Python數(shù)據(jù)分析模塊Numpy切片、索引和廣播源碼分析

這篇文章主要講解了“Python數(shù)據(jù)分析模塊Numpy切片、索引和廣播源碼分析”，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數(shù)據(jù)分析模塊Numpy切片、索引和廣播源碼分析”吧！

Numpy切片和索引

ndarray對象的內(nèi)容可以通過索引或切片來訪問和修改，與 Python 中 list 的切片操作一樣。

ndarray 數(shù)組可以基于 0 ~ n-1 的下標(biāo)進(jìn)行索引，切片對象可以通過內(nèi)置的 slice 函數(shù)，并設(shè)置 start, stop 及 step 參數(shù)進(jìn)行，從原數(shù)組中切割出一個(gè)新數(shù)組。

切片還可以包括省略號 …，來使選擇元組的長度與數(shù)組的維度相同。 如果在行位置使用省略號，它將返回包含行中元素的 ndarray。

高級索引

整數(shù)數(shù)組索引

以下實(shí)例獲取數(shù)組中 (0,0)，(1,1) 和 (2,0) 位置處的元素。

a = np.array([[0,1,2], [3,4,5], [6,7,8], [9,10,11]])
print(a)
print('-' * 20)

rows = np.array([[0,0], [3,3]])
cols = np.array([[0,2], [0,2]])

b = a[rows, cols]
print(b)
print('-' * 20)

rows = np.array([[0,1], [2,3]])
cols = np.array([[0,2], [0,2]])
c = a[rows, cols]
print(c)
print('-' * 20)

rows = np.array([[0,1,2], [1,2,3], [1,2,3]])
cols = np.array([[0,1,2], [0,1,2], [0,1,2]])
d = a[rows, cols]
print(d)

[[ 012]
 [ 345]
 [ 678]
 [ 9 10 11]]
--------------------
[[ 02]
 [ 9 11]]
--------------------
[[ 05]
 [ 6 11]]
--------------------
[[ 048]
 [ 37 11]
 [ 37 11]]

返回的結(jié)果是包含每個(gè)角元素的 ndarray 對象。

可以借助切片 : 或 … 與索引數(shù)組組合。如下面例子：

a = np.array([[1,2,3], [4,5,6], [7,8,9]])

print(a)
print('-' * 20)

b = a[1:3, 1:3]
print(b)
print('-' * 20)

c = a[1:3, [0,2]]
print(c)
print('-' * 20)

d = a[..., 1:]
print(d)

[[1 2 3]
 [4 5 6]
 [7 8 9]]
--------------------
[[5 6]
 [8 9]]
--------------------
[[4 6]
 [7 9]]
--------------------
[[2 3]
 [5 6]
 [8 9]]

布爾索引

我們可以通過一個(gè)布爾數(shù)組來索引目標(biāo)數(shù)組。

布爾索引通過布爾運(yùn)算（如：比較運(yùn)算符）來獲取符合指定條件的元素的數(shù)組。

以下實(shí)例獲取大于 5 的元素：

a = np.array([[1,2,3], [4,5,6], [7,8,9]])

print(a)
print('-' * 20)

print(a[a > 5])

[[1 2 3]
 [4 5 6]
 [7 8 9]]
--------------------
[6 7 8 9]

以下實(shí)例使用了 ~（取補(bǔ)運(yùn)算符）來過濾 NaN。

a = np.array([np.nan, 1, 2, np.nan, 3, 4, 5])

print(a)
print('-' * 20)

print(a[~np.isnan(a)])

[nan1.2. nan3.4.5.]
--------------------
[1. 2. 3. 4. 5.]

以下實(shí)例演示如何從數(shù)組中過濾掉非復(fù)數(shù)元素。

a = np.array([1, 3+4j, 5, 6+7j])

print(a)
print('-' * 20)

print(a[np.iscomplex(a)])

[1.+0.j 3.+4.j 5.+0.j 6.+7.j]
--------------------
[3.+4.j 6.+7.j]

花式索引

花式索引指的是利用整數(shù)數(shù)組進(jìn)行索引。

花式索引根據(jù)索引數(shù)組的值作為目標(biāo)數(shù)組的某個(gè)軸的下標(biāo)來取值。

對于使用一維整型數(shù)組作為索引，如果目標(biāo)是一維數(shù)組，那么索引的結(jié)果就是對應(yīng)位置的元素，如果目標(biāo)是二維數(shù)組，那么就是對應(yīng)下標(biāo)的行。

花式索引跟切片不一樣，它總是將數(shù)據(jù)復(fù)制到新數(shù)組中。

一維數(shù)組

a = np.arange(2, 10)

print(a)
print('-' * 20)

b = a[[0,6]]
print(b)

[2 3 4 5 6 7 8 9]
--------------------
[2 8]

二維數(shù)組

1、傳入順序索引數(shù)組

a = np.arange(32).reshape(8, 4)

print(a)
print('-' * 20)

print(a[[4, 2, 1, 7]])

