Numpy数据中的行切片、列切片以及行列结合的数据切片方法及具体代码举例

原创 已于 2025-06-13 15:18:35 修改 · 740 阅读 · 19 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#numpy #数据切片 #python

于 2025-06-13 02:28:37 首次发布

Numpy数据中的行切片、列切片以及行列结合的数据切片方法及具体代码举例

目录

Numpy中对数据进行切片读取是一项基本且重要的技能，上次通过博文：使用NumPy工具包生成一维、二维以及多维数组方法和具体举例介绍了使用NumPy工具包生成一维、二维以及多维数组方法和具体举例。本文将通过程序和运行验证，来熟悉对Numpy数据中的行切片、列切片以及行列结合的数据切片方法及具体代码举例。

〇、数据准备

0.1 一个五行五列array数据A的准备

import numpy as np
A=np.array([[21,53,78,90,10],[16,65,29,-6,186],[9,898,7,349,2],[82,62,5,48,3],[857,595,76,522,341]])
print(A)

运行结果：

[[ 21  53  78  90  10]
 [ 16  65  29  -6 186]
 [  9 898   7 349   2]
 [ 82  62   5  48   3]
 [857 595  76 522 341]]

0.2 一个四行五列array数据B的准备

B=np.arange(1,21,1).reshape(4,5)
print(B)

运行结果：

[[ 1  2  3  4  5]
 [ 6  7  8  9 10]
 [11 12 13 14 15]
 [16 17 18 19 20]]

一、行数据切片

1.1、单行数据切片方法举例

(1) 任意一行数据切片
#获取第0行数据
A[0,:]

运行结果：

array([21, 53, 78, 90, 10])

#第4行数据
A[4,:]

运行结果：

array([857, 595,  76, 522, 341])
(2)从尾行往回切的单行切片
A[-1,:]  #最后一行数据切片

运行结果：

array([857, 595,  76, 522, 341])

A[-2,:]  #最后第二行数据切片

运行结果：

array([82, 62,  5, 48,  3])

1.2、多行数据切片方法举例

(1) 任意多行数据的切片
A[(0,3,4),:]   #注意要使用圆括号将多个行号括起来

运行结果：

array([[ 21,  53,  78,  90,  10],
       [ 82,  62,   5,  48,   3],
       [857, 595,  76, 522, 341]])
(2) 连续多行数据的切片
A[1:4,:]

运行结果：

array([[ 16,  65,  29,  -6, 186],
       [  9, 898,   7, 349,   2],
       [ 82,  62,   5,  48,   3]])
(3)等间隔多行数据的切片
(a) 从头行开始的，所有行的等间隔多行数据的切片
A[::2,:]   #本例中等价于A[0::2,:]

运行结果：

array([[ 21,  53,  78,  90,  10],
       [  9, 898,   7, 349,   2],
       [857, 595,  76, 522, 341]])

A[0::2,:]

运行结果：

array([[ 21,  53,  78,  90,  10],
       [  9, 898,   7, 349,   2],
       [857, 595,  76, 522, 341]])
(b)从尾行开始的，所有行的等间隔多行数据的切片
A[::-2,:]   #负号表示反方向  ，本例中等价于A[-1::-2,:]

运行结果：

array([[857, 595,  76, 522, 341],
       [  9, 898,   7, 349,   2],
       [ 21,  53,  78,  90,  10]])

A[-1::-2,:]

运行结果：

array([[857, 595,  76, 522, 341],
       [  9, 898,   7, 349,   2],
       [ 21,  53,  78,  90,  10]])
©从指定行开始正向等间隔多行数据的切片
A[1::2,:]

运行结果：

array([[ 16,  65,  29,  -6, 186],
       [ 82,  62,   5,  48,   3]])
(d)从指定行开始反向等间隔多行数据的切片
A[4::-2,:] #负号表示反方向

运行结果：

array([[857, 595,  76, 522, 341],
       [  9, 898,   7, 349,   2],
       [ 21,  53,  78,  90,  10]])

