Numpy 索引、切片:
数组索引机制指的是用方括号（[]）加序号的形式引用单个数组元素，它的用处很多，比如抽取元素，选取数组的几个元素，甚至为其赋一个新值。
ndarray对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。
ndarray 数组可以基于 0 - n 的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。
import numpy as npa = np.arange(10)s = slice(2,7,2) # 从索引 2 开始到索引 7 停止，间隔为2print (a[s])[2 4 6] #输出结果
通过 arange() 函数创建 ndarray 对象。然后，分别设置起始，终止和步长的参数为 2，7 和 2。
我们也可以通过冒号分隔切片参数 start:stop:step 来进行切片操作：
import numpy as npa = np.arange(10)b = a[2:7:2] # 从索引 2 开始到索引 7 停止，间隔为 2print(b)
冒号
如果只放置一个参数，如 [2]，将返回与该索引相对应的单个元素。如果为 [2:]，表示从该索引开始以后的所有项都将被提取。如果使用了两个参数，如 [2:7]，那么则提取两个索引(不包括停止索引)之间的项。
import numpy as npa = np.arange(10) # [0 1 2 3 4 5 6 7 8 9]b = a[5]print(b)5 #输出结果
例：
import numpy as npa = np.arange(10)print(a[2:])[2 3 4 5 6 7 8 9] #输出结果
dots索引
Numpy允许使用....表示足够多的冒号来构建完整的索引列表。
比如，如果 x
是 5 维数组：
x[1,2,...]
等于x[1,2,:,:,:]x[...,3]
等于x[:,:,:,:,3]x[4,...,5,:]
等于x[4,:,:,5,:]
import numpy as npx = np.random.randint(1, 100, [2, 2, 3])print(x)# [[[ 5 64 75]# [57 27 31]]## [[68 85 3]# [93 26 25]]]print(x[1, ...])# [[68 85 3]# [93 26 25]]print(x[..., 2])# [[75 31]# [ 3 25]]
省略号
切片可以包括省略号.... ,来使选择元组的长度与数组的维度相同。如果在行位置使用省略号，它将返回包含行中元素的ndarray。
import numpy as npa = np.array([[1,2,3],[3,4,5],[4,5,6]])print (a[...,1]) # 第2列元素print (a[1,...]) # 第2行元素print (a[...,1:]) # 第2列及剩下的所有元素
[2 4 5][3 4 5][[2 3][4 5][5 6]]
整数数组索引
import numpy as npa=np.array([[1,2],[3,4],[5,6]])b=a[0,0]b=2print(a[0,0]==b)#False
布尔索引
通过一个布尔数组来索引目标数组。
import numpy as npx = np.array([1, 2, 3, 4, 5, 6, 7, 8])y = x > 5print(y)# [False False False False False True True True]print(x[x > 5])# [6 7 8]x = np.array([np.nan, 1, 2, np.nan, 3, 4, 5])y = np.logical_not(np.isnan(x))print(x[y])# [1. 2. 3. 4. 5.]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 > 25print(y)# [[False False False False False]# [False False False False False]# [False False False False False]# [ True True True True True]# [ True True True True True]]print(x[x > 25])# [26 27 28 29 30 31 32 33 34 35]
多维数组同上索引方法:
import numpy as npa = np.array([[1,2,3],[3,4,5],[4,5,6]])print(a)# 从某个索引处开始切割print('从数组索引 a[1:] 处开始切割')print(a[1:])
[[1 2 3] #结果输出[3 4 5][4 5 6]]从数组索引 a[1:] 处开始切割[[3 4 5][4 5 6]]
副本与视图
Numpy 中，尤其是在做数组运算或数组操作时，返回结果不是数组的 副本 就是 视图。
Numpy 中，所有赋值运算不会为数组和数组中的任何元素创建副本。
numpy.ndarray.copy() 函数创建一个副本。对副本数据进行修改，不会影响到原始数据，它们物理内存不在同一位置。
import numpy as npx = np.array([1, 2, 3, 4, 5, 6, 7, 8])y = xy[0] = -1print(x)# [-1 2 3 4 5 6 7 8]print(y)# [-1 2 3 4 5 6 7 8]x = np.array([1, 2, 3, 4, 5, 6, 7, 8])y = x.copy()y[0] = -1print(x)# [1 2 3 4 5 6 7 8]print(y)# [-1 2 3 4 5 6 7 8]
数组迭代
除了for循环，Numpy 还提供另外一种更为优雅的遍历方法。
apply_along_axis(func1d, axis, arr)
Apply a function to 1-D slices along the given axis.
import numpy as npx = 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]y = np.apply_along_axis(np.mean, 0, x)print(y) # [21. 22. 23. 24. 25.]y = np.apply_along_axis(np.mean, 1, x)print(y) # [13. 18. 23. 28. 33.]def my_func(x):return (x[0] + x[-1]) * 0.5y = np.apply_along_axis(my_func, 0, x)print(y) # [21. 22. 23. 24. 25.]y = np.apply_along_axis(my_func, 1, x)print(y) # [13. 18. 23. 28. 33.]
参考：
https://github.com/datawhalechina/team-learning-program/blob/master/IntroductionToNumpy/task02%20%E7%B4%A2%E5%BC%95/05.%20%E7%B4%A2%E5%BC%95%E3%80%81%E5%88%87%E7%89%87%E4%B8%8E%E8%BF%AD%E4%BB%A3.ipynb
