Numpy数组的切片、索引和运算

2024-03-07 07:01| 来源: 网络整理| 查看: 265

Numpy数组的切片、索引和运算 ndarray数组的切片和索引基础索引一维数组切片和索引二维数组切片和索引布尔索引一维数组的布尔索引二维数组的布尔索引神奇索引一维数组的神奇索引二维数组的神奇索引 ndarray对象的运算ndarray对象的算术运算ndarray对象的数学函数ndarray对象的取整函数ndarray对象的统计函数ndarray对象的排序和索引函数np.sortnp.argsortnp.nonzeronp.where ndarray对象的唯一化和集合运算ndarray对象的矢量化(向量化)运算Numpy的广播功能

ndarray数组的切片和索引基础索引一维数组切片和索引

和Python的List一样 ndarray 数组可以基于0 - n 的下标进行索引，并设置start, stop 及step 参数进行，从原数组中切割出一个新数组。

注意：切片的修改会修改原来的数组原因：Numpy经常要处理大数组，避免每次都复制 import numpy as np a = np.arange(8) print(a[0]) # 输出 0 print(a[-1]) # 输出 7 print(a[1:6:2]) # 输出 [1 3 5] print(a[:]) # 输出 [0 1 2 3 4 5 6 7] print(a[::-1]) # 输出 [7 6 5 4 3 2 1 0] 二维数组切片和索引 # 二维向量，一般用大写字母 X = np.arange(20).reshape(4,5) # 分别用行坐标、列坐标，实现行列筛选 # X[0][0] X[0, 0] X[-1, 2] # 可以省略后续索引值，返回的数据是降低一个维度的数组 # 这里的2，其实是要筛选第2行 X[2] # 筛选-1对应的行 X[-1] # 筛选多行 X[:-1] # 筛选多行，然后筛选多列 X[:2, 2:4] import numpy as np a = np.arange(1,10).reshape(3,3) # [[1 2 3] [4 5 6] [7 8 9]] print(a[2]) # 获取第三行输出：[ 7 8 9] print(a[1][2]) # 获取第二行第三列输出：6 print(a[1,2]) # 获取第二行第三列输出：6 print(a[:,1]) # 获取所有行第2列输出：[2 5 8] print(a[::2,:]) # 获取奇数行，所有列输出: [[1 2 3] [7 8 9]] print(a[::-1,::-1]) # 行列倒序输出: [[9 8 7] [6 5 4] [3 2 1]] 布尔索引一维数组的布尔索引 import numpy as np a = np.arange(1,10) b = a > 5 print(b) # 输出: [False False False False False True True True True] print(a[b]) # 输出: [6 7 8 9] a[a5] += 100 print(a) # 输出: [0 0 0 0 0 106 107 108 109] 二维数组的布尔索引

把特征满足某些条件的数据(行)筛选出来

# 举例：怎样把第3列大于5的行筛选出来 X[:, 3] # 这里是按照行进行的筛选 X[X[:, 3]>5] import numpy as np a = np.arange(1,7).reshape(2,3) # a[:,1]筛选出所有行第二列 a[:,1][a[:,1]>3] +=100 # 所有行，第二列＞3的值＋100 print(a) # 输出: [[ 1 2 3] [4 105 6]] 神奇索引

使用整数数组进行数据索引。与切片不同，花式索引返回的是对象的一个复制而不是引用

一维数组的神奇索引 import numpy as np a = np.arange(7) print(a[[1,3,5]]) # 输出：[1 3 5] 二维数组的神奇索引 import numpy as np a = np.arange(1,7).reshape(2,3) print(a) # 输出：[[1 2 3] [4 5 6]] print(a[[0,1],[0,2]]) # 0行0列和1行2列对应的元素输出：[1,6] print(a[:,[0,2]]) # 输出：[[1 3] [4 6]] ndarray对象的运算 ndarray对象的算术运算

加减乘除，代码如下：

import numpy as np a = np.arange(1,10).reshape(3,3) # [[1 2 3] [4 5 6] [7 8 9]] b = np.array([1,1,1]) c = a + b # 广播 d = np.add(a,b) # add(),subtract(),multiply(),divide() print(c) # 输出[[ 2 3 4] [ 5 6 7] [ 8 9 10]] print(d) # 输出[[ 2 3 4] [ 5 6 7] [ 8 9 10]] ndarray对象的数学函数数学运算函数描述np.abs /fabs绝对值np.add(x1，x2 )按元素添加参数，等效于 x1 + x2np.subtract(x1，x2)按元素方式减去参数，等效于x1 - x2np.multiply(x1，x2)逐元素乘法参数，等效于x1 * x2np.divide(x1，x2)逐元素除以参数，等效于x1 / x2np.exp(x)计算e的x次方。np.exp2(x)计算2的x次方。np.power(x1,x2)计算x1的x2次幂。np.mod(x)返回输入数组中相应元素的除法余数.np.log(x)自然对数，逐元素。np.log2(x)x的基础2对数。np.log10(x)以元素为单位返回输入数组的基数10的对数。np.expm1(x)对数组中的所有元素计算exp（x） - 1np.log1p(x)返回一个加自然对数的输入数组。np.sqrt(x)按元素方式返回数组的正平方根。np.square(x)返回输入的元素平方。np.sin(x)三角正弦。np.cos(x)元素余弦。np.tan(x)逐元素计算切线。np.round(x)四舍五入np.floor(x)向下取整np.ceil(x)向上取整

