Numpy?數(shù)組索引的實現(xiàn)
數(shù)組索引是指使用方括號（[]）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
這種機制有助于基于 N 維索引來獲取數(shù)組中任意元素。 每個整數(shù)數(shù)組表示該維度的下標值。 當索引的元素個數(shù)就是目標ndarray的維度時，會變得相當直接。
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 python 列表進行切片操作得到的數(shù)組是原數(shù)組的副本，而對 Numpy 數(shù)據(jù)進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，把幾個用冒號（ start:stop:step ）隔開的數(shù)字置于方括號內(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。如省去第一個數(shù)字，numpy 會認為第一個數(shù)字是0；如省去第二個 數(shù)字，numpy 則會認為第二個數(shù)字是數(shù)組的大索引值；如省去后一個數(shù)字，它將會被理解為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，而輸出中各個元素的取值，便是由各個索引數(shù)組對應(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行的第二個元素和第2行的第四個元素
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])] 的第一行的第二個元素和第二行的第四個元素...
>>> a[np.array([[0,2],[1,2]]),np.array([[1,3],[0,2]])]
array([[ 1, 13],
[ 5, 12]])
每一個索引數(shù)組單獨控制一個維度。例如對于 a[np.array([[0,2],[1,2]]),np.array([[1,3],[0,2]])]，此時np.array([[0,2],[1,2]])控制輸出的對應(yīng)位置的行索引，np.array([[1,3],[0,2]])]控制輸出的對應(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位置的索引。
具體地，對于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（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"機制，以及對于維度數(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])] 通過省略一個維度，達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（的前若干個維度）shape嚴格對齊。
>>> 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)組進行索引。
花式索引根據(jù)索引數(shù)組的值作為目標數(shù)組的某個軸的下標來取值。
對于使用一維整型數(shù)組作為索引，如果目標是一維數(shù)組，那么索引的結(jié)果就是對應(yīng)位置的元素，如果目標是二維數(shù)組，那么就是對應(yīng)下標的行。
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]])
當被索引的數(shù)組是多維數(shù)組時，將按照它的第一軸進行索引的
>>> 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
xlwings是一個用于在Excel和Python之間進行交互的庫,它允許您使用Python操作Excel文件,包括讀取和寫入數(shù)據(jù),運行宏,設(shè)置格式等等,我們可以使用xlwings來處理Excel文件中的數(shù)據(jù),執(zhí)行各種操作,所以本文小編就給大家python xlwings模塊用法2023-09-09
本文主要介紹了Pandas使用分隔符或正則表達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，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-02-02
這篇文章主要為大家詳細介紹了Python辦公自動化中自動化文本翻譯的相關(guān)知識,文中的示例代碼講解詳細,感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下2024-01-01
這篇文章主要介紹了簡介Python中用于處理字符串的center()方法,是Python入門中的基礎(chǔ)知識,需要的朋友可以參考下2015-05-05
這篇文章主要為大家詳細介紹了python實現(xiàn)梯度下降求解邏輯回歸，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-07-07
這篇文章主要介紹了Python 實現(xiàn)兩個矩形重合面積代碼實例,文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2019-09-09
這篇文章主要介紹了python中的super,python中的super，名為超類，可以簡單的理解為執(zhí)行父類的__init__函數(shù)，本文就著重看下super的具體作用，需要的朋友可以參考下2022-03-03
在實際項目中,往往有這樣的需求:對采集到的數(shù)據(jù)進行數(shù)據(jù)處理(曲線擬合),再計算出一些想要的參數(shù),比如峰值/dip值/周期等等,下面這篇文章主要給大家介紹了關(guān)于如何利用Python擬合函數(shù)曲線的相關(guān)資料,需要的朋友可以參考下2022-04-04
這篇文章主要介紹了python計算牛頓迭代多項式的方法,涉及Python數(shù)學(xué)運算的相關(guān)技巧,需要的朋友可以參考下2015-05-05
Python實現(xiàn)本地緩存的幾種方法小結(jié)
緩存是一種常見的技術(shù),用于存儲重復(fù)請求的結(jié)果,Python 作為一種靈活的編程語言,提供了多種實現(xiàn)本地緩存的方法,本文將探討 Python 中實現(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