184
3、http://t.zoukankan.com/lavender1221-p-12651442.html
4、https://www.runoob.com/numpy/numpy-advanced-indexing.html
到此這篇關于Numpy 數組索引的實現的文章就介紹到這了,更多相關Numpy 數組索引內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
本篇文章給大家詳細分析了Python3結合Dlib實現人臉識別和剪切這個技術，對此有興趣的朋友參考學習下。2018-01-01
這篇文章主要為大家介紹了Python區(qū)塊鏈交易類的示例詳解教程，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2022-05-05
這篇文章主要介紹了shelve 用來持久化任意的Python對象實例代碼的相關資料,需要的朋友可以參考下2016-10-10
多線程可簡單理解為同時執(zhí)行多個任務。本文給大家分享Python 多線程Threading初學教程實例詳解，感興趣的朋友一起學習吧2017-08-08
這篇文章主要為大家詳細介紹了如何利用Python實現蒙特卡洛模擬，文中的示例代碼講解詳細，具有一定的參考價值，感興趣的小伙伴可以了解一下2023-03-03
在Python中,打包和解包參數是一種操作方式,可以將多個參數打包成一個元組或字典,也可以將一個元組或字典解包成多個參數,本文就來介紹一下如何使用2023-09-09
快速了解Python開發(fā)環(huán)境Spyder
這篇文章主要介紹了Python開發(fā)環(huán)境Spyder的的相關資料，幫助大家更快的上手Spyder，感興趣的朋友可以了解下2020-06-06
下面小編就為大家分享一篇numpy.delete刪除一列或多列的方法，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2018-04-04
python實現xlwt xlrd 指定條件給excel行添加顏色
這篇文章主要介紹了python實現xlwt xlrd 指定條件給excel行添加顏色，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2020-07-07
這篇文章主要介紹了Python實現的二維碼生成小軟件,使用wxPython、python-qrcode、pyqrcode、pyqrnative等技術和開源類庫實現,需要的朋友可以參考下2014-07-07