整数数组索引
以下实例获取数组中 (0,0)，(1,1) 和 (2,0) 位置处的元素。
实例import numpy as np x = np.array([[1, 2], [3, 4], [5, 6]]) y = x[[0,1,2], [0,1,0]] print (y)
输出结果为：
[1 4 5]
以下实例获取了 4X3 数组中的四个角的元素。 行索引是 [0,0] 和 [3,3]，而列索引是 [0,2] 和 [0,2]。
实例import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print ('我们的数组是：' )print (x)print ('\n')rows = np.array([[0,0],[3,3]]) cols = np.array([[0,2],[0,2]]) y = x[rows,cols] print ('这个数组的四个角元素是：')print (y)
输出结果为：
我们的数组是：[[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]]这个数组的四个角元素是：[[ 0 2] [ 9 11]]
返回的结果是包含每个角元素的 ndarray 对象。
可以借助切片 : 或 … 与索引数组组合。如下面例子：
实例import numpy as np a = np.array([[1,2,3], [4,5,6],[7,8,9]])b = a[1:3, 1:3]c = a[1:3,[1,2]]d = a[...,1:]print(b)print(c)print(d)
输出结果为：
[[5 6] [8 9]][[5 6] [8 9]][[2 3] [5 6] [8 9]]布尔索引
我们可以通过一个布尔数组来索引目标数组。
布尔索引通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。
以下实例获取大于 5 的元素：
实例import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print ('我们的数组是：')print (x)print ('\n')# 现在我们会打印出大于 5 的元素 print ('大于 5 的元素是：')print (x[x > 5])
输出结果为：
我们的数组是：[[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]]大于 5 的元素是：[ 6 7 8 9 10 11]
以下实例使用了 ~（取补运算符）来过滤 NaN。
实例import numpy as np a = np.array([np.nan, 1,2,np.nan,3,4,5]) print (a[~np.isnan(a)])
输出结果为：
[ 1. 2. 3. 4. 5.]
以下实例演示如何从数组中过滤掉非复数元素。
实例import numpy as np a = np.array([1, 2+6j, 5, 3.5+5j]) print (a[np.iscomplex(a)])
输出如下：
[2.0+6.j 3.5+5.j]花式索引
花式索引指的是利用整数数组进行索引。
花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。
对于使用一维整型数组作为索引，如果目标是一维数组，那么索引的结果就是对应位置的元素，如果目标是二维数组，那么就是对应下标的行。
花式索引跟切片不一样，它总是将数据复制到新数组中。
一维数组
一维数组只有一个轴 axis = 0，所以一维数组就在 axis = 0 这个轴上取值：
实例import numpy as np
x = np.arange(9)
print(x)
# 一维数组读取指定下标对应的元素
print("-------读取下标对应的元素-------")
x2 = x[[0, 6]] # 使用花式索引
print(x2)
print(x2[0])
print(x2[1])
输出结果为：
[0 1 2 3 4 5 6 7 8]-------读取下标对应的元素-------[0 6]06二维数组
1、传入顺序索引数组
实例import numpy as np x=np.arange(32).reshape((8,4))print(x)# 二维数组读取指定下标对应的行print("-------读取下标对应的行-------")print (x[[4,2,1,7]])
print (x[[4,2,1,7]]) 输出下表为 4, 2, 1, 7 对应的行，输出结果为：
[[ 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]]-------读取下标对应的行-------[[16 17 18 19] [ 8 9 10 11] [ 4 5 6 7] [28 29 30 31]]
2、传入倒序索引数组
实例import numpy as np x=np.arange(32).reshape((8,4))print (x[[-4,-2,-1,-7]])
输出结果为：
[[16 17 18 19] [24 25 26 27] [28 29 30 31] [ 4 5 6 7]]
3、传入多个索引数组（要使用 np.ix_）
np.ix_ 函数就是输入两个数组，产生笛卡尔积的映射关系。
笛卡尔乘积是指在数学中，两个集合 X 和 Y 的笛卡尔积（Cartesian product），又称直积，表示为 X×Y，第一个对象是X的成员而第二个对象是 Y 的所有可能有序对的其中一个成员。
例如 A={a,b}, B={0,1,2}，则：
A×B={(a, 0), (a, 1), (a, 2), (b, 0), (b, 1), (b, 2)}B×A={(0, a), (0, b), (1, a), (1, b), (2, a), (2, b)}实例import numpy as np x=np.arange(32).reshape((8,4))print (x[np.ix_([1,5,7,2],[0,3,1,2])])
输出结果为：
[[ 4 7 5 6] [20 23 21 22] [28 31 29 30] [ 8 11 9 10]] NumPy 切片和索引NumPy 广播(Broadcast) 2 篇笔记 写笔记
