您好,登錄后才能下訂單哦!
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。
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。
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]
有兩種類型的索引:
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]]
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!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報,并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。