NumPy Python中的基本切片和高级索引

先决条件： Python中的 Numpy 简介
NumPy 或 Numeric Python是一个用于计算齐次 n 维数组的包。在 numpy 维度中称为轴。

为什么我们需要 NumPy ？

出现了一个问题，当Python列表已经存在时，为什么我们需要 NumPy。答案是我们不能直接对两个列表的所有元素执行操作。例如，我们不能直接将两个列表相乘，我们必须按元素进行。这就是 NumPy 发挥作用的地方。

Python

# Python program to demonstrate a need of NumPy
 
list1 = [1, 2, 3, 4 ,5, 6]
list2 = [10, 9, 8, 7, 6, 5]
 
# Multiplying both lists directly would give an error.
print(list1*list2)

输出 ：

TypeError: can't multiply sequence by non-int of type 'list'

因为这可以通过 NumPy 数组轻松完成。

另一个例子，

Python

# Python program to demonstrate the use of NumPy arrays
import numpy as np
 
list1 = [1, 2, 3, 4, 5, 6]
list2 = [10, 9, 8, 7, 6, 5]
 
# Convert list1 into a NumPy array
a1 = np.array(list1)
 
# Convert list2 into a NumPy array
a2 = np.array(list2)
 
print(a1*a2)

输出 ：

array([10, 18, 24, 28, 30, 30])

本文将帮助您详细了解 NumPy 中的索引。 Python的numpy包具有以不同方式索引的强大功能。

使用索引数组进行索引

索引可以通过使用数组作为索引在 numpy 中完成。在切片的情况下，返回数组的视图或浅表副本，但在索引数组中返回原始数组的副本。 Numpy 数组可以用其他数组或任何其他序列索引，但元组除外。最后一个元素由 -1 索引，第二个由 -2 索引，依此类推。

Python

# Python program to demonstrate
# the use of index arrays.
import numpy as np
 
# Create a sequence of integers from 10 to 1 with a step of -2
a = np.arrange(10, 1, -2)
print("\n A sequential array with a negative step: \n",a)
 
# Indexes are specified inside the np.array method.
newarr = a[np.array([3, 1, 2 ])]
print("\n Elements at these indices are:\n",newarr)

输出 ：

A sequential array with a negative step:
[10  8  6  4  2]

Elements at these indices are:
[4 8 6]

另一个例子，

Python

import numpy as np
 
# NumPy array with elements from 1 to 9
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
 
# Index values can be negative.
arr = x[np.array([1, 3, -3])]
print("\n Elements are : \n",arr)

输出 ：

Elements are:
[2 4 7]

索引类型

有两种类型的索引：

1. 基本切片和索引：考虑语法 x[obj]，其中 x 是数组，obj 是索引。切片对象是基本切片情况下的索引。当 obj 为 时发生基本切片：

1. 形式为 start : stop : step 的切片对象
2. 一个整数
3. 或切片对象和整数的元组

基本切片生成的所有数组始终是原始数组的视图。

Python

# Python program for basic slicing.
import numpy as np
 
# Arrange elements from 0 to 19
a = np.arrange(20)
print("\n Array is:\n ",a)
 
# a[start:stop:step]
print("\n a[-8:17:1] = ",a[-8:17:1])
 
# The : operator means all elements till the end.
print("\n a[10:] = ",a[10:])

输出 ：

Array is:
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19]

a[-8:17:1]  =  [12 13 14 15 16]

a[10:] = [10 11 12 13 14 15 16 17 18 19] 

省略号也可以与基本切片一起使用。省略号 (...) 是 : 对象的数量，需要创建一个长度与数组维度相同的选择元组。

Python

# Python program for indexing using basic slicing with ellipsis
import numpy as np
 
# A 3 dimensional array.
b = np.array([[[1, 2, 3],[4, 5, 6]],
            [[7, 8, 9],[10, 11, 12]]])
 
print(b[...,1]) #Equivalent to b[: ,: ,1 ]

输出 ：

[[ 2  5]
 [ 8 11]]

2. 高级索引：当 obj 为 时触发高级索引：

• 整数或布尔类型的 ndarray
• 或具有至少一个序列对象的元组
• 是一个非元组序列对象

高级索引返回数据的副本而不是它的视图。高级索引有整数和布尔两种类型。

纯整数索引：当整数用于索引时。第一维的每个元素都与第二维的元素配对。所以本例中元素的索引为 (0,0),(1,0),(2,1) 并选择相应的元素。

Python

# Python program showing advanced indexing
import numpy as np
 
a = np.array([[1 ,2 ],[3 ,4 ],[5 ,6 ]])
print(a[[0 ,1 ,2 ],[0 ,0 ,1]])

输出 ：

[1 3 6]

布尔索引
这个索引有一些布尔表达式作为索引。返回满足该布尔表达式的那些元素。它用于过滤所需的元素值。

Python

# You may wish to select numbers greater than 50
import numpy as np
 
a = np.array([10, 40, 80, 50, 100])
print(a[a>50])

输出 ：

[80 100]

Python

# You may wish to square the multiples of 40
import numpy as np
 
a = np.array([10, 40, 80, 50, 100])
print(a[a%40==0]**2)

输出 ：

[1600 6400])

Python

# You may wish to select those elements whose
# sum of row is a multiple of 10.
import numpy as np
 
b = np.array([[5, 5],[4, 5],[16, 4]])
sumrow = b.sum(-1)
print(b[sumrow%10==0])

输出 ：

array([[ 5, 5], [16, 4]])