文章目錄
五、索引
1.簡單索引
1.1 一維數組
data = np.arange(100, step=10)
data
>>>
array([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90])
data[1:5]
>>>
array([10, 20, 30, 40])
data[4:]
>>>
array([40, 50, 60, 70, 80, 90])
data[:4]
>>>
array([ 0, 10, 20, 30])
1.2 二維數組
data = np.arange(16).reshape(4, 4)
data
>>>
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
data[1:3]
>>>
array([[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
data[1:]
>>>
array([[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
data[1:3, 1:3]
>>>
array([[ 5, 6],
[ 9, 10]])
data[:, 1:3]
>>>
array([[ 1, 2],
[ 5, 6],
[ 9, 10],
[13, 14]])
2.數組作爲索引
data = np.arange(16).reshape(4,4)
data
>>>
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
data[[0, 2, 3], [1, 2, 3]]
>>>
array([ 1, 10, 15])
對應座標（0，1）（2，2）（3，3）
print (data[0,1], data[2,2], data[3,3])
>>>
1 10 15
xidx = np.array([0, 2, 3])
yidx = np.array([1, 2, 3])
data[xidx, yidx]
>>>
array([ 1, 10, 15])
# 修改每行裏的特定列的數據
yidx = [0, 3, 2, 0]
data[np.arange(4), yidx] += 100
data
>>>
array([[100, 1, 2, 3],
[ 4, 5, 6, 107],
[ 8, 9, 110, 11],
[112, 13, 14, 15]])
3.bool 索引
data = np.arange(16).reshape(4,4)
data
>>>
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
idx = data >= 10
idx
>>>
array([[False, False, False, False],
[False, False, False, False],
[False, False, True, True],
[ True, True, True, True]], dtype=bool)
data[idx]
>>>
array([10, 11, 12, 13, 14, 15])
# 輸出是元素線性化後的結果
data[data >= 10]
>>>
array([10, 11, 12, 13, 14, 15])
# 偶數元素
data[data % 2 == 0]
>>>
array([ 0, 2, 4, 6, 8, 10, 12, 14])
4.廣播特性
a=np.array([[[1,2,3],[4,5,6]],[[1,2,3],[2,4,5]]])
a
>>>
array([[[1, 2, 3],
[4, 5, 6]],
[[1, 2, 3],
[2, 4, 5]]])
a + 2 #類似於上圖1
>>>
array([[[3, 4, 5],
[6, 7, 8]],
[[3, 4, 5],
[4, 6, 7]]])
c = np.random.random((1,3))
c
a + c #維度(2,2,3)和(1,3)的array相加，基於廣播特性，最後得到維度(2,2,3)的array
a+c
>>>
array([[[1.14365424, 2.62859846, 3.01655191],
[4.14365424, 5.62859846, 6.01655191]],
[[1.14365424, 2.62859846, 3.01655191],
[2.14365424, 4.62859846, 5.01655191]]])
六、合併與分割
1.合併
1.1 vstack,hstack
a=np.array([1,1,1])
b=np.array([2,2,2])
c=np.vstack((a,b))#上下合併
d=np.hstack((a,b))#左右合併
c
>>>
array([[1, 1, 1],
[2, 2, 2]])
d
>>>
array([1, 1, 1, 2, 2, 2])
1.2 concatenate
concatenate((a1, a2, …), axis=0) #數組拼接函數
- 參數:
a1,a2……:爲要拼接的數組
axis:在哪個維度上進行拼接，默認爲0
a=np.array([[1,1,1]])
b=np.array([[2,2,2]])
np.concatenate((a,b), axis=0)
>>>
array([[1, 1, 1],
[2, 2, 2]])
np.concatenate((a,b), axis=1)
>>>
array([[1, 1, 1, 2, 2, 2]])
1.3 增加維度
a.shape
>>>
(3,)
print(a[np.newaxis,:].shape)#行上加一個維度
>>>
(1, 3)
print(a[:,np.newaxis].shape)#縱向上加一個維度
>>>
(3, 1)
2.分割
2.1 split 平均分割
a=np.arange(12).reshape((3,4))
a
>>>
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
print(np.split(a,2,axis=1)) #縱向分割，平分成兩個部分，不能不平均分割
>>>
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
2.2 array_split 不均等分割
print(np.array_split(a,3,axis=1))
>>>
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2],
[ 6],
[10]]), array([[ 3],
[ 7],
[11]])]
2.3 vsplit,hsplit
print(np.vsplit(a,3) )#縱向分三塊
>>>
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
print(np.hsplit(a,3) )#橫向分三塊
>>>
ValueError: array split does not result in an equal division
print(np.hsplit(a,3) )#橫向分兩塊
>>>
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
七、拷貝
1.無拷貝
簡單的複製操作不會產生對象的複製操作。
a=np.arange(4)
b=a
b.shape=(2,2)
a.shape
>>>
(2,2)
2. 淺拷貝
view操作，如numpy的slice，只會copy父對象，不會copy底層的數據，共用原始引用指向的對象數據。如果在view上修改數據，會直接反饋到原始對象。
a=np.arange(4)
b=a
b.shape=(2,2)
id(a)
>>>
2245541785648
c = a.view()#c的引用地址變化了
id(c)
>>>
2245541787408
c.shape =(2,2) #a.shape不變,但是修改c的數據會導致a的數據也會變化
a.shape
>>>
(4,)
c[0]=999
a
>>>
array([999, 999, 2, 3])
c
>>>
array([[999, 999],
[ 2, 3]])
3. 深拷貝
對對象及其子對象都進行copy一份，對新生成的對象修改刪除操作不會影響到原對象。
a = np.arange(4)
b=a #對象複製,a,b地址一樣
b.shape =（2，2）#a對象的shape也會變化
id(a),id(b)
>>>
(2245541788288, 2245541788288)
d = a.copy() #deep copy
id(d)
>>>
2245541848128
#對象修改刪除操作不會影響到原對象
d[0]=9
d
>>>
array([[9, 9],
[2, 3]])
a
>>>
array([[0, 1],
[2, 3]])
摘自：https://blog.csdn.net/genghaihua/article/details/92806584