《利用python进行数据分析》第4章学习笔记（2）

第4章 NumPy基础：数组和矢量计算（Part2）

目录

第4章 NumPy基础：数组和矢量计算（Part2）

NumPy的ndarray：一种多维数组对象

基本的索引和切片

一维数组

高维数组的元素索引

高维数组的切片索引

布尔型索引

花式索引

np.ix_函数

数组转置和轴对换

transpose方法

.T

通用函数：快速的元素级数组函数

sqrt函数

exp函数

maximum函数

---

NumPy的ndarray：一种多维数组对象

基本的索引和切片

一维数组

一维数组的索引和切片方式跟Python列表的差不多：

#code
data = np.arange(10)
print(data[4:7])

#output
[4 5 6]

比较有趣的是数组的赋值操作。当你将一个标量值赋值给一个切片时（如data[4 : 7] = 10），该值会自动传播到整个选区，这也是后面板块会讲到的广播：

#code
data = np.arange(10)
data[4:7] = 10
print(data)

#output
[ 0  1  2  3 10 10 10  7  8  9]

这是数组跟列表很重要的区别：数组切片是原始数组的视图。这意味着数据不会被复制，视图上的任何修改都会直接反映到源数组上（学到这里我已经震惊了：是我见识太少了没错，Python的功能强大程度远超我的想象）。这么做的原因是：NumPy的设计目的是处理大数据，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。

当然，如果你想要得到的是ndarray切片的副本而非视图，就需要显式地进行复制操作：

#code
data = np.arange(10)
ans = data[4:7].copy()
ans[:] = 10
print(data)

#output
[0 1 2 3 4 5 6 7 8 9]

高维数组的元素索引

这里就拿二维数组来举例。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：

#code
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2d[1])

#output
[4 5 6]

想要选取单个元素，有以下两种等价的方式：

#code
print(arr2d[0, 2])

#output
3

#code
print(arr2d[0][2])

#output
3

标量值和数组都可以被赋值给选取出来的元素：

#code
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
old_values = arr2d[0].copy()
arr2d[0] = 10
print(arr2d)

#output
[[10 10 10]
 [ 4  5  6]
 [ 7  8  9]]

#code
arr2d[0] = old_values
print(arr2d)

#output
[[1 2 3]
 [4 5 6]
 [7 8 9]]

高维数组的切片索引

高维度对象的花样更多，你可以在一个或多个轴上进行切片，也可以跟整数索引混合用。以上面那个二维数组arr2d为例：

#code
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2d[:2])

#output
[[1 2 3]
 [4 5 6]]

可以看出，它是沿着第一个轴切片的。你可以一次传入多个切片，就像传入多个索引一样：

#code
print(arr2d[:2, 1:])

#output
[[2 3]
 [5 6]]

通过将整数索引和切片混合，可以得到低维度的切片：

#code
print(arr2d[1, 1:])

#output
[5 6]

同样，':'表示选取整个轴，因此可以如下操作对高维轴进行切片：

#code
print(arr2d[:, 1:])

#output
[[2 3]
 [5 6]
 [8 9]]

自然，对切片表达式的赋值操作也会被扩散到整个选区：

#code
arr2d[:2, 1:] = 0
print(arr2d)

#output
[[1 0 0]
 [4 0 0]
 [7 8 9]]