二、列数据切片

2.1、单列数据切片方法举例

(1) 任意一列数据切片
#获取第2列数据
A[:,2]

运行结果：

array([78, 29,  7,  5, 76])
(2) 从尾列往回切的单个列数据切片
A[:,-1]    #最后一列数据

运行结果：

array([ 10, 186,   2,   3, 341])

A[:,-2]    #最后第二列数据

运行结果：

array([ 90,  -6, 349,  48, 522])

2.2、多列数据切片方法举例

(1) 任意多列数据的切片
A[:,(0,1,4)]   #注意要使用圆括号将多个列号括起来

运行结果：

array([[ 21,  53,  10],
       [ 16,  65, 186],
       [  9, 898,   2],
       [ 82,  62,   3],
       [857, 595, 341]])
(2) 连续多列数据的切片
A[:,1:4]

运行结果：

array([[ 53,  78,  90],
       [ 65,  29,  -6],
       [898,   7, 349],
       [ 62,   5,  48],
       [595,  76, 522]])
(3)等间隔多列数据的切片
(a) 从头列开始的，所有列的等间隔多列数据的切片
A[:,::2]   #本例等价于A[:,0::2]

运行结果：

array([[ 21,  78,  10],
       [ 16,  29, 186],
       [  9,   7,   2],
       [ 82,   5,   3],
       [857,  76, 341]])

A[:,0::2]

运行结果：

array([[ 21,  78,  10],
       [ 16,  29, 186],
       [  9,   7,   2],
       [ 82,   5,   3],
       [857,  76, 341]])
(b) 从尾列开始的往回，所有列的等间隔多列数据的切片
A[:,::-2]   #从最后一列开始，本例等价于A[:,-1::-2]  ，例如下面的计算结果

运行结果：

array([[ 10,  78,  21],
       [186,  29,  16],
       [  2,   7,   9],
       [  3,   5,  82],
       [341,  76, 857]])

A[:,-1::-2]  #负号表示反方向

运行结果：

array([[ 10,  78,  21],
       [186,  29,  16],
       [  2,   7,   9],
       [  3,   5,  82],
       [341,  76, 857]])
©从指定列开始到指定列止，正向等间隔多列数据的切片
A[:,1:4:2]   #从标号为1的列开始，到标号为4的列止，每隔2切片

运行结果：

array([[ 53,  90],
       [ 65,  -6],
       [898, 349],
       [ 62,  48],
       [595, 522]])
(d)从指定列开始反向到指定列止，等间隔多列数据的切片
A[:,-2:0:-2]   #从最后第二列开始往回切，到标号为0的列止  本例A数据的情景下等价于A[:,3::-2] 例如下面的计算结果

运行结果：

array([[ 90,  53],
       [ -6,  65],
       [349, 898],
       [ 48,  62],
       [522, 595]])

A[:,3::-2]

运行结果：

array([[ 90,  53],
       [ -6,  65],
       [349, 898],
       [ 48,  62],
       [522, 595]])

三、行与列结合的数据切片

import numpy as np
A=np.array([[21,53,78,90,10],[16,65,29,-6,186],[9,898,7,349,2],[82,62,5,48,3],[857,595,76,522,341]])
print(A)

运行结果：

[[ 21  53  78  90  10]
 [ 16  65  29  -6 186]
 [  9 898   7 349   2]
 [ 82  62   5  48   3]
 [857 595  76 522 341]]

3.1 对于单个数据切片

A[0,0]

运行结果：

np.int64(21)

A[2,4]

运行结果：

np.int64(2)

3.2 对于单行，多列数据切片

A[2,(0,1,3,4)]

运行结果：

array([  9, 898, 349,   2])

3.3 对于单列，多行数据切片

A[(2,3,4),3]

运行结果：

array([349,  48, 522])

