Numpy 基本操作简明总结

索引

一维数组

从一维数组开始，例如:

>>> a = np.arange(5)
>>> a
array([0, 1, 2, 3, 4])

支持的索引模式如下：

• 单个数字索引:

>>> a[2]
2

• 切片索引:

  • 给定起始和终止位置

    >>> a[1:3]
    array([1, 2])
    

  • 不给定起始 or 终止位置，默认起始位置是0，终止位置是最后

    >>> a[:2]
    array([0, 1])
    >>> a[3:]
    array([3, 4])
    

• 布尔索引：

>>> bool_idx = a > 3
>>> bool_idx
array([False, False, False, False,  True])
>>> a[bool_idx]
array([4])

or

>>> a[a > 3]
array([4])

>>> idx1 = a >=1 
>>> idx2 = a < 5
>>> idx = idx1 & idx2
>>> idx
array([False,  True,  True,  True,  True])
>>> a[idx]
array([1, 2, 3, 4])

• 花式索引
  花式索引可以简单的理解为用一个数组做索引

>>> a[[0, 1, 3]]
array([0, 1, 3])

二维数组

扩展到二维数组：

>>> a = np.random.randint(0, 100, size=(8, 5))
>>> a
array([[15, 50, 21, 82, 19],
       [47, 57, 31, 31, 32],
       [20, 63, 58,  6, 64],
       [20, 23, 36, 42, 28],
       [94, 16, 66, 80, 13],
       [21, 37,  8, 52, 48],
       [67, 80, 38, 37,  3],
       [ 9, 93, 43, 72, 32]])

• 单个数字索引

>>> a[2]
array([20, 63, 58,  6, 64])
>>> a[2, 3]
6

• 切片索引

>>> a[:2]	# 行切片
array([[15, 50, 21, 82, 19],
       [47, 57, 31, 31, 32]])
>>> a[:, :1] # 列切片
array([[15],
       [47],
       [20],
       [20],
       [94],
       [21],
       [67],
       [ 9]])
>>> a[2:4, 1:3] # 行切片+列切片
array([[63, 58],
       [23, 36]])

• 布尔索引

>>> idx1 = a > 90
>>> idx2 = a < 10
>>> idx = idx1 | idx2
>>> a[idx]
array([ 6, 94,  8,  3,  9, 93])

• 花式索引

>>> a[[0, 3, 5, 2, 4]]
array([[15, 50, 21, 82, 19],
       [20, 23, 36, 42, 28],
       [21, 37,  8, 52, 48],
       [20, 63, 58,  6, 64],
       [94, 16, 66, 80, 13]])
>>> a[:, [0, 3, 2, 4]]
array([[15, 82, 21, 19],
       [47, 31, 31, 32],
       [20,  6, 58, 64],
       [20, 42, 36, 28],
       [94, 80, 66, 13],
       [21, 52,  8, 48],
       [67, 37, 38,  3],
       [ 9, 72, 43, 32]])
>>> a[[0, 2], [3, 4]]
array([82, 64])

未完待续…