NumPy（十）：ndarray数组索引、切片

今天药忘吃喽~ 2023-09-29 08:40 66阅读 0赞

一维、二维、三维的数组如何索引？

*  直接进行索引,切片
 *  对象\[ : , : , : \] – 先行后列 (以逗号分开各个维度，第1组表示第1维的切片方式，第2组表示第2维的切片方式…)

## 一、基本索引及切片 ##

### 1、一维数组索引及切片 ###

import numpy as np
    
    # 一维数组索引及切片
    ar = np.arange(20)
    print('ar = ', ar)
    print('ar[4] = ', ar[4])
    print('ar[3:6] = ', ar[3:6])

打印结果：

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

### 2、二维数组索引及切片 ###

# 二维数组索引及切片
    ar = np.array([[0, 1, 2, 3],
                   [4, 5, 6, 7],
                   [8, 9, 10, 11],
                   [12, 13, 14, 15]])
    print('ar = {0}; ar数组轴数 = {1}'.format(ar, ar.ndim))  # 4*4的数组
    print('\nar[2] = {0}; ar[2]数组轴数 = {1}'.format(ar[2], ar[2].ndim))  # 切片为下一维度的一个元素，所以是一维数组
    print('\nar[2][1] = {0}; ar[2][1]数组轴数 = {1}'.format(ar[2][1], ar[2][1].ndim))  # 二次索引，得到一维数组中的一个值
    print('\nar[1:3] = {0}; ar[1:3]数组轴数 = {1}'.format(ar[1:3], ar[1:3].ndim))  # 切片为两个一维数组组成的二维数组
    print('\nar[2, 2] = {0}; ar[2, 2]数组轴数 = {1}'.format(ar[2, 2], ar[2, 2].ndim))  # 切片数组中的第三行第三列 → 10
    print('\nar[:2, 1:] = {0}; ar[:2, 1:]数组轴数 = {1}'.format(ar[:2, 1:], ar[:2, 1:].ndim))  # 切片数组中的1,2行、2,3,4列 → 二维数组

打印结果：

ar = [
    	[ 0  1  2  3]
     	[ 4  5  6  7]
     	[ 8  9 10 11]
     	[12 13 14 15]]; ar数组轴数 = 2
    
    ar[2] = [ 8  9 10 11]; ar[2]数组轴数 = 1
    
    ar[2][1] = 9; ar[2][1]数组轴数 = 0
    
    ar[1:3] = [[ 4  5  6  7]
     [ 8  9 10 11]]; ar[1:3]数组轴数 = 2
    
    ar[2, 2] = 10; ar[2, 2]数组轴数 = 0
    
    ar[:2, 1:] = [[1 2 3]
     [5 6 7]]; ar[:2, 1:]数组轴数 = 2

二维数组索引方式：

*  举例：获取第一个股票的前3个交易日的涨跌幅数据

# 二维的数组，两个维度 
    stock_change[0, 0:3]

返回结果：

array([-0.03862668, -1.46128096, -0.75596237])

### 3、三维数组索引及切片 ###

# **三维数组索引及切片
    ar = np.array([[[0, 1],
                    [2, 3]],
                   [[4, 5],
                    [6, 7]]])
    
    print('ar = {0}; ar数组轴数 = {1}'.format(ar, ar.ndim))  # 2*2*2的数组
    print('ar[0] = {0}; ar[0]数组轴数 = {1}'.format(ar[0], ar[0].ndim))  # 三维数组的下一个维度的第一个元素 → 一个二维数组
    print('ar[0][0] = {0}; ar[0][0]数组轴数 = {1}'.format(ar[0][0], ar[0][0].ndim))  # 三维数组的下一个维度的第一个元素下的第一个元素 → 一个一维数组
    print('ar[0][0][1] = {0}; ar[0][0][1]数组轴数 = {1}'.format(ar[0][0][1], ar[0][0][1].ndim))

打印结果：

ar = [[[0 1]
      [2 3]]
    
     [[4 5]
      [6 7]]]; ar数组轴数 = 3
    ar[0] = [[0 1]
     [2 3]]; ar[0]数组轴数 = 2
    ar[0][0] = [0 1]; ar[0][0]数组轴数 = 1
    ar[0][0][1] = 1; ar[0][0][1]数组轴数 = 0

*  三维数组索引方式：

# 三维
    a1 = np.array([ [[1,2,3],[4,5,6]], [[12,3,34],[5,6,7]]])
    # 返回结果
    array([[[ 1,  2,  3],
            [ 4,  5,  6]],
    
           [[12,  3, 34],
            [ 5,  6,  7]]])
    # 索引、切片
    >>> a1[0, 0, 1]   # 输出: 2

## 二、布尔型索引及切片 ##

import numpy as np
    
    ar = np.array([[0, 1, 2, 3],
                   [4, 5, 6, 7],
                   [8, 9, 10, 11]])
    
    # 布尔型索引：以布尔型的矩阵去做筛选
    i = np.array([True, False, True])
    j = np.array([True, True, False, False])
    print('ar = ', ar)
    print('\ni = ', i)
    print('\nj = ', j)
    print('\nar[i, :] = ', ar[i, :])  # 在第一维度做判断，只保留True，这里第一维度就是行，ar[i,:] = ar[i]（简单书写格式）
    print('\nar[:, j] = ', ar[:, j])  # 在第二维度做判断，这里如果ar[:,i]会有警告，因为i是3个元素，而ar在列上有4个
    print('-' * 100)
    
    m = ar > 5
    print('m = ', m)  # 这里m是一个判断矩阵
    print('\nar[m] = ', ar[m])  # 用m判断矩阵去筛选ar数组中>5的元素 → 重点！后面的pandas判断方式原理就来自此处

打印结果：

ar =  [[ 0  1  2  3]
     [ 4  5  6  7]
     [ 8  9 10 11]]
    
    i =  [ True False  True]
    
    j =  [ True  True False False]
    
    ar[i, :] =  [[ 0  1  2  3]
     [ 8  9 10 11]]
    
    ar[:, j] =  [[0 1]
     [4 5]
     [8 9]]
    ----------------------------------------------------------------------------------------------------
    m =  [[False False False False]
     [False False  True  True]
     [ True  True  True  True]]
    
    ar[m] =  [ 6  7  8  9 10 11]
    
    Process finished with exit code 0

## 三、数组索引及切片的值更改、复制 ##

一个标量赋值给一个索引/切片时，会自动改变/传播原始数组

import numpy as np
    
    # 一个标量赋值给一个索引/切片时，会自动改变/传播原始数组
    
    ar = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    print('ar = ', ar)
    
    # 数组索引及切片的值更改、复制
    ar[5] = 100
    ar[7:9] = 200
    print('ar = ', ar)
    print('-' * 100)
    
    # 复制
    ar = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    b = ar.copy()
    b[7:9] = 200
    print('ar = ', ar)
    print('b = ', b)

打印结果：

ar =  [0 1 2 3 4 5 6 7 8 9]
    ar =  [  0   1   2   3   4 100   6 200 200   9]
    ----------------------------------------------------------------------------------------------------
    ar =  [0 1 2 3 4 5 6 7 8 9]
    b =  [  0   1   2   3   4   5   6 200 200   9]
    
    Process finished with exit code 0