今天我们来接着看NumPy在Python中的应用
Integer array indexing(整数数组索引) :使用切片索引到NumPy数组时,生成的数组视图始终是原始数组的子数组,相反
整数数组索引允许你使用另一个数组中的数据构造任意数组,下面是一个例子
import numpy as np
a = np.array([[1,2],[3,4],[5,6]])
print(a[[0,1,2],[0,1,0]]) #打印 [1,4,5]
#如何得出的呢 首先 [0,1,2] 是维数 [0,1,0] 是所对应维数里的对应数 所以得出[1,4,5]
print(np.array([a[0,0],a[1,1],a[2,0]])) #打印 [1,4,5]
print(a[[0,0],[1,1]]) #打印 [2 2] 获得的都是a[0,1]
print(np.array([a[0,1],a[0,1]])) #打印 [2 2] 获得的都是a[0,1]
整数数组索引的一个有用的技巧是从矩阵的每一行中选择或者改变一个元素
import numpy as np
a = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
print(a)
b =np.array([0,2,0,1])
print(a[np.arange(4),b]) #打印 [1,6,7,11] 对应的是每个维度的对应数 a[0,0] a[1,2] a[2,0] a[3,1]
a[np.arange(4),b] +=10
print(a) #打印 [[11,2,3],
# [4,5,16],
# [17,8,9],
# [10,21,12]]
布尔数组索引:布尔数组索引允许你选择任何数组元素,通常,这种类型的索引用于选择满足某些条件的数组元素
import numpy as np
a = np.array([[1,2],[3,4],[5,6],[7,8]])
bool_idx = (a>2)
print(bool_idx) #打印 [[False False],
# [True True],
# [True True],
# [True True]]
print(a[bool_idx]) #打印 [3,4,5,6,7,8]
#等同于
print(a[a>2]) #打印 [3,4,5,6,7,8]
还有许多的NumPy索引的细节,需要大家自己去找,去发掘
心得 今天学到了两种索引 整数数组索引 他可以修改数组中每个值,精确的。还有就是布尔数组索引,他是作用于
按照条件查找所需的数组元素。