Python笔记:操作ndarray元素:访问、删除、插入

Python中的Numpy详解-2-访问和删除 ndarray 中的元素及向其中插入元素 你已经知道如何创建各种 ndarray,现在将学习 NumPy 使我们如何有效地操纵 ndarray 中的数据。NumPy ndarray 是可变的,意味着 ndarray 中的元素在 ndarray 创建之后可以更改。NumPy ndarray 还可以切片,因此可以通过多种方式拆分 ndarray。例如,我们可以从 ndarray 中获取想要的任何子集。通常,在机器学习中,你需要使用切片拆分数据,例如将数据集拆分为。我们首先将了解如何通过索引访问或。可以在方括号 [ ] 中添加索引来访问元素。 阅读详情
AI摘要

本文详细介绍了如何使用NumPy库进行数组元素的访问、修改、删除及插入等基本操作,并展示了垂直堆叠与水平堆叠的方法。

引入

import numpy as np

在此引入一次,下面直接使用 np

访问ndarray元素

x = np.array([1, 2, 3, 4, 5])
print()
print('x = ', x)
print()
print('This is First Element in x:', x[0]) 
print('This is Second Element in x:', x[1])
print('This is Fifth (Last) Element in x:', x[4])
print()
print('This is First Element in x:', x[-5])
print('This is Second Element in x:', x[-4])
print('This is Fifth (Last) Element in x:', x[-1])

输出:

x = [1 2 3 4 5]

This is First Element in x: 1
This is Second Element in x: 2
This is Fifth (Last) Element in x: 5

This is First Element in x: 1
This is Second Element in x: 2
This is Fifth (Last) Element in x: 5
  • 在方括号 [ ] 中添加索引来访问元素。
  • 可以使用正索引和负索引访问 ndarray 中的元素。
  • 正索引表示从数组的开头访问元素,负索引表示从数组的末尾访问元素。
  • 正索引从 0 开始,负索引从 -1 开始。

修改ndarray元素

  • 修改秩为 1 的 ndarray :
x = np.array([1, 2, 3, 4, 5])
print()
print('Original:\n x = ', x)
print()
x[3] = 20
print('Modified:\n x = ', x)

输出:

Original: x = [1 2 3 4 5]

Modified: x = [ 1 2 3 20 5]
  • 修改秩为 2 的 ndarray
X = np.array([[1,2,3],[4,5,6],[7,8,9]])
print()
print('Original:\n X = \n', X)
print()
X[0,0] = 20
print('Modified:\n X = \n', X)

输出:

Original:
X =
[[1 2 3]
 [4 5 6]
 [7 8 9]]

Modified:
X =
[[20 2 3]
 [ 4 5 6]
 [ 7 8 9]]

删除ndarray元素

x = np.array([1, 2, 3, 4, 5])
Y = np.array([[1,2,3],[4,5,6],[7,8,9]])
print()
print('Original x = ', x)
x = np.delete(x, [0,4]) # 此处删除第一个和第五个(最后一个)元素
print()
print('Modified x = ', x)
print()
print('Original Y = \n', Y)
w = np.delete(Y, 0, axis=0) # 此处删除第一行的元素
v = np.delete(Y, [0,2], axis=1) # 此处删除第一列和第三列(最后一列)的元素
print()
print('w = \n', w)
print()
print('v = \n', v)

输出

Original x = [1 2 3 4 5]

Modified x = [2 3 4]

Original Y =
[[1 2 3]
 [4 5 6]
 [7 8 9]]

w =
[[4 5 6]
 [7 8 9]]

v =
[[2]
 [5]
 [8]]
  • 对于秩为 1 的 ndarray,不需要使用关键字 axis。
  • 对于秩为 2 的 ndarray,axis = 0 表示选择行,axis = 1 表示选择列。

