Python?NumPy之索引怎么使用

這篇文章主要講解了“Python NumPy之索引怎么使用”，文中的講解內(nèi)容簡單清晰，易于學(xué)習(xí)與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“Python NumPy之索引怎么使用”吧！

NumPy 或 Numeric Python 是一個用于計算同質(zhì) n 維數(shù)組的包。在 numpy 維度中稱為軸。

為什么我們需要 NumPy 

出現(xiàn)了一個問題，當(dāng) python 列表已經(jīng)存在時，為什么我們需要 NumPy。答案是我們不能直接對兩個列表的所有元素執(zhí)行操作。例如，我們不能直接將兩個列表相乘，我們必須逐個元素地進(jìn)行。這就是 NumPy 發(fā)揮作用的地方。

示例 #1：

# 演示需要 NumPy 的 Python 程序
 
list1 = [1, 2, 3, 4 ,5, 6]
list2 = [10, 9, 8, 7, 6, 5]
 
# 將兩個列表直接相乘會出錯。
print(list1*list2)

輸出 ：

TypeError: can't multiply sequence by non-int of type 'list'

因為這可以通過 NumPy 數(shù)組輕松完成。

示例 #2：

# 演示 NumPy 數(shù)組使用的 Python 程序
import numpy as np
 
list1 = [1, 2, 3, 4, 5, 6]
list2 = [10, 9, 8, 7, 6, 5]
 
# 將 list1 轉(zhuǎn)換為 NumPy 數(shù)組
a1 = np.array(list1)
 
# 將 list2 轉(zhuǎn)換為 NumPy 數(shù)組
a2 = np.array(list2)
 
print(a1*a2)

輸出 ：

array([10, 18, 24, 28, 30, 30])

python的numpy包具有以不同方式索引的強(qiáng)大功能。

使用索引數(shù)組進(jìn)行索引

索引可以通過使用數(shù)組作為索引在 numpy 中完成。在切片的情況下，返回數(shù)組的視圖或淺表副本，但在索引數(shù)組中返回原始數(shù)組的副本。Numpy 數(shù)組可以用其他數(shù)組或任何其他序列索引，但元組除外。最后一個元素由 -1 索引，第二個由 -2 索引，依此類推。

示例 #1：

# 演示索引數(shù)組使用的 Python 程序。
import numpy as np
 
# 創(chuàng)建一個從 10 到 1 的整數(shù)序列，步長為 -2
a = np.arange(10, 1, -2) 
print("\n A sequential array with a negative step: \n",a)
 
# 索引在 np.array 方法中指定。
newarr = a[np.array([3, 1, 2 ])]
print("\n Elements at these indices are:\n",newarr)

輸出 ：

A sequential array with a negative step:
[10  8  6  4  2]

Elements at these indices are:
[4 8 6]

示例 #2：

import numpy as np
 
# 元素從 1 到 9 的 NumPy 數(shù)組
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
 
# 索引值可以是負(fù)數(shù)。
arr = x[np.array([1, 3, -3])]
print("\n Elements are : \n",arr)

輸出 ：

Elements are:
[2 4 7]

索引類型

有兩種類型的索引：

基本切片和索引

考慮語法 x[obj]，其中 x 是數(shù)組，obj 是索引。切片對象是基本切片情況下的索引。當(dāng) obj 為 時發(fā)生基本切片：

• 形式為 start : stop : step 的切片對象

• 一個整數(shù)

• 或切片對象和整數(shù)的元組

基本切片生成的所有數(shù)組始終是原始數(shù)組的視圖。

代碼#1：

# 用于基本切片的 Python 程序。
import numpy as np
 
# 從 0 到 19 排列元素
a = np.arange(20)
print("\n Array is:\n ",a)
 
# a[start:stop:step]
print("\n a[-8:17:1]  = ",a[-8:17:1]) 
 
# : 運(yùn)算符表示直到最后的所有元素。
print("\n a[10:]  = ",a[10:])

輸出 ：

Array is:
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19]

a[-8:17:1]  =  [12 13 14 15 16]

a[10:] = [10 11 12 13 14 15 16 17 18 19] 

代碼#2：

# 用于基本切片和索引的 Python 程序
import numpy as np
 
# A 3-Dimensional array
a = np.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]]
print("\n Array is:\n ",a)
 
# 切片和索引
print("\n a[0, 3:5]  = ",a[0, 3:5]) 
 
print("\n a[4:, 4:]  = ",a[4:, 4:]) 
 
print("\n a[:, 2]  = ",a[:, 2]) 
 
print("\n a[2:;2, ::2]  = ",a[2:;2, ::2])

