Python数据分析--科学计算工具Numpy索引及切片（持续更新中）

我又来了，今天事情有点多，所以只好现在来更新啦~
今天呢，我们讲一下Numpy索引和切片，这部分知识和我们之间讲解的序列的索引和切片是非常相似的，有兴趣的同学可以翻一下以前的博客
（1）简单索引及切片
首先来看一下一维数组的索引和切片

ar = np.arange(20)
print(ar)
print(ar[4])
print(ar[3:6])
print('-----')

输出结果：

跟我们之前学的序列的索引和切片其实没什么太大的区别啦，还是相当的简单
再来看一下二维数组索引及切片

ar = np.arange(16).reshape(4,4)#创建二维数组
print(ar, '数组轴数为%i' %ar.ndim)   # 4*4的数组
print(ar[2],  '数组轴数为%i' %ar[2].ndim)  # 切片为下一维度的一个元素，所以是一维数组
print(ar[2][1]) # 二次索引，得到一维数组中的一个值
print(ar[1:3],  '数组轴数为%i' %ar[1:3].ndim)  # 切片为两个一维数组组成的二维数组
print(ar[2,2])  # 切片数组中的第三行第三列 → 10
print(ar[:2,1:])  # 切片数组中的1,2行、2,3,4列 → 二维数组
print('-----')

输出结果：

再来看一下三维数组的索引及切片

ar = np.arange(8).reshape(2,2,2)
print(ar, '数组轴数为%i' %ar.ndim)   # 2*2*2的数组
print(ar[0],  '数组轴数为%i' %ar[0].ndim)  # 三维数组的下一个维度的第一个元素 → 一个二维数组
print(ar[0][0],  '数组轴数为%i' %ar[0][0].ndim)  # 三维数组的下一个维度的第一个元素下的第一个元素 → 一个一维数组
print(ar[0][0][1],  '数组轴数为%i' %ar[0][0][1].ndim)  

输出结果：

三维数组我们一般不涉及，大家了解一下就okay
（2）布尔型索引及切片
布尔型索引多用于判断筛选元素，后面我们回血pandas模块，pandas的判断方式就是源于这里，这部分虽然简单但还是有必要记一下

ar = np.arange(12).reshape(3,4)
i = np.array([True,False,True])
j = np.array([True,True,False,False])
print(ar)
print(i)
print(j)
print(ar[i,:])  # 在第一维度做判断，只保留True，这里第一维度就是行，ar[i,:] = ar[i]（简单书写格式）
print(ar[:,j])  # 在第二维度做判断，这里如果ar[:,i]会有警告，因为i是3个元素，而ar在列上有4个
# 布尔型索引：以布尔型的矩阵去做筛选

m = ar > 5
print(m)  # 这里m是一个判断矩阵
print(ar[m])  # 用m判断矩阵去筛选ar数组中>5的元素

输出结果：

（3）数组索引及切片的值的更改、复制
学了以上基本概念，我们重点看一下Numpy索引及切片的值怎样更改复制
首先来看怎样更改，方法还是很简单，跟以前序列更改元素方法一毛一样

ar = np.arange(10)
print(ar)
ar[5] = 100
ar[7:9] = 200
print(ar)

输出结果：

再来看数组的复制，通过copy（）方法

ar = np.arange(10)
b = ar.copy()
b[7:9] = 200
print(ar)
print(b)

输出结果：

今天就先到这里啦，明天将随机数会比较有趣一点

本人是一位211高校在读的本科生，对数据分析比较感兴趣，去年拿到了数学建模国家一等奖，今年参加了美赛还没结果，参加比赛选的题型都是大数据型，用过Excel，Spss，Lingo，MATLAB做数据分析，现在觉得Python比较高效，做数据可视化也非常方便，每天都在坚持学习，对Python数据分析和数据可视化有兴趣的可以关注我哦，每天都会更新的，跟我一起进步呀