【numpy基础】--数组索引

远衡

数组索引是指在numpy数组中引用特定元素的方法。
numpy的数组索引又称为fancy indexing，比其他编程语言的索引强大很多。
1. 选取数据

numpy的索引除了像其他语言一样选择一个元素，还可以间隔着选取多个元素，也可以用任意的顺序选取元素。
比如一维数组：

1. arr = np.random.randint(0, 10, 5)
2. print(arr)
3. #运行结果
4. [7 2 6 2 1]
6. indexes = [0, 2, 3]
7. print(arr[indexes])
8. #运行结果
9. [7 6 2]
11. indexes = [4, 0, 2]
12. print(arr[indexes])
13. #运行结果
14. [1 7 6]

复制代码

从上面的示例看出，通过传入 indexes 数组，可以一次选择多个元素。
indexes 数组中的值代表数组arr的下标，从0开始。
对于二维数组：

1. arr = np.random.randint(0, 10, (5,5))
2. print(arr)
3. #运行结果
4. [[5 7 3 3 2]
5. [2 5 6 3 6]
6. [4 1 1 0 1]
7. [6 5 8 9 1]
8. [2 6 5 2 0]]
10. rows = np.array([3, 1, 4])
11. cols = np.array([3, 0, 1])
13. print(arr[rows, cols])
14. #运行结果
15. [9 2 6]

复制代码

这里 rows 和 cols 分别代表行和列的索引，从0开始。
运行结果选取的是单个元素，分别是：arr[3, 3]，arr[1, 0]，arr[4, 1]。
如果要从二维数组中通过选取行列，而不是选取单个元素的话：

1. arr = np.random.randint(0, 10, (5,5))
2. print(arr)
3. #运行结果
4. [[4 2 6 6 4]
5. [1 8 8 1 9]
6. [5 9 2 1 3]
7. [8 9 1 6 9]
8. [5 4 3 5 6]]
10. rows = np.array([3, 1, 4])
11. cols = np.array([3, 0, 1])
13. arr[rows[:, np.newaxis], cols]
14. #运行结果
15. [[6 8 9]
16. [1 1 8]
17. [5 5 4]]

复制代码

arr[rows[:, np.newaxis], cols] 是先选取3,1,4 行，得到：

[[8 9 1 6 9]
[1 8 8 1 9]
[5 4 3 5 6]]

然后选取3,0,1 列，得到：

[[6 8 9]
[1 1 8]
[5 5 4]]

2. 与切片结合

fancy indexing可以和之前数组的切片操作相结合：

1. arr = np.random.randint(0, 10, (5,5))
2. print(arr)
3. #运行结果
4. [[4 2 6 6 4]
5. [1 8 8 1 9]
6. [5 9 2 1 3]
7. [8 9 1 6 9]
8. [5 4 3 5 6]]
10. rows = np.array([3, 1, 4])
11. cols = np.array([3, 0, 1])
13. #切片在行上
14. print(arr[:2, cols])
15. #运行结果
16. [[6 4 2]
17. [1 1 8]]
19. #切片在列上
20. print(arr[rows, 1:])
21. #运行结果
22. [[9 1 6 9]
23. [8 8 1 9]
24. [4 3 5 6]]

复制代码

arr[:2, cols] 先选择前2行，然后按照 cols 顺序选择列。
arr[rows, 1:] 按照 rows 顺序选择行，然后选择后4列。
3. 与掩码结合

fancy indexing也可以和之前介绍的掩码相结合来过滤数组：

1. arr = np.random.randint(0, 10, (5,5))
2. print(arr)
3. #运行结果
4. [[4 2 6 6 4]
5. [1 8 8 1 9]
6. [5 9 2 1 3]
7. [8 9 1 6 9]
8. [5 4 3 5 6]]
10. rows = np.array([3, 1, 4])
11. mask = np.array([True, False, False, False, True])
13. print(arr[rows[:, np.newaxis], mask])
14. #运行结果
15. [[8 9]
16. [1 9]
17. [5 6]]

复制代码

arr[rows[:, np.newaxis], mask] 先按照 rows 的顺序选择行，然后用mask过滤掉 False 的列。
最后剩下的是 3,1,4 行的 第一列和**最后一列**。
4. 修改数据

最后，fancy indexing还有个重要的作用是修改数据，我们通过fancy indexing选取数据之后，可以直接修改它们。

1. arr = np.random.randint(0, 10, (5,5))
2. print(arr)
3. #运行结果
4. [[6 4 7 8 1]
5. [0 3 5 0 6]
6. [8 9 4 7 0]
7. [3 0 0 9 1]
8. [4 5 5 0 5]]
10. rows = np.array([3, 1, 4])
11. cols = np.array([3, 0, 1])
13. arr[rows, cols] = [100] * len(arr[rows, cols])
14. print(arr)
15. #运行结果
16. [[  6   4   7   8   1]
17. [100   3   5   0   6]
18. [  8   9   4   7   0]
19. [  3   0   0 100   1]
20. [  4 100   5   0   5]]

复制代码

上面的示例中，将fancy indexing选取出的值修改为100。
注意，[100] * len(arr[rows, cols]) 这个代码是根据fancy indexing选取出的元素个数来决定将几个值修改成100。
5. 总结回顾

numpy数组索引的意义在于它可以使数组中的数据更加灵活和易于管理。
通过使用索引，开发人员可以快速访问数组中的特定元素，而不需要遍历整个数组。
这可以大大加快计算速度和减少内存使用。
此外，数组索引还可以用于数组的重构和维护。
通过对数组索引的有效使用，开发人员可以轻松地修改和维护数组中的数据，而不会影响到其他使用该数组的程序。

来源:https://www.cnblogs.com/wang_yb/p/17520930.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！