首页 > 代码库 > NumPy 学习（2）： 数组的操作
NumPy 学习（2）： 数组的操作
1. 简单一维数组的操作
一维数组的操作类似于python自身的list类型。
In [14]: arr = np.arange(10)In [15]: arrOut[15]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])# 第六个元素值In [16]: arr[5]Out[16]: 5# 第6,,7,8这三个元素的值In [17]: arr[5:8]Out[17]: array([5, 6, 7])
注意： 和list类型有很大的不同的是，操作原数组的子序列的时候，实际上就是操作原数组的数据。这就意味着数组中的数据没有被复制，任何在其子序列上的操作都会映射到原数组上。这是因为NumPy是被设计成处理大量数据的工具，如果采用复制的方式，其计算性能会大大折扣。
In [18]: arr_slice = arr[:4]In [19]: arr_slice[:] = 20In [20]: arr_sliceOut[20]: array([20, 20, 20, 20])# arr_slice中更改映射到了arr中In [21]: arrOut[21]: array([20, 20, 20, 20, 4, 5, 6, 7, 8, 9])
如果要执行显示的复制操作可以通过条用copy()函数： arr[:3].copy
2. 高维维数组上的操作
2.1 二维数组索引访问：
# 产生1-9的数
In [28]: arr2d = np.arange(1,10).reshape((3,3))In [29]: arr2dOut[29]: array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 访问第一行数据In [30]: arr2d[0]Out[30]: array([1, 2, 3])# 访问第一行第二个数据In [31]: arr2d[0][1]Out[31]: 2In [32]: arr2d[0,1]Out[32]: 2
2.2 以划分（slice）的方式来取得部分数据：
2.3 索引(index)访问和划分(slice)的不同
索引是通过坐标定位数据的位置并获取其值，arr2d[[0,1],[0,1]] 实际上是获取(0,0)，(1,1)位置上的数据，是获取交汇点上的数据。
划分是将设定范围的数据提取出来，arr2d[:2, :2]实际上就是把1-2行与1-2列中的数据划分出来，是一个区域。
In [67]: arr2d = np.arange(1,10).reshape(3,3)
# 划分的方式划分数据
In [68]: arr2d[:2, :2]Out[68]: array([[1, 2], [4, 5]])# 以索引方式访问数据In [69]: arr2d[[0,1],[0,1]]Out[69]: array([1, 5])
将8 * 4 的一个二维数组的1,3,5,7行，和 4,3,2,1列重新组成一个二维数组。如果用以下方法，肯定是不行的：
In [71]: arr = np.arange(32).reshape(8,4)In [72]: arrOut[72]: 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, 27], [28, 29, 30, 31]])# 错误的做法，其实是获取(0,3),(2,2),(4,1),(6,0)位置上的值In [73]: arr[[0,2,4,6],[3,2,1,0]]Out[73]: array([ 3, 10, 17, 24])
正确的方法：
# 先获取1，3，5，7行的数据
In [74]: arr_temp = arr[[0,2,4,6]]In [75]: arr_tempOut[75]: array([[ 0, 1, 2, 3], [ 8, 9, 10, 11], [16, 17, 18, 19], [24, 25, 26, 27]])# 划分数组，并组成新的数组In [76]: arr_temp[:,[3,2,1,0]]Out[76]: array([[ 3, 2, 1, 0], [11, 10, 9, 8], [19, 18, 17, 16], [27, 26, 25, 24]])
实现此功能还可以调用np.ix_() 函数:
In [77]: arr[np.ix_([0,2,4,6],[3,2,1,0])]Out[77]: array([[ 3, 2, 1, 0], [11, 10, 9, 8], [19, 18, 17, 16], [27, 26, 25, 24]])
2.4 高维数组访问：
# 用reshape生成三维数组
In [33]: arr3d = np.arange(1,13).reshape((2,2,3))In [34]: arr3dOut[34]: array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]])# 用传统的array函数生成三维数组In [35]: arr3d = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])In [36]: arr3dOut[36]: array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]])# arr3d[0]是一个2*3的数组In [37]: arr3d[0]Out[37]: array([[1, 2, 3], [4, 5, 6]])# arr3d[0,0]是一个一维数组In [38]: arr3d[0,0]Out[38]: array([1, 2, 3])In [39]: arr3d[0,0,0]Out[39]: 1
2.5 数组赋值操作：