wra
107***9066@qq.com
503
关于 np.ix_ 的具体使用：
正文中没有详细说 np.ix_ 是怎么回事，我看了一下 help(numpy.ix_)，说的比较详细。比如正文中举的例子中，x[np.ix_([1,5,7,2],[0,3,1,2])]这句话会输出一个4*4的矩阵，其中的元素分别是：
x[1,0] x[1,3] x[1,1] x[1,2]x[5,0] x[5,3] x[5,1] x[5,2]x[7,0] x[7,3] x[7,1] x[7,2]x[2,0] x[2,3] x[2,1] x[2,2]
相当于：
y=np.array([[x[1,0], x[1,3], x[1,1], x[1,2]],\ [x[5,0], x[5,3], x[5,1],x[5,2]],\ [x[7,0] ,x[7,3], x[7,1], x[7,2]],\ [x[2,0], x[2,3], x[2,1], x[2,2]]])
就是说，如果 np.xi_ 中输入两个列表，则第一个列表存的是待提取元素的行标，第二个列表存的是待提取元素的列标，第一个列表中的每个元素都会遍历第二个列表中的每个值，构成新矩阵的一行元素。
wra
wra
107***9066@qq.com
3年前 (2020-03-31)
百叶
qua***o1999@163.com
52
关于多条件的布尔索引
使用 & 连接两个条件，输出大于 5 且小于 10 的元素 print(x[x>5 & x<10])：
在 numpy 中会报错：
The truth value of an array with more than one element is ambiguous
三个实用的解决方法：
1、条件加小括号
2、使用 np.logical_and 方法
3、使用 np.all 方法
import numpy as npx = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]])print('原数组：\n', x)print('大于5且小于10的元素：')print('条件加小括号：')print(x[(x > 5) & (x < 10)])print('使用np.logical_and方法：')print(x[np.logical_and(x > 5, x < 10)])print('使用np.all方法：')print(x[np.all([x > 5, x < 10],axis=0)])
输出如下：
原数组： [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]]大于5且小于10的元素：条件加小括号：[6 7 8 9]使用np.logical_and方法：[6 7 8 9]使用np.all方法：[6 7 8 9]
另外，布尔索引不一定针对数组的所有元素，可以针对某一列的数据，进而提取需要的数组。
import numpy as npa = np.array([[1, 1, 0], [2, 1, 0], [3, 2, 0], [4, 2, 0], [5, 3, 0]])b=a[(a[...,0]>2) & (a[...,1]<3),...] # 此行的最后的逗号和省略号可以省略print(b)
输出如下：
[[3 2 0] [4 2 0]]百叶
百叶
qua***o1999@163.com
9个月前 (03-26)
以下实例获取数组中 (0,0)，(1,1) 和 (2,0) 位置处的元素。
实例import numpy as np x = np.array([[1, 2], [3, 4], [5, 6]]) y = x[[0,1,2], [0,1,0]] print (y)
输出结果为：
[1 4 5]
以下实例获取了 4X3 数组中的四个角的元素。 行索引是 [0,0] 和 [3,3]，而列索引是 [0,2] 和 [0,2]。
实例import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print ('我们的数组是：' )print (x)print ('\n')rows = np.array([[0,0],[3,3]]) cols = np.array([[0,2],[0,2]]) y = x[rows,cols] print ('这个数组的四个角元素是：')print (y)
输出结果为：
我们的数组是：[[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]]这个数组的四个角元素是：[[ 0 2] [ 9 11]]
返回的结果是包含每个角元素的 ndarray 对象。
可以借助切片 : 或 … 与索引数组组合。如下面例子：
实例import numpy as np a = np.array([[1,2,3], [4,5,6],[7,8,9]])b = a[1:3, 1:3]c = a[1:3,[1,2]]d = a[...,1:]print(b)print(c)print(d)
输出结果为：
[[5 6] [8 9]][[5 6] [8 9]][[2 3] [5 6] [8 9]]布尔索引
我们可以通过一个布尔数组来索引目标数组。
布尔索引通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。
以下实例获取大于 5 的元素：
实例import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print ('我们的数组是：')print (x)print ('\n')# 现在我们会打印出大于 5 的元素 print ('大于 5 的元素是：')print (x[x > 5])
输出结果为：
我们的数组是：[[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]]大于 5 的元素是：[ 6 7 8 9 10 11]
以下实例使用了 ~（取补运算符）来过滤 NaN。
实例import numpy as np a = np.array([np.nan, 1,2,np.nan,3,4,5]) print (a[~np.isnan(a)])
输出结果为：
[ 1. 2. 3. 4. 5.]
