python--ndarray--切片和索引

ndarray 对象的内容可以通过索引或切片来访问和修改 ，与python中list的切片操作一样

ndarry 数组可以基于0-n 的下标进行索引，切片对象可以通过内置的slice函数，并设置start,stop 

及step参数进行 从原数组中切割出一个新数组

import numpy as np
arr = np.arange(10)
print(arr[1])

#从索引2开始到索引7 停止 间隔为2

s = slice(2,7,2)
print(arr)
print(arr[s])

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

可以使用： 代替 slice

所示：

start:stop:step

切片还可以包括省略号... 来使选择元组的长度与数组的维度相同，如果在行位置使用省略号 它将返回包含行中元素的ndarry

import numpy as np
arr = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12],[13,14,15]])
print(arr)
print("---------")
# 第二列元素
print(arr[...,1])
print("-------------")
#第二行元素
print(arr[1,...])
print(arr[...,1:])

[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]
 [13 14 15]]
---------
[ 2  5  8 11 14]
-------------
[4 5 6]
[[ 2  3]
 [ 5  6]
 [ 8  9]
 [11 12]
 [14 15]]

高级索引

import numpy as np

arr = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
#0,0 1,1, 2,0
print(arr)
print(arr[[0,1,2],[0,1,0]])

rows = np.array([[0,0],[3,3]])
cols = np.array([[0,2],[0,2]])
print("\n")
print(arr[rows,cols])

[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]
[1 5 7]


[[ 1  3]
 [10 12]]

布尔索引

布尔索引通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组

打印大于5 的元素

import numpy as np
arr = np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11]])
print(arr[arr>5])

[ 6  7  8  9 10 11]

使用 ～（取补运算符）来过滤NaN

import numpy as np 

arr = np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11]])
print(arr[arr>5])

[1. 2. 3. 4. 5.]

arr = np.array([np.nan,1,2,np.nan,4,5,6])
print(arr)
print(arr[~np.isnan(arr)])

[nan  1.  2. nan  4.  5.  6.]
[1. 2. 4. 5. 6.]