代码如下：

import numpy as np a = np.arange(1,6) print(a) # 输出: [1 2 3 4 5] print(np.abs(a)) # 输出: [1 2 3 4 5] print(np.sqrt(a)) # 输出: [1. 1.41421356 1.73205081 2. 2.23606798] print(np.power(a, 3)) # 输出: [ 1 8 27 64 125] print(np.exp(a)) # 输出: [ 2.71828183 7.3890561 20.08553692 54.59815003 148.4131591 ] print(np.log(a)) # 以e为底输出: [0. 0.69314718 1.09861229 1.38629436 1.60943791] ndarray对象的取整函数 np.random.seed(123) arr = np.random.randn(8) # np.round 与 np.around 相同 arr_a = np.around(arr, 2) # 四舍五入 arr_f = np.floor(arr) # 向下取整 arr_c = np.ceil(arr) # 向上取整 arr_a arr_f arr_c ndarray对象的统计函数函数名称NaN安全版本描述np.sum()np.nansum()计算元素的和np.min()np.nanmin()找出最小值np.max()np.nanmax()找出最大值np.prod()np.nanprod()计算元素的积np.ptp()N/A计算元素的极差（最大值 - 最小值）np.mean()np.nanmean()计算元素的算术平均值np.std()np.nanstd()计算标准差np.var()np.nanvar()计算方差np.percentile()np.nanpercentile()计算百分位数np.median()np.nanmedian()计算中位数np.average()N/A返回数组的加权平均值np.any()N/A验证任何一个元素是否为真np.all()N/A验证所有元素是否为真

关于NaN安全版本的说明：数组出现NaN空值将影响最终结果输出，如果不希望空值带入计算，则可使用NaN安全版本

方法说明np.argmin( )最小值的索引np.argmax( )最大值的索引np.average( )加权平均

代码如下：

a = np.array([[3,7,5],[8,4,3],[2,4,9]]) np.min(a) # 所有元素中最小的元素 np.min(a, axis = 0) # 每一列中最小的元素 np.max(a, axis = 1) # 每一行中最大的元素 import numpy as np a = np.arange(1,6) print(a) # 输出: [1 2 3 4 5] print(np.sum(a)) # 输出: 15 print(np.mean(a)) # 输出: 3.0 print(np.std(a)) # 输出: 1.4142135623730951 print(np.var(a)) # 输出: 2.0 print(np.median(a)) # 输出: 3.0 print(np.min(a)) # 输出: 1 print(np.max(a)) # 输出: 5 print(np.average(a,weights=np.ones(5))) # 输出: 3.0 arr = np.arange(12).reshape(3,4) np.percentile(arr, [25, 50, 75]) np.quantile(arr, [0.25, 0.5, 0.75]) ndarray对象的排序和索引函数 np.sort np.random.seed(123) arr = np.random.randint(1,30,9) arr_a = np.sort(arr) # 也可在不同维度上进行索引 np.argsort

argsort返回从小到大的排列在数组中的索引位置

#电影名称 mv_name=['肖申克的救赎','控方证人','美丽人生','阿甘正传','霸王别姬','泰坦尼克号','辛德勒的名单','这个杀手不太冷','疯狂动物成','海豚湾'] #评分人数 mv_num=np.array([692795,42995,327855,580897,478523,157074,306904,662552,284652,159302]) order=np.argsort(mv_num) mv_name[order[0]] # 获取评分人数最少的电影名称 np.nonzero arr = np.array([0,2,3,0,7,0]) np.nonzero(arr) # 返回的是非零元素在原数组中的位置 arr[np.nonzero(arr)] np.where

where函数会返回所有非零元素(满足条件)的索引

np.random.seed(123) arr = np.random.randint(1,30,9) arr2 = np.random.randint(6,20,9) arr arr2 np.where(arr>5) # 返回的是位置信息 arr[np.where(arr>5)] arr[arr>5] # 与 arr[np.where(arr>5)] 等价 np.where(arr>arr2,arr,arr2) ndarray对象的唯一化和集合运算 # 唯一化 np.random.seed(123) arr = np.random.randint(1,30,9) np.unique(arr) np.random.seed(123) arr = np.random.randint(1,30,9) arr2 = np.random.randint(6,20,9) np.in1d(arr, arr2) # 判断元素是否在数组中 np.intersect1d(arr, arr2) # 求交集 np.union1d(arr, arr2) # 求并集 np.setdiff1d(arr, arr2) # 求差集 ndarray对象的矢量化(向量化)运算

数组表达式替换显式循环的做法通常称为向量化。矢量化代码有很多优点，其中包括： 1、矢量化代码更简洁易读 2、更少的代码行通常意味着更少的错误 3、执行效率高，运行速度快

arr1 = np.array([1,2,3]) arr2 = np.array([4,5,6]) print(arr1+arr2) # 输出: [5,7,9] Numpy的广播功能

1、如果数组不具有相同的秩，则将较低等级数组的形状维度添加1，直到两个形状具有相同的大小。即如果运算双方都是数组，而且数组的形状不一致，那么，两个数组各自向一个广播，广播后的两个数组形状相同，则广播可行。 2、其中一个数组的维度大小和元素个数为1，相当于对单个标量进行广播。即如果运算的双方一方是数组，一方是标量(单个的数值)，不受广播方向约束，标量可以向两个方向广播。 3、在一个数组的大小为1且另一个数组的大小大于1的任何维度中，第一个数组的行为就像沿着该维度复制一样。即如果运算的双方都是数组，而且数组的形状不一致，那么，一个数组向一个方向广播之后可以得到和另一个数组一样的形状，则广播可行。在这里插入图片描述

【本文地址】

公司简介

联系我们