Numpy?數(shù)組索引的實(shí)現(xiàn)
數(shù)組索引是指使用方括號(hào)([])來索引數(shù)組值,numpy提供了比常規(guī)的python序列更多的索引工具。除了按整數(shù)和切片索引之外,數(shù)組可以由整數(shù)數(shù)組索引、布爾索引及花式索引。下面逐一學(xué)習(xí)。
一、整數(shù)索引
這種機(jī)制有助于基于 N 維索引來獲取數(shù)組中任意元素。 每個(gè)整數(shù)數(shù)組表示該維度的下標(biāo)值。 當(dāng)索引的元素個(gè)數(shù)就是目標(biāo)ndarray的維度時(shí),會(huì)變得相當(dāng)直接。
import numpy as np >>> s = np.arange(27).reshape(3,3,3) >>> s 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]]]) >>> s[1] array([[ 9, 10, 11], ? ? ? ?[12, 13, 14], ? ? ? ?[15, 16, 17]]) >>> s[1][1] array([12, 13, 14]) >>> s[1][1][1] 13
二、切片索引
原理:切片操作是指抽取數(shù)組的一部分元素生成新數(shù)組。對(duì) python 列表進(jìn)行切片操作得到的數(shù)組是原數(shù)組的副本,而對(duì) Numpy 數(shù)據(jù)進(jìn)行切片操作得到的數(shù)組則是指向相同緩沖區(qū)的視圖。如果想抽?。ɑ虿榭矗?shù)組的一部分,必須使用切片語法,也就是,把幾個(gè)用冒號(hào)( start:stop:step )隔開的數(shù)字置于方括號(hào)內(nèi)。為了更好地理解切片語法,還應(yīng)該了解不明確指明起始和結(jié)束位置的情況。如省去第一個(gè)數(shù)字,numpy 會(huì)認(rèn)為第一個(gè)數(shù)字是0;如省去第二個(gè) 數(shù)字,numpy 則會(huì)認(rèn)為第二個(gè)數(shù)字是數(shù)組的大索引值;如省去后一個(gè)數(shù)字,它將會(huì)被理解為1,也就是抽取所有元素而不再考慮間隔。
2.1、一維數(shù)組切片
同python 中l(wèi)ist 切片
>>> s1 = np.array([3, 8, 6, 9, 0]) >>> s1 array([3, 8, 6, 9, 0]) >>> s1[3] 9 >>> s1[1:3] array([8, 6]) >>> s1[-1] 0 >>> s1[2:] array([6, 9, 0]) >>> s1[:4] array([3, 8, 6, 9]) >>> s1[:] array([3, 8, 6, 9, 0])
2.2、多維數(shù)組切片
>>> s2 = np.arange(12).reshape(3,4) >>> s2 array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) >>> s2[1] array([4, 5, 6, 7]) >>> s2[1][:1] array([4]) >>> s2[1][:3] array([4, 5, 6])
三、整數(shù)數(shù)組索引
數(shù)組作為索引的一大優(yōu)勢,便是可以將索引得到的結(jié)果組織成自己想要的形狀。
輸出結(jié)果的shape與索引數(shù)組的shape相同,而輸出中各個(gè)元素的取值,便是由各個(gè)索引數(shù)組對(duì)應(yīng)位置的值作為index索引得到。
3.1、 一維數(shù)組的整數(shù)數(shù)組索引
>>> x = np.arange(10,1,-1) >>> x array([10, 9, 8, 7, 6, 5, 4, 3, 2]) >>> x[np.array([3, 3, 1, 8])] array([7, 7, 9, 2]) >>> x[np.array([[0,1][2,3]])] array([[10, 9], [ 8, 7]])
3.2、多維數(shù)組的整數(shù)數(shù)組索引
>>> a = np.arange(15).reshape(3,5) >>> a array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) >>> a[np.array([0,2])] # 獲取數(shù)組的第0行和第2行 array([[ 0, 1, 2, 3, 4], [10, 11, 12, 13, 14]]) >>> a[np.array([0,2]),np.array([1,3])] # 獲取數(shù)組第0行的第二個(gè)元素和第2行的第四個(gè)元素 array([ 1, 13]) >>> a[np.array([1,2])] array([[ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) # 獲取數(shù)組a[np.array([[0,2])] 的第一行的第二個(gè)元素和第二行的第四個(gè)元素... >>> a[np.array([[0,2],[1,2]]),np.array([[1,3],[0,2]])] array([[ 1, 13], [ 5, 12]])