以下实例演示如何从数组中过滤掉非复数元素。
实例import numpy as np a = np.array([1, 2+6j, 5, 3.5+5j]) print (a[np.iscomplex(a)])
输出如下：
[2.0+6.j 3.5+5.j]花式索引
花式索引指的是利用整数数组进行索引。
花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。
对于使用一维整型数组作为索引，如果目标是一维数组，那么索引的结果就是对应位置的元素，如果目标是二维数组，那么就是对应下标的行。
花式索引跟切片不一样，它总是将数据复制到新数组中。
一维数组
一维数组只有一个轴 axis = 0，所以一维数组就在 axis = 0 这个轴上取值：
实例import numpy as np
x = np.arange(9)
print(x)
# 一维数组读取指定下标对应的元素
print("-------读取下标对应的元素-------")
x2 = x[[0, 6]] # 使用花式索引
print(x2)
print(x2[0])
print(x2[1])
输出结果为：
[0 1 2 3 4 5 6 7 8]-------读取下标对应的元素-------[0 6]06二维数组
1、传入顺序索引数组
实例import numpy as np x=np.arange(32).reshape((8,4))print(x)# 二维数组读取指定下标对应的行print("-------读取下标对应的行-------")print (x[[4,2,1,7]])
print (x[[4,2,1,7]]) 输出下表为 4, 2, 1, 7 对应的行，输出结果为：
[[ 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]]-------读取下标对应的行-------[[16 17 18 19] [ 8 9 10 11] [ 4 5 6 7] [28 29 30 31]]
2、传入倒序索引数组
实例import numpy as np x=np.arange(32).reshape((8,4))print (x[[-4,-2,-1,-7]])
输出结果为：
[[16 17 18 19] [24 25 26 27] [28 29 30 31] [ 4 5 6 7]]
3、传入多个索引数组（要使用 np.ix_）
np.ix_ 函数就是输入两个数组，产生笛卡尔积的映射关系。
笛卡尔乘积是指在数学中，两个集合 X 和 Y 的笛卡尔积（Cartesian product），又称直积，表示为 X×Y，第一个对象是X的成员而第二个对象是 Y 的所有可能有序对的其中一个成员。
例如 A={a,b}, B={0,1,2}，则：
A×B={(a, 0), (a, 1), (a, 2), (b, 0), (b, 1), (b, 2)}B×A={(0, a), (0, b), (1, a), (1, b), (2, a), (2, b)}实例import numpy as np x=np.arange(32).reshape((8,4))print (x[np.ix_([1,5,7,2],[0,3,1,2])])
输出结果为：
[[ 4 7 5 6] [20 23 21 22] [28 31 29 30] [ 8 11 9 10]] NumPy 切片和索引NumPy 广播(Broadcast) 2 篇笔记 写笔记
wra
107***9066@qq.com
503
关于 np.ix_ 的具体使用：
正文中没有详细说 np.ix_ 是怎么回事，我看了一下 help(numpy.ix_)，说的比较详细。比如正文中举的例子中，x[np.ix_([1,5,7,2],[0,3,1,2])]这句话会输出一个4*4的矩阵，其中的元素分别是：
x[1,0] x[1,3] x[1,1] x[1,2]x[5,0] x[5,3] x[5,1] x[5,2]x[7,0] x[7,3] x[7,1] x[7,2]x[2,0] x[2,3] x[2,1] x[2,2]
相当于：
y=np.array([[x[1,0], x[1,3], x[1,1], x[1,2]],\ [x[5,0], x[5,3], x[5,1],x[5,2]],\ [x[7,0] ,x[7,3], x[7,1], x[7,2]],\ [x[2,0], x[2,3], x[2,1], x[2,2]]])
就是说，如果 np.xi_ 中输入两个列表，则第一个列表存的是待提取元素的行标，第二个列表存的是待提取元素的列标，第一个列表中的每个元素都会遍历第二个列表中的每个值，构成新矩阵的一行元素。
wra
wra
107***9066@qq.com
3年前 (2020-03-31)
百叶
qua***o1999@163.com
52
关于多条件的布尔索引
使用 & 连接两个条件，输出大于 5 且小于 10 的元素 print(x[x>5 & x<10])：
在 numpy 中会报错：
The truth value of an array with more than one element is ambiguous
三个实用的解决方法：
1、条件加小括号
2、使用 np.logical_and 方法
3、使用 np.all 方法
import numpy as npx = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]])print('原数组：\n', x)print('大于5且小于10的元素：')print('条件加小括号：')print(x[(x > 5) & (x < 10)])print('使用np.logical_and方法：')print(x[np.logical_and(x > 5, x < 10)])print('使用np.all方法：')print(x[np.all([x > 5, x < 10],axis=0)])
输出如下：
原数组： [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]]大于5且小于10的元素：条件加小括号：[6 7 8 9]使用np.logical_and方法：[6 7 8 9]使用np.all方法：[6 7 8 9]
另外，布尔索引不一定针对数组的所有元素，可以针对某一列的数据，进而提取需要的数组。
import numpy as npa = np.array([[1, 1, 0], [2, 1, 0], [3, 2, 0], [4, 2, 0], [5, 3, 0]])b=a[(a[...,0]>2) & (a[...,1]<3),...] # 此行的最后的逗号和省略号可以省略print(b)
输出如下：
[[3 2 0] [4 2 0]]百叶
百叶
qua***o1999@163.com
9个月前 (03-26)