3.4 对于多列，多行数据切片

（1）行或列的等间隔切片

例子1：

A[(2,3,4),1:3:1]      # 本例中等价于A[(2,3,4),1:3]  或者A[2:5:1,1:3]

运行结果：

array([[898,   7],
       [ 62,   5],
       [595,  76]])

A[(2,3,4),1:3]

运行结果：

array([[898,   7],
       [ 62,   5],
       [595,  76]])

A[2:5:1,1:3]

运行结果：

array([[898,   7],
       [ 62,   5],
       [595,  76]])

例子2：

A[:,0:3:2]  #从标号为0的列，到标号为3的列，之间每个2切片

运行结果：

array([[ 21,  78],
       [ 16,  29],
       [  9,   7],
       [ 82,   5],
       [857,  76]])
（2）行和列的非等间隔切片

例子1：从B中切出array([[ 7, 9, 10],[17, 19, 20]])，如下图所示的位置的数。

在这里插入图片描述

B=np.arange(1,21,1).reshape(4,5)
B

运行结果：

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10],
       [11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20]])

B[(1,3),:][:,(1,3,4)]   #采用先切出行，再切出列的分步切法，而不能使用B[(1,3),(1,3,4)]，否则会出错。

运行结果：

array([[ 7,  9, 10],
       [17, 19, 20]])

注意：不能使用B[(1,3),(1,3,4)]代替B[(1,3),:][:,(1,3,4)]进行切片 ，否则会出错。

四、总结

Numpy中对数据进行切片读取是一项基本且重要的技能，本文通过程序和运行验证，对Numpy数据中的行切片、列切片以及行列结合的数据切片方法及具体代码举例，便于在今后的Numpy数据应用中熟练对数据进行灵活切片使用。

