乐趣区

关于python:Numpy索引

jiezi

整数索引

个别模式：arr[frist_dim_index,second_dim_index,...,nth_dim_index]

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
print(x[2])  # 3

y = np.array([[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(x[2])  # [21 22 23 24 25]   
# x[2] == x[2,:]
print(x[2, 1])  # 22
# x[2, 1] == x[2][1]

切片索引

个别模式：arr[frist_dim_slice,second_dim_slice,...,nth_dim_slice]

Dots 索引

NumPy 容许应用 ... 示意足够多的冒号来构建残缺的索引列表。

  • x[1,2,...] 等于 x[1,2,:,:,:]
  • x[...,3] 等于 x[:,:,:,:,3]
  • x[4,...,5,:] 等于 x[4,:,:,5,:]

整数数组索引

个别模式：arr[frist_dim,second_dim,...,nth_dim]

一维数组，一维索引：

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
r = [0, 1, 2]
print(x[r])
# [1 2 3]

二维（多维）数组，一维索引：

x = np.array([[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]])
r = [0, 1, 2]
print(x[r])
# [[11 12 13 14 15]
#  [16 17 18 19 20]
#  [21 22 23 24 25]]

# x[r] 代表除了第零维，其余维度省略，等同于：[(0,:),(1,:),(2,:)]


r = [0, 1, 2]
c = [2, 3, 4]
y = x[r, c]
print(y)
# [13 19 25]
# x[r,c] 所有维度都没有省略，代表找出 [(0,2),(1,3),(2,4)] 的元素。

一维数组，多维索引：

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
r = np.array([[0, 1], [3, 4]])
print(x[r])
# [[1 2]
#  [4 5]]

# x[r]，只对第零维进行操作，找出第零维的索引，(0,1)一组，(3，4)一组，形成多维数组

多维数组，多维索引：

x = np.array([[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]])
r = np.array([[0, 1], [3, 4]])
print(x[r])
# [[[11 12 13 14 15]
#   [16 17 18 19 20]]
#
#  [[26 27 28 29 30]
#   [31 32 33 34 35]]]
# x[r]，只对第零维进行操作，找出第零维的索引，(0,1)一组，(3，4)一组，形成多维数组
# 相当于 [[(0,:),(1,:)][(3,:),(4,:)]]

r = np.array([[0, 0], [4, 4]])
c = np.array([[0, 4], [0, 4]])
y = x[r, c]
print(y)
# [[11 15]
#  [31 35]]

# 获取[[(0,0),(0,4)][(4,0),(4,4)]] 的元素

r = np.array([0,0])
c = np.array([[0, 4], [0, 4]])
y = x[r, c]
print(y)
# [[11, 15],
#  [11, 15]]

# 获取[[(0,0),(0,4)][(0,0),(0,4)]] 的元素
# 相当于 r = np.array([[0,0],[0,0]])  播送机制

切片 + 索引

x = np.array([[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]])

y = x[0:3, [1, 2, 2]]
print(y)
# [[12 13 13]
#  [17 18 18]
#  [22 23 23]]
# 第零维：(0:3) 取走，第一维取出 [1,2,2] 元素

np.take()

从指定轴抽取元素

x = np.array([[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]])
r = [0, 1, 2]
print(np.take(x, r, axis=0))
# [[11 12 13 14 15]
#  [16 17 18 19 20]
#  [21 22 23 24 25]]

print(np.take(x, r, axis=1))
#[[11 12 13]
# [16 17 18]
# [21 22 23]
# [26 27 28]
# [31 32 33]]

切片索引和整数索引的区别

切片索引所生成的数组视图始终是原始数组的子数组；然而整数索引生成的数组不是其子数组，而是新的数组

# 切片索引
a=np.array([[1,2],[3,4],[5,6]])
b=a[0:1,0:1]
b[0,0]=2
print(a[0,0]==b)
#[[True]]


# 整数索引
a=np.array([[1,2],[3,4],[5,6]])
b=a[0,0]
b=2
print(a[0,0]==b)
#False

优雅的数组迭代

apply_along_axis(func1d, axis, arr)

x = np.array([[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]])
y = np.apply_along_axis(np.sum, 0, x)
print(y)  # [105 110 115 120 125]

y = np.apply_along_axis(np.sum, 1, x)
print(y)  # [65  90 115 140 165]

这个中央很容易弄反，二维数据领有两个轴：第 0 轴沿着行的垂直往下，第 1 轴沿着列的方向程度延长。

比方 axis=0 时，是对垂直方向的数据进行顺次操作；axis=1 时，是对程度方向的数据进行顺次操作。

退出移动版