插入ndarray元素

  • 使用 np.append(ndarray, elements, axis) 函数向 ndarray 中附加值

    x = np.array([1, 2, 3, 4, 5])
    Y = np.array([[1,2,3],[4,5,6]])
    print()
    print('Original x = ', x)
    x = np.append(x, 6) # 秩为1的ndarray,直接append
    print()
    print('x = ', x)
    x = np.append(x, [7,8]) # 秩为1的ndarray,也可通过列表一次添加多个
    print()
    print('x = ', x)
    print()
    print('Original Y = \n', Y)
    v = np.append(Y, [[7,8,9]], axis=0) # 秩为2的ndarray,添加一行
    q = np.append(Y,[[9],[10]], axis=1) # 秩为2的ndarray,添加一列; 当然也可添加两列 q = np.append(Y,[[9,99],[10,100]], axis=1)
    print()
    print('v = \n', v)
    print()
    print('q = \n', q)
    

    输出:

    Original x = [1 2 3 4 5]
    
     x = [1 2 3 4 5 6]
     
     x = [1 2 3 4 5 6 7 8]
     
     Original Y =
     [[1 2 3]
      [4 5 6]]
     
     v =
     [[1 2 3]
      [4 5 6]
      [7 8 9]]
     
     q =
     [[ 1 2 3 9]
      [ 4 5 6 10]]
    
    
    • 该函数会将给定的元素列表沿着指定的轴附加到 ndarray 中。
    • 当我们将行或列附加到秩为 2 的 ndarray 中时,行或列的形状必须正确,以与秩为 2 的 ndarray 的形状相符。
  • 使用 np.insert(ndarray, index, elements, axis) 函数向 ndarray 中插入值

    x = np.array([1, 2, 5, 6, 7])
    Y = np.array([[1,2,3],[7,8,9]])
    print()
    print('Original x = ', x)
    x = np.insert(x,2,[3,4]) # 向秩为1的ndarray第三个元素前插入3和4
    print()
    print('x = ', x)
    print()
    print('Original Y = \n', Y)
    w = np.insert(Y,1,[4,5,6],axis=0) # 向秩为2的ndarray第二行前,插入4,5,6
    v = np.insert(Y,1,5, axis=1) # 向秩为2的ndarray前第二列前,插入5
    print()
    print('w = \n', w)
    print()
    print('v = \n', v)
    

    输出:

    Original x = [1 2 5 6 7]
    
    x = [1 2 3 4 5 6 7]
    
    Original Y =
    [[1 2 3]
     [7 8 9]]
    
    w =
    [[1 2 3]
     [4 5 6]
     [7 8 9]]
    
    v =
    [[1 5 2 3]
     [7 5 8 9]]
    
  • 此函数会将给定的元素列表沿着指定的轴插入到 ndarray 中,并放在给定的索引前面。

  • 使用 np.vstack() 函数进行垂直堆叠,或使用 np.hstack() 函数进行水平堆叠。

    x = np.array([1,2])
    Y = np.array([[3,4],[5,6]])
    print()
    print('x = ', x)
    print()
    print('Y = \n', Y)
    z = np.vstack((x,Y)) # 此处将x置于Y之上,形成新的ndarray
    w = np.hstack((Y,x.reshape(2,1))) # 此处将变形后的x置于Y的右侧,形成新的ndarray 
    print()
    print('z = \n', z)
    print()
    print('w = \n', w)
    

    输出:

    x = [1 2]
    
    Y =
    [[3 4]
     [5 6]]
    
    z =
    [[1 2]
     [3 4]
     [5 6]]
    
    w =
    [[3 4 1]
     [5 6 2]]
    
Pandas DataFrame数据插入操作详解:从末尾追加到任意位置插入 在数据处理与分析中,数据结构的高效操作是核心技能。DataFrame作为pandas库的核心二维表格结构,其索引机制为数据查询与操作提供了强大支持。理解索引原理是掌握数据插入、删除等结构变动操作的关键。从技术价值看,精准的数据插入能力能极大提升数据清洗、多源合并及中间结果计算的效率,避免手动操作错误。在应用场景上,无论是活动名单修补、销售数据字段添加,还是多源报表合并,都需要在指定位置插入行或列。本文聚焦pandas DataFrame的插入操作,深入解析`df.insert()`方法与`pd.concat 阅读详情