【Python Numpy教程】切片和索引
m0_62599305的博客
11-02 8558
NumPy是Python中用于科学计算的重要库之一，它提供了多维数组对象和许多用于操作这些数组的函数。在本教程中，我们将探讨NumPy中的数组切片和索引，这是使用NumPy进行数据处理和分析时的关键概念。数组切片和索引使您能够访问、操作和修改NumPy数组的元素，对于数据处理和提取特定数据非常有用。在本教程中，我们介绍了如何使用NumPy进行数组切片和索引。这些功能使您能够有效地访问和操作NumPy数组中的元素。使用索引访问单个元素或使用负索引访问数组末尾的元素。
Python数据分析NumPy和pandas（三十、数据聚合和分组操作）
FreedomLeo1的博客
11-12 1693
对数据集进行分类并将函数应用于每个组（无论是聚合还是转换）是数据分析工作流程的关键组成部分。加载、合并和准备数据集后，需要按组统计数据或计算数据透视表，以便进行报告或可视化。pandas 提供了多功能的 GroupBy 界面，使您能够以自然的方式对数据集进行切片、切块和汇总。关系数据库和 SQL（代表“结构化查询语言”）流行的一个原因是数据可以轻松连接、筛选、转换和聚合。但是，SQL 等查询语言对执行按组操作不是很善长。
Numpy 数组切片
岳来的博客
12-30 1万+
Numpy 数组切片
numpy.array多维数组的切片操作总结
LIWEI940638093的博客
06-21 1万+
numpy.array多维数组的切片操作总结一 常规介绍1 一维数组切片2 二维数组的切片3 维数超过 3 的多维数组，可通过 '…' 来简化操作4 numpy中对切片元素的操作会影响原数组本身5 array和list的对比6 boolean/mask index二 多维数组array[index,index]和array[index][index]的区别 一 常规介绍 1 一维数组切片 一维数组类似于一条直线(一维),其上的坐标位置用一个数字就可表示，一个数字代表一个位置，对应一个值。 >>&
Python中numpy数组切片：print(a[0::2])、[::-1]、[::2]、[:,2]、[1:,-1:]、[ : ,: -1]，[:,-2:]、[ : n]、[m : ]等含义（详细）
热门推荐
锵锵锵锵蒋的博客
09-21 19万+
numpy 一维、二维数组切片操作，附详细示例。数组切片用到的负数值怎么理解附了很多例子！a[:-1],a[::-1],a[-2:-1]，a[-2::-1]、X[ : , :-1]，X[ : ,-1: ]，x[:,-2:]，x[:,-2:-1]可以自己试一试就懂了。
python：Numpy学习（二）切片合集
weixin_66118670的博客
03-10 2011
本文主要包含numpy.ndarray数组的多种切片方法，包括单取行、列，某几行中的某几列，列表索引 等多种切片方法。
python行数据切片_机器学习Python——pandas取行、列、切片
weixin_42387906的博客
01-12 809
# -*- coding: utf-8 -*-import numpy as npimport pandas as pddata = DataFrame(np.arange(20).reshape(4,5),index = list("ABCD"),columns=list('vwxyz'))'''v w x y za 0 1 2 3 4b 5 6 ...
【Numpy总结】第四节：Numpy的切片索引与高级索引
weixin_47139649的博客
08-19 3642
在高级索引中，最为有用的便是：布尔索引；简单来说就是，在切片的中括号内[]，使用筛选条件，该条件会返回一个布尔数据作为Mask，将需要的数据选取出来；实际上，我们并不需要知道Numpy是如何选取出来数据的，只要只要如何使用即可；在5的基础上，还可以通过交换输入的顺序，调整输出的顺序，例如：想要调换2,3列的顺序，同时调换 2,6 行的顺序；注意点二：布尔索引不一定要对数组中的所有元素，也可以针对某一行或者某一列进行筛选；选出指定的行与指定的列，例如选出第0,2,3列，第2,5,6 行的一个3*3数组;
Numpy数组中数据的抽取
12-21
在Numpy中，数据的抽取是一项关键操作，它允许我们基于特定条件筛选、统计和操纵数组中的元素。这里我们将深入探讨如何使用比较操作、布尔数组以及花哨索引来实现这一目标。 1. **比较操作** Numpy提供了丰富的...
29.8:Python的NumPy库中如何进行数组的索引和切片？
小兔子平安
06-07 121
NumPy数组的索引和切片操作是NumPy中常用的数组操作，对于科学计算和数据分析等领域的工作非常有用。在学习这些操作时，需要认真学习相关知识，并注意数组的形状和维度，以确保选择的元素与原始数组的形状匹配。此外，需要注意切片赋值操作返回的是一个视图，而不是一个新的数组，因此需要谨慎操作，以避免修改原始数组中的元素。
Numpy 切片和索引
2301_82147854的博客
04-01 934
详细讲解numpy库中的切片和索引的作用
(3)numpy数组的索引和切片操作
2301_79149013的博客
07-18 487
谈到索引，我们就应该想到，在python语言中，是如何对列表进行索引的？运行结果：通过代码两者之间的代码对比，我们可以很清楚的看到，在书写代码上，两者唯一的区别就是“用了几个括号？numpy数组这样进行索引的目的是什么？或者说，这样进行索引，会给我们带来什么便捷之处吗？这就不得不提高numpy数组的高级索引了。
NumPy数组切片
最新发布
Humbunklung的专栏
05-25 426
