NumPy 学习： 数组的操作

Posted 2020-08-09 Amei6536

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]: arr
Out[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[:] = 20

In [20]: arr_slice
Out[20]: array([20, 20, 20, 20])
# arr_slice中更改映射到了arr中
In [21]: arr
Out[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]: arr2d
Out[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]: 2

In [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]: arr
Out[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_temp
Out[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]: arr3d
Out[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]: arr3d
Out[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] = 32

In [41]: arr3d
Out[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_values

In [44]: arr3d
Out[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]: names
Out[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 = randn(7,4)

In [5]: data
Out[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 < 0
Out[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0
In [25]: data[ data < 0] = 0

In [26]: data
Out[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.        ]])