Python : numpy基本切片和数据索引

最新推荐文章于 2025-07-14 13:06:24 发布

原创

最新推荐文章于 2025-07-14 13:06:24 发布 · 407 阅读

2 ·

CC 4.0 BY-SA版权

本文介绍了Python numpy库中数组的基本切片和索引操作，包括单维度和多维度数组的索引方式。强调了切片操作创建的是原始数组的视图，修改切片会影响到原始数组。此外，还提到了复制数组的方法，如使用copy()方法创建副本，以避免对原始数据的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

“”""
（1）基本的切片和索引
注意：当你将一个标量值赋值给一个切片时（如arr[5:8]=12），该值会自动传播到整个选区。
“”"
import numpy as np
arr = np.arange(7)
print(arr)
print(arr[5])
print(arr[1:3])
print(arr[1:])
print(arr[:3])
arr[0:2] = 13 # 在指定位置新增数据，原有数组往后移位
print(arr)

区别于数列

arr1 = [0,1,2,3,4,5,6]
print(arr1)
arr1[0:3] = [“a”] # 列表中arr[0:3]位置的内容，被替换成"a"
print(arr1)
print("-“30)
“”"
（2）多维数组的索引
在多维数组中，如果省略了后面的索引，则返回对象会是一个维度低一点的ndarray
如：在一个二维数组中，各索引位置上的元素不再是标量而是一维数组：
“”"
arr2 = np.array([[1,2,3],[4,5,6],[7,8,9]])
print(arr2)
print(arr2[1]) # [4 5 6]
print(arr2[0][2]) # 3,取单个元素，第0行，第3列的元素
print(arr2[0,2]) # 3,取单个元素，第0行，第3列的元素
print("”*30)
“”"
（3）视图还是复制
视图：跟列表最重要的区别在于，数组切片是原始数组的视图。
这意味着数据不会被复制，修改切片，变动也会体现在原始数组arr中。
由于NumPy的设计目的是处理大数据，所以你可以想象一下，
假如NumPy坚持要将数据复制来复制去的话会产生何等的性能和内存问题。
“”"
arr3 = np.arange(10)
print(arr3)
slice = arr3[0:3]
print(