`NumPy` 的 **​​切片（Slicing）​** ​操作允许高效地访问和操作数组的子集，其语法与 `Python` 列表类似但更强大，支持​ **​多维切片​** ​和​ **​视图机制**​​（非副本）。以下是核心用法详解
Numpy索引和切片
m0_52854529的博客
10-18 1485
特性Python 列表NumPy 数组返回结果返回新列表返回原数组的视图，数据共享多维切片只支持一维切片支持多维数组的切片操作步长支持正步长和负步长支持正负步长，且可以对每一维度使用不同步长高级索引（布尔、整数索引）不支持支持布尔索在 NumPy 中，整数索引（也称为整型数组索引）是一种强大的功能，允许你通过一个或多个整数数组来访问或修改数组中的特定元素。通过整数索引，你可以根据数组中的位置快速提取所需的数据。
深入探索Numpy--索引，切片，随机数，文本操作等
景天科技苑
01-24 1367
老法师带你吃透Numpy--索引，切片，随机数，文本操作等
【Numpy】03 数组的切片和索引操作深入详解
高校教师 | AI兴趣者 专注Python|大数据|LLM学习 分享浅显易懂知识体系
05-29 2830
在数据分析和科学计算中，NumPy 是一个关键工具。本文将详细讲解 NumPy 数组的索引和切片操作。从基本概念入手，解释什么是索引和切片，以及它们的用途。通过一系列代码示例，你将学会如何在一维和多维数组中进行索引和切片操作，还会了解负索引的用法及其与 Python 列表切片的区别。无论你是新手还是希望巩固基础的老手，这篇博客都将为你提供实用的技巧和知识。快来探索 NumPy 数组的奇妙世界吧！
Numpy基础入门（3） ndarray广播，切片，坐标轴
qq_53845451的博客
12-11 1664
本节介绍了ndarray中的广播机制，切片操作与坐标轴和维度操作
1分钟带你搞明白 NumPy 的 ndarray 切片操作
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
04-04 1340
NumPy 的 ndarray 切片操作是一种灵活且强大的方式，用于获取数组的子数组，切片操作使得对数组的操作更加灵活和方便，可以方便地获取、处理和分析数组的不同部分，进行数据处理和分析。切片操作的基本语法是使用方括号 [] ，并指定起始索引、结束索引和步长（可选）。例如， arr[1:3] 会提取从索引 1 到索引 2（不包括索引 3）的元素。1. 指定起始和结束索引：可以通过指定起始索引和结束索引来提取指定范围内的元素。例如， arr[1:] 会提取从索引 1 到数组末尾的所有元素。
讲解一下numpy数组，并用python代码举例说明numpy数组的重要用法
07-14
NumPy（Numerical Python）是Python中用于科学计算的重要库，提供了高性能的多维数组对象和数学函数。NumPy数组是这个库的核心数据结构，它是一个由相同类型的元素组成的多维网格。 下面是NumPy数组的一些重要用法和示例代码： 1. 创建数组 ```python import numpy as np # 创建一维数组 arr1 = np.array([1, 2, 3, 4, 5]) print(arr1) # 创建二维数组 arr2 = np.array([[1, 2, 3], [4, 5, 6]]) print(arr2) # 创建全零数组 zeros_arr = np.zeros((2, 3)) print(zeros_arr) # 创建全一数组 ones_arr = np.ones((3, 2)) print(ones_arr) # 创建指定范围内的等差数组 range_arr = np.arange(0, 10, 2) print(range_arr) ``` 2. 数组操作 ```python import numpy as np arr = np.array([[1, 2, 3], [4, 5, 6]]) # 获取数组形状 shape = arr.shape print(shape) # 获取数组维度 dim = arr.ndim print(dim) # 获取数组元素类型 dtype = arr.dtype print(dtype) # 访问数组元素 element = arr[0, 1] print(element) # 切片操作 sliced_arr = arr[:, :2] print(sliced_arr) # 数组转置 transposed_arr = arr.T print(transposed_arr) ``` 3. 数组运算 ```python import numpy as np arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) # 数组加法 addition = arr1 + arr2 print(addition) # 数组乘法 multiplication = arr1 * arr2 print(multiplication) # 数组平方 squared_arr = arr1 ** 2 print(squared_arr) # 数组平均值 average = np.mean(arr1) print(average) # 数组最大值和最小值 maximum = np.max(arr1) minimum = np.min(arr1) print(maximum, minimum) ``` 以上只是NumPy数组的一些重要用法，还有很多其他操作和函数可以用于数组的变换、统计、线性代数等。NumPy的文档提供了更详细的信息和示例代码，可以进一步学习和了解。
评论
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
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