# 第一个2 * 3 数组的值全变为 32
In [40]: arr3d[0] = 32In [41]: arr3dOut[41]: array([[[32, 32, 32], [32, 32, 32]], [[ 7, 8, 9], [10, 11, 12]]])In [42]: old_values = arr3d[0]# 将一个2 *3 的数组赋给arr3d[0]In [43]: arr3d[0] = old_valuesIn [44]: arr3dOut[44]: array([[[32, 32, 32], [32, 32, 32]], [[ 7, 8, 9], [10, 11, 12]]])
3. 布尔索引
数据准备：
# 七个名字
In [2]: names = np.array([‘Bob‘, ‘Joe‘, ‘Will‘, ‘Bob‘, ‘Will‘, ‘Joe‘, ‘Joe‘])In [3]: namesOut[3]: array([‘Bob‘, ‘Joe‘, ‘Will‘, ‘Bob‘, ‘Will‘, ‘Joe‘, ‘Joe‘], dtype=‘|S4‘)# 生成7行，4列的随机数组，每一行对应names中一个人的数据In [4]: data = http://www.mamicode.com/randn(7,4)In [5]: dataOut[5]: array([[ 0.54643196, 0.98876451, 1.55499825, 1.88240798], [ 1.39695977, -1.59576937, 0.42445372, 1.73588157], [ 0.61992879, -0.13706965, 1.87869165, 1.28724149], [ 0.59114346, -0.50032077, 1.29182197, 0.54644327], [ 0.59344412, -0.06566168, -0.01759809, 0.22191015], [-1.57663889, -0.08607805, -0.36048361, -0.94029737], [-0.32203015, 0.59462972, 1.10737098, -1.9473386 ]])
用布尔数组筛选二维数组的行，布尔数组的大小和二维数组的行数要相同
In [12]: names=="Bob"Out[12]: array([ True, False, False, True, False, False, False], dtype=bool)
# 选取 Bob 的数据In [13]: data[names == "Bob"]Out[13]: array([[ 0.54643196, 0.98876451, 1.55499825, 1.88240798], [ 0.59114346, -0.50032077, 1.29182197, 0.54644327]])
布尔索引和普通索引混合使用：
In [13]: data[names == "Bob"]Out[13]: array([[ 0.54643196, 0.98876451, 1.55499825, 1.88240798], [ 0.59114346, -0.50032077, 1.29182197, 0.54644327]])In [14]: data[names == "Bob",2:]Out[14]: array([[ 1.55499825, 1.88240798], [ 1.29182197, 0.54644327]])
“与或非“操作。 python 中的 and , or 等关键字在这里不能实现
# 或操作
In [20]: (names == ‘Bob‘) | (names == ‘Will‘)
Out[20]: array([ True, False, True, True, True, False, False], dtype=bool)
# 与操作
In [21]: (names == ‘Bob‘) & (names == ‘Will‘)
Out[21]: array([False, False, False, False, False, False, False], dtype=bool)
# 下边两种 非操作
In [22]: names != "Bob"
Out[22]: array([False, True, True, False, True, True, True], dtype=bool)
In [23]: -(names == "Bob")
Out[23]: array([False, True, True, False, True, True, True], dtype=bool)
二维布尔类型索引：
In [24]: data < 0Out[24]: array([[False, False, False, False], [False, True, False, False], [False, True, False, False], [False, True, False, False], [False, True, True, False], [ True, True, True, True], [ True, False, False, True]], dtype=bool)# 将小于0的元素的值改为0In [25]: data[ data < 0] = 0In [26]: dataOut[26]: array([[ 0.54643196, 0.98876451, 1.55499825, 1.88240798], [ 1.39695977, 0. , 0.42445372, 1.73588157], [ 0.61992879, 0. , 1.87869165, 1.28724149], [ 0.59114346, 0. , 1.29182197, 0.54644327], [ 0.59344412, 0. , 0. , 0.22191015], [ 0. , 0. , 0. , 0. ], [ 0. , 0.59462972, 1.10737098, 0. ]])
NumPy 学习（2）： 数组的操作
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。