相关推荐

NumPy教程:向Python NumPy数组中添加元素

本文介绍了向Python NumPy数组中添加元素的三种不同方法。无论使用哪种方法,都可以轻松地在NumPy数组中添加新元素。在我们编写Python程序时,有时需要将新的元素动态添加到数组中。本文将介绍向NumPy数组中添加元素的不同方法。最简单的方法是将元素添加到现有数组的末尾。函数需要三个参数——原始数组、要插入的索引位置和要插入的值。函数需要两个参数——要添加的后缀和原始数组。有时候,需要将两个数组连接起来形成一个新的数组。如果想要将元素添加到已有数组的特定位置,可以使用。函数来将两个数组连接起来。

. 4023

Numpy:数组(Ndarray)操作之元素添加、删除和修改

数组元素的添加、删除和修改,各种操作详细的函数解释,示例。

shield911的博客 10万+

Python Numpy 数组之——往数组中添加元素

执行该程序后,我们可以看到新数组 new_arr 的最后一个元素已经被更新为 6。在上述代码中,我们使用 numpy.insert() 函数在数组 arr 的第二个位置插入了一个新元素,并将结果存储在 new_arr 变量中。作为一种广泛应用的科学计算库,Numpy 在 Python 编程中使用频率极高,向数组中添加一个元素是我们在使用 Numpy 进行科学计算时经常遇到的问题。除了向数组的末尾添加元素,我们还可以在 Numpy 中使用 numpy.insert() 函数在数组的中间位置添加元素。

. 3157

Python中ndarray数组加入一行元素

Python中ndarray数组加入一行元素 ndarray是numpy扩展库下的内容,用来表示多维数组(n-dimensions array): import numpy as np a=np.array([[1,2],[3,4],[5,6]]) 事先不知道数组的尺寸可以先定义一个空数组,再向其中加入元素: b = np.array([]) # 筛选a的每一行中所有元素都大于2的行,并保存到b中 b = np.append(b, [row for row in sen_angle if min(row)

qq_44900916的博客 5154

Python序列类型详解:从列表到ndarray

本文深入探讨了Python中不同类型序列对象的特性及其使用场景,包括列表、词典、数组和ndarray。通过比较它们的定义、索引方式和使用范围,揭示了它们在数据处理和算法中的重要作用,特别是作为遗传算法中个体染色体的潜在应用。

weixin_36231030的博客 326

基于FPGA的TDC延迟链优化与码密度校准方法(1)——原理与实现

本文深入探讨了基于FPGA的时间数字转换器(TDC)延迟链非均匀性问题及其码密度校准方法。通过分析工艺偏差、温度电压影响等根源,详细介绍了码密度测试原理、逐位校准技术及气泡消除算法,并分享了自适应校准策略与多场景应用实践,有效提升TDC测量精度至皮秒级。

kiwi8的博客 490

Python数据可视化(Numpy_2_访问和删除 ndarray 中的元素及向其中插入元素)

访问和删除 ndarray 中的元素及向其中插入元素 访问和删除: 访问 你已经知道如何创建各种 ndarray,现在将学习 NumPy 使我们如何有效地操纵 ndarray 中的数据。NumPy ndarray 是可变的,意味着 ndarray 中的元素在 ndarray 创建之后可以更改。NumPy ndarray 还可以切片,因此可以通过多种方式拆分 ndarray。例如,我们可以从 ndarray 中获取想要的任何子集。通常,在机器学习中,你需要使用切片拆分数据,例如将数据集拆分为训练集、交叉验证集

Dream的博客 1110

SAP Workflow 工作流开发步骤总结

SAP WORKFLOW

qq_36952606的博客 5096

python ndarray append_9-Python-NumPy数组元素的添加与删除

数组元素的添加与删除 相关函数列表如下:函数元素及描述resize返回指定形状的新数组append将值添加到数组末尾insert沿指定轴将值插入到指定下标之前delete删掉某个轴的子数组,并返回删除后的新数组unique查找数组内的唯一元素1) 返回指定大小的新数组numpy.resize(arr, shape)arr:要修改大小的数组shape:返回数组的新形状新数组小于原始数组>&gt...