[[ 0123]
 [ 4567]
 [ 89 10 11]
 [12 13 14 15]
 [16 17 18 19]
 [20 21 22 23]
 [24 25 26 27]
 [28 29 30 31]]
--------------------
[[16 17 18 19]
 [ 89 10 11]
 [ 4567]
 [28 29 30 31]]

2、傳入倒序索引數(shù)組

a = np.arange(32).reshape(8, 4)
print(a[[-4, -2, -1, -7]])

[[16 17 18 19]
 [24 25 26 27]
 [28 29 30 31]
 [ 4567]]

3、傳入多個(gè)索引數(shù)組（要使用 np.ix_）

np.ix_ 函數(shù)就是輸入兩個(gè)數(shù)組，產(chǎn)生笛卡爾積的映射關(guān)系。

笛卡爾乘積是指在數(shù)學(xué)中，兩個(gè)集合 X 和 Y 的笛卡爾積（Cartesian product），又稱直積，表示為 X×Y，第一個(gè)對象是X的成員而第二個(gè)對象是 Y 的所有可能有序?qū)Φ钠渲幸粋€(gè)成員。

例如 A={a,b}, B={0,1,2}，則：

A×B={(a, 0), (a, 1), (a, 2), (b, 0), (b, 1), (b, 2)}
B×A={(0, a), (0, b), (1, a), (1, b), (2, a), (2, b)}

a = np.arange(32).reshape(8, 4)
print(a[np.ix_([1,5,7,2], [0,3,1,2])])

[[ 4756]
 [20 23 21 22]
 [28 31 29 30]
 [ 8 119 10]]

廣播(Broadcast)

廣播(Broadcast)是 numpy 對不同形狀(shape)的數(shù)組進(jìn)行數(shù)值計(jì)算的方式， 對數(shù)組的算術(shù)運(yùn)算通常在相應(yīng)的元素上進(jìn)行。

如果兩個(gè)數(shù)組 a 和 b 形狀相同，即滿足 a.shape == b.shape，那么 a*b 的結(jié)果就是 a 與 b 數(shù)組對應(yīng)位相乘。這要求維數(shù)相同，且各維度的長度相同。

a = np.arange(1, 5)
b = np.arange(1, 5)

c = a * b
print(c)

[ 149 16]

當(dāng)運(yùn)算中的 2 個(gè)數(shù)組的形狀不同時(shí)，numpy 將自動(dòng)觸發(fā)廣播機(jī)制。如：

a = np.array([
[0, 0, 0],
[10, 10, 10],
[20, 20, 20],
[30, 30, 30]
])

b = np.array([0, 1, 2])

print(a + b)

[[ 012]
 [10 11 12]
 [20 21 22]
 [30 31 32]]

下面的圖片展示了數(shù)組 b 如何通過廣播來與數(shù)組 a 兼容。

tile擴(kuò)展數(shù)組

a = np.array([1, 2])

b = np.tile(a, (6, 1))
print(b)

print('-' * 20)

c = np.tile(a, (2, 3))
print(c)

[[1 2]
 [1 2]
 [1 2]
 [1 2]
 [1 2]
 [1 2]]
--------------------
[[1 2 1 2 1 2]
 [1 2 1 2 1 2]]

4x3 的二維數(shù)組與長為 3 的一維數(shù)組相加，等效于把數(shù)組 b 在二維上重復(fù) 4 次再運(yùn)算：

a = np.array([
[0, 0, 0],
[10, 10, 10],
[20, 20, 20],
[30, 30, 30]
])

b = np.array([0, 1, 2])
bb = np.tile(b, (4, 1))

print(a + bb)

[[ 012]
 [10 11 12]
 [20 21 22]
 [30 31 32]]

廣播的規(guī)則:

• 讓所有輸入數(shù)組都向其中形狀最長的數(shù)組看齊，形狀中不足的部分都通過在前面加 1 維補(bǔ)齊。

• 輸出數(shù)組的形狀是輸入數(shù)組形狀的各個(gè)維度上的最大值。

• 如果輸入數(shù)組的某個(gè)維度和輸出數(shù)組的對應(yīng)維度的長度相同或者其長度為 1 時(shí)，這個(gè)數(shù)組能夠用來計(jì)算，否則出錯(cuò)。

• 當(dāng)輸入數(shù)組的某個(gè)維度的長度為 1 時(shí)，沿著此維度運(yùn)算時(shí)都用此維度上的第一組值。

簡單理解：對兩個(gè)數(shù)組，分別比較他們的每一個(gè)維度（若其中一個(gè)數(shù)組沒有當(dāng)前維度則忽略），滿足：

• 數(shù)組擁有相同形狀。

• 當(dāng)前維度的值相等。

• 當(dāng)前維度的值有一個(gè)是 1。

若條件不滿足，拋出 "ValueError: frames are not aligned" 異常。

感謝各位的閱讀，以上就是“Python數(shù)據(jù)分析模塊Numpy切片、索引和廣播源碼分析”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對Python數(shù)據(jù)分析模塊Numpy切片、索引和廣播源碼分析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(yàn)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！