每一個(gè)索引數(shù)組單獨(dú)控制一個(gè)維度。例如對(duì)于 a[np.array([[0,2],[1,2]]),np.array([[1,3],[0,2]])],此時(shí)np.array([[0,2],[1,2]])控制輸出的對(duì)應(yīng)位置的行索引,np.array([[1,3],[0,2]])]控制輸出的對(duì)應(yīng)位置的列索引。行列索引組織在一起,便可以得到輸出的每個(gè)位置的索引。
具體地,對(duì)于a[np.array([[0,2],[1,2]]),np.array([[1,3],[0,2]])],
由于np.array([[0,2],[1,2]])的shape為(2, 2),因此輸出是一個(gè)(2,2)的矩陣。
在左上位置,行索引為0,列索引為1,值為1;
在右上位置,行索引為2,列索引為3,值為13;
在左下位置,行索引為0,列索引為1,值為5;
在右下位置,行索引為2,列索引為2, 值為12。
因此輸出的矩陣即為,array([[1, 13],[5, 12]])。
充分利用"廣播"機(jī)制,以及對(duì)于維度數(shù)量的省略,使得以數(shù)組作為索引的方式有更加靈活的應(yīng)用,例如:
>>> a = np.arange(15).reshape(3,5) >>> a array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) >>> a[np.array([0,2]),3] array([ 3, 13]) >>> a[np.array([0,2])] array([[ 0, 1, 2, 3, 4], [10, 11, 12, 13, 14]])
在上例中,a[np.array([0,2]),3] 便可以廣播為 a[np.array([0,2]),np.array([3,3])],從而化為我們熟悉的形式。而 a[np.array([0,2])] 通過省略一個(gè)維度,達(dá)到索引該維度全體數(shù)據(jù)的效果。
四、布爾索引
bool數(shù)組可以通過直接指出保留的值(True)與舍棄的值(False),來構(gòu)建輸出的數(shù)組。
bool數(shù)組的shape需要與被索引的數(shù)組(的前若干個(gè)維度)shape嚴(yán)格對(duì)齊。
>>> a = np.arange(15).reshape(3,5) >>> a array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) >>> b = a > 10 >>> b array([[False, False, False, False, False], [False, False, False, False, False], [False, True, True, True, True]]) >>> a[b] array([11, 12, 13, 14])
使用bool 值獲取數(shù)組元素
>>> a = np.arange(15).reshape(3,5) >>> a array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) >>> a[np.array([True])] Traceback (most recent call last): File "<stdin>", line 1, in <module> IndexError: boolean index did not match indexed array along dimension 0; dimension is 3 but corresponding boolean dimension is 1 >>> a[np.array([True, False])] Traceback (most recent call last): File "<stdin>", line 1, in <module> IndexError: boolean index did not match indexed array along dimension 0; dimension is 3 but corresponding boolean dimension is 2 >>> a[np.array([True, False,False])] array([[0, 1, 2, 3, 4]]) >>> a[np.array([False, False,False])] array([], shape=(0, 5), dtype=int64) >>> a[np.array([False, False,True])] array([[10, 11, 12, 13, 14]]) >>> a[np.array([True, True,True])] array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) >>> a[np.array([False, False,True]),np.array([True,False,True,False,True])] array([10, 12, 14])
五、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(duì)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(duì)應(yīng)位置的元素,如果目標(biāo)是二維數(shù)組,那么就是對(duì)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。