weixin_31621945的博客 4045

实战MSP-M0G3507与陶晶驰串口屏的通信协议解析

本文详细解析了MSP-M0G3507微控制器与陶晶驰串口屏的通信协议实现。内容涵盖串口配置、协议帧结构、数据校验机制及ASCII协议实战代码,重点介绍了陶晶驰串口屏的指令集应用和调试技巧,为嵌入式开发提供可靠的串口通信解决方案。

h9j8k7l6m5n的博客 870

torch.nn.LSTM介绍

是 PyTorch 提供的一个高级封装,用于构建长短时记忆网络(LSTM)。相比手动实现,更高效且支持批量处理、双向 LSTM、多层 LSTM 等功能,适合大多数实际应用。

qq_27390023的博客 1008

numpy库ndarray数组的运算及操作

前提是两个数组的形状相同。

2503_92739857的博客 1255

Zemax非序列模式微透镜阵列仿真:从建模到优化完整指南

光线追迹是光学系统仿真的核心技术,其原理基于几何光学与物理光学的光线传播模型,通过精确计算光线在光学元件中的折射、反射与散射路径,实现对系统性能的预测与评估。在微透镜阵列等复杂多通道光学系统中,传统序列模式因光线路径受限而难以准确模拟串扰与杂散光,非序列光线追迹技术则凭借其灵活的空间传播机制成为关键手段。该技术广泛应用于激光整形、光束匀化、3D传感及光场成像等领域,能够有效支持阵列结构设计与优化。Zemax非序列模式为微透镜阵列仿真提供了完整的建模、优化与公差分析流程,是光学工程师进行复杂系统设计的核心工具

weixin_29967003的博客 339

Python怎么处理ndarray结构?Numpy库常见ndarray操作有哪些

numpy是python数据处理和科学计算之中经常会使用到了一个第三方库,它能够在python里面创建出数组以及矩阵这两种数据结构。而这一篇文章要和大家来介绍的就是是关于numpy中数组结构ndarray的操作方法,感兴趣的话就和小编一起挖下看看吧。

xiangxueerfei的博客 401

Python邮件自动化实战:基于imaplib和email库的高效邮件管理方案

本文详细介绍了如何使用Python的imaplib和email库实现高效邮件自动化管理。通过实战案例展示自动收取、解析邮件、下载附件等核心功能,帮助开发者快速构建企业级邮件处理系统,大幅提升工作效率。特别适合需要处理大量邮件的金融、数据分析等场景。

weixin_30500105的博客 621

Windows 11 24H2 系统下,保姆级安装华为 eNSP 模拟器(含依赖软件下载与避坑指南)

本文提供Windows 11 24H2系统下华为eNSP模拟器的完整安装指南,涵盖系统配置调整、依赖软件安装及常见问题解决方案。特别针对新版系统的兼容性问题,提供详细的避坑步骤和优化建议,帮助网络工程师顺利完成eNSP模拟器的部署与使用。

weixin_42567752的博客 431

Python标准库中的列表(list、数组)操作汇总(大约25种操作),附示例代码

Python标准库中的列表(list)类似于C/C++中的数组。Python扩展库中的ndarray对象有许多操作和列表(list)的操作类似,比如切片操作、元素访问呢,但它们是两个东西,大家不要搞混了。关于ndarray对象的基本操作,可参考博文 https://blog.youkuaiyun.com/wenhao_ir/article/details/124416798数组对于编程而言其重要性是不言而喻的,所以这篇博文汇总一下Python标准库中的列表(list)的操作。序列是 Python 中最基本的数据结构。