輸出 ：

Array is:
 [[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]]

a[0, 3:5]  =  [3 4]

a[4:, 4:] = [[28 29],
             [34 35]]

a[:, 2] =  [2 8 14 20 26 32]

a[2:;2, ::2] = [[12 14 16],
                [24 26 28]]

下圖讓概念更清晰：

省略號也可以與基本切片一起使用。省略號 (...) 是 : 對象的數(shù)量，需要創(chuàng)建一個長度與數(shù)組維度相同的選擇元組。

# 使用帶省略號的基本切片進(jìn)行索引的 Python 程序
import numpy as np
 
# A 3 dimensional array.
b = np.array([[[1, 2, 3],[4, 5, 6]],
              [[7, 8, 9],[10, 11, 12]]])
 
print(b[...,1]) #Equivalent to b[: ,: ,1 ]

輸出 ：

[[ 2 5] 
 [ 8 11]]

高級索引

當(dāng) obj 為 - 時觸發(fā)高級索引

• 整數(shù)或布爾類型的 ndarray

• 或具有至少一個序列對象的元組

• 是一個非元組序列對象

高級索引返回數(shù)據(jù)的副本而不是它的視圖。高級索引有整數(shù)和布爾兩種類型。

純整數(shù)索引： 當(dāng)整數(shù)用于索引時。第一維的每個元素都與第二維的元素配對。所以本例中元素的索引為 (0,0),(1,0),(2,1) 并選擇相應(yīng)的元素。

# 顯示高級索引的 Python 程序
import numpy as np
 
a = np.array([[1 ,2 ],[3 ,4 ],[5 ,6 ]])
print(a[[0 ,1 ,2 ],[0 ,0 ,1]])

輸出 ：

[1 3 6]

結(jié)合高級索引和基本索引

當(dāng)索引中至少有一個切片 (:)、省略號 (...) 或 newaxis 時（或者數(shù)組的維度多于高級索引），則行為可能會更復(fù)雜。這就像連接每個高級索引元素的索引結(jié)果

在最簡單的情況下，只有一個高級索引。例如，單個高級索引可以替換切片，結(jié)果數(shù)組將是相同的，但是，它是一個副本并且可能具有不同的內(nèi)存布局。如果可能，切片是優(yōu)選的。

# 顯示高級和基本索引的 Python 程序
import numpy as np
 
a = np.array([[0 ,1 ,2],[3 ,4 ,5 ],
              [6 ,7 ,8],[9 ,10 ,11]])
 
print(a[1:2 ,1:3 ])
print(a[1:2 ,[1,2]])

輸出 ：

[4, 5] 
[4, 5]

了解情況的最簡單方法可能是根據(jù)結(jié)果形狀進(jìn)行思考。索引操作有兩個部分，由基本索引（不包括整數(shù)）定義的子空間和來自高級索引部分的子空間。需要區(qū)分兩種索引組合的情況：

高級索引由切片、省略號或 newaxis 分隔。例如x[arr1, :, arr2].

高級索引都彼此相鄰。例如x[..., arr1, arr2, :]，但不是x[arr1, :, 1] 因為 1 在這方面是一個高級索引。

在第一種情況下，高級索引操作產(chǎn)生的維度首先出現(xiàn)在結(jié)果數(shù)組中，然后是子空間維度。在第二種情況下，來自高級索引操作的維度被插入到結(jié)果數(shù)組中與它們在初始數(shù)組中相同的位置（后一種邏輯使簡單的高級索引的行為就像切片一樣）。

布爾數(shù)組索引

這個索引有一些布爾表達(dá)式作為索引。返回滿足該布爾表達(dá)式的那些元素。它用于過濾所需的元素值。

代碼 #1

# 您可能希望選擇大于 50 的數(shù)字
import numpy as np
 
a = np.array([10, 40, 80, 50, 100])
print(a[a>50])

輸出 ：

[80 100]

代碼 #2

# 您可能希望將 40 的倍數(shù)平方
import numpy as np
 
a = np.array([10, 40, 80, 50, 100])
print(a[a%40==0]**2)

輸出 ：

[1600 6400])

代碼 #3

# 您可能希望選擇行之和是 10 的倍數(shù)的那些元素。
import numpy as np
 
b = np.array([[5, 5],[4, 5],[16, 4]])
sumrow = b.sum(-1)
print(b[sumrow%10==0])

輸出 ：

array([[ 5, 5], [16, 4]])

感謝各位的閱讀，以上就是“Python NumPy之索引怎么使用”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對Python NumPy之索引怎么使用這一問題有了更深刻的體會，具體使用情況還需要大家實(shí)踐驗證。這里是億速云，小編將為大家推送更多相關(guān)知識點(diǎn)的文章，歡迎關(guān)注！