>>> a = np.arange(12)**2 >>> a array([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81, 100, 121]) >>> i = np.array( [ 1,1,3,8,5 ] ) >>> i array([1, 1, 3, 8, 5]) >>> a[i] array([ 1, 1, 9, 64, 25]) >>> j = np.array( [ [ 3, 4], [ 9, 7 ] ] ) >>> j array([[3, 4], [9, 7]]) >>> a[j] array([[ 9, 16], [81, 49]])
當(dāng)被索引的數(shù)組是多維數(shù)組時(shí),將按照它的第一軸進(jìn)行索引的
>>> p = np.arange(27).reshape(3,3,3) >>> p 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]]]) >>> l = np.array([[0, 2, 1],[1,2,1]]) >>> p[l] array([[[[ 0, ?1, ?2], ? ? ? ? ?[ 3, ?4, ?5], ? ? ? ? ?[ 6, ?7, ?8]], ? ? ? ? [[18, 19, 20], ? ? ? ? ?[21, 22, 23], ? ? ? ? ?[24, 25, 26]], ? ? ? ? [[ 9, 10, 11], ? ? ? ? ?[12, 13, 14], ? ? ? ? ?[15, 16, 17]]], ? ? ? ?[[[ 9, 10, 11], ? ? ? ? ?[12, 13, 14], ? ? ? ? ?[15, 16, 17]], ? ? ? ? [[18, 19, 20], ? ? ? ? ?[21, 22, 23], ? ? ? ? ?[24, 25, 26]], ? ? ? ? [[ 9, 10, 11], ? ? ? ? ?[12, 13, 14], ? ? ? ? ?[15, 16, 17]]]]) >>> c = np.array([0,0,0]) >>> p[c] array([[[0, 1, 2], ? ? ? ? [3, 4, 5], ? ? ? ? [6, 7, 8]], ? ? ? ?[[0, 1, 2], ? ? ? ? [3, 4, 5], ? ? ? ? [6, 7, 8]], ? ? ? ?[[0, 1, 2], ? ? ? ? [3, 4, 5], ? ? ? ? [6, 7, 8]]])
參考文檔
1、https://blog.csdn.net/qq_45759562/article/details/109249685
2、https://zhuanlan.zhihu.com/p/427216184
3、http://t.zoukankan.com/lavender1221-p-12651442.html
4、https://www.runoob.com/numpy/numpy-advanced-indexing.html
到此這篇關(guān)于Numpy 數(shù)組索引的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)Numpy 數(shù)組索引內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
Pandas使用分隔符或正則表達(dá)式將字符串拆分為多列
本文主要介紹了Pandas使用分隔符或正則表達(dá)式將字符串拆分為多列,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-02-02Python辦公自動(dòng)化之自動(dòng)化文本翻譯詳解
這篇文章主要為大家詳細(xì)介紹了Python辦公自動(dòng)化中自動(dòng)化文本翻譯的相關(guān)知識(shí),文中的示例代碼講解詳細(xì),感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下2024-01-01Python計(jì)算兩個(gè)矩形重合面積代碼實(shí)例
這篇文章主要介紹了Python 實(shí)現(xiàn)兩個(gè)矩形重合面積代碼實(shí)例,文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-09-09python計(jì)算牛頓迭代多項(xiàng)式實(shí)例分析
這篇文章主要介紹了python計(jì)算牛頓迭代多項(xiàng)式的方法,涉及Python數(shù)學(xué)運(yùn)算的相關(guān)技巧,需要的朋友可以參考下2015-05-05Python實(shí)現(xiàn)本地緩存的幾種方法小結(jié)
緩存是一種常見的技術(shù),用于存儲(chǔ)重復(fù)請(qǐng)求的結(jié)果,Python 作為一種靈活的編程語言,提供了多種實(shí)現(xiàn)本地緩存的方法,本文將探討 Python 中實(shí)現(xiàn)本地緩存的幾種策略,并提供具體的代碼示例,感興趣的小伙伴跟著小編一起來看看吧2024-07-07