昊虹AI笔记 1826

ARMv8/ARMv9的TLB深度学习

千万不要人云亦云。一个TLB entry里有很多很多东西的,有100多个比特位呢,并不是仅仅只有VA/PA/nG/VMID/ASID等。.👉👉👉 个人博客笔记导读目录(全部) 👈👈👈。

baron-周贺贺-代码改变世界ctw 1571

什么是 NumPy:Python 科学计算基石与 ndarray 多维数组核心解析

NumPy 是 Python 生态中面向科学计算的基础包,其核心是一个高效的同质多维数组对象 `ndarray`,以及围绕它构建的数学、逻辑、排序、I/O、傅里叶变换、线性代数、统计与随机模拟等一整套快速运算例程。本文以官方用户指南的“What is NumPy”章节为主线,结合本仓库源码与配套文档,系统讲解 NumPy 的定位、`ndarray` 的设计、它与 Python 内置序列的本质差异,

gitblog_00297的博客 376

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

Python之numpy:数组定义&ndarray操作

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档。

YBK233 3006

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Numpy基础01(Jupyter基本用法/Ndarray创建与基本操作)

可用来存储和处理大型矩阵,比Python自身的嵌套列表结构要高效的多,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库,包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数,基本统计运算和随机模拟等。IPython 是一个增强型的 Python 交互式解释器,提供了自动补全、命令历史、魔法命令等功能。IPython 还支持远程访问、包管理和插件扩展,是一个功能强大且灵活的开发工具。:适合对运行时间短的程序求其平均运行时间。:适合对运行时间长的程序进行统计。

XYX_888的博客 950

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

numpy,pandas学习笔记

文章目录numpy & Pandasndarrayarray创建方法ndarray访问和修改ndarray删除和插入ndarray切片ndarray过滤ndarray集合运算ndarray运算与广播PandasSeries创建SeriesSerie访问、修改和删除DataFrame创建和保存dataframe读取csv为dataframe并查看访问、修改和删除dataframe缺失值NaNdata...

wezard95的博客 493

numpy如何直接在数组上进行添加_不可不学Numpy,带你快速撸Numpy代码,(Python学习教程)一遍过...

我们一起来学习Python数据分析的工具学习阶段,包括Numpy,Pandas以及Matplotlib,它们是python进行科学计算,数据处理以及可视化的重要库,在以后的数据分析路上会经常用到,所以一定要掌握,并且还要熟练!今天的Python学习教程先从Numpy开始!本文目标初识Numpyndarray的增删改查ndarray切片与筛选ndarray运算与排序NumPy 简介NumPy 是 N...

weixin_39635130的博客 697

NumPy 学习笔记

Matplotlib是Python的一个绘图库,支持跨平台运行,能够根据NumPy ndarray数组绘制2D图像。Matplotlib的图形由Figure、Axes、Axis和Artist对象组成,提供了丰富的绘图类型和自定义选项。Matplotlib允许通过各种参数和函数自定义图表的外观,如设置标题、标签、图例、坐标轴范围、刻度等。# 创建图形和子图# 绘制数据# 设置标题和标签# 添加图例# 设置坐标轴范围# 设置刻度# 显示网格# 显示图形plt.show()

2202_75762857的博客 716

python dataframe index函数_pandas入门:Series、DataFrame、Index基本操作都有了!

原标题:pandas入门:Series、DataFrame、Index基本操作都有了! 导读:pandas是一款开放源码的BSD许可的Python库。它基于NumPy创建,为Python编程语言提供了高性能的、易于使用的数据结构和数据分析工具。pandas应用领域广泛,包括金融、经济、统计、分析等学术和商业领域。本文将介绍pandas中Series、DataFrame、Index等常用类的基本用法...

weixin_32770697的博客 6552

ndarray如何取元素_D02 Numpy常用函数,如何优雅的遍历一个多维数组?

title: D02|Numpy常用函数author: Adolph Leecategories: 数据挖掘基础tags:Python数据挖掘基础Numpy如何优雅的遍历一个数组,使用嵌套for循环吗?当我们想要遍历一个多维数组的时候,如果通过不停的使用循环去遍历,这会让我们的代码可读性与性能都变得很差,numpy提供了一个函数nditer,以帮助我们遍历数组。nditer的入参是一个数组,返回值...

weixin_39557576的博客 570
上一篇: Python笔记:详解使用内置函数创建ndarray
下一篇: Typescript 中的函数应用
Wang's Blog
博客等级 码龄12年 7440粉丝 2427原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值