NumPy_怎么花式切片成为高级厨师

NumPy 切片和索引

ndarry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。

切片对象可以通过内置的 slice 函数，从原数组中切割出一个新数组。

slice(start,stop,step)
* start 起始索引
* stop 结束索引
* step 步长
* 注意：左闭右开

import numpy as np
a = np.arange(10)
s = slice(2,8,2) # 从下标2~8,步长为2定义这样一个切割对象
a_sub = a[s] # 这种写法不推荐，可以了解
print(a_sub)

[2 4 6 8]

b = a[5]# 如果只放置一个参数，如 [5]，将返回与该索引相对应的单个元素
print(b)

5

print(a[2:]) # 下标2~末尾下标之间的所有元素

[2 3 4 5 6 7 8 9]

#多维数组切片
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print(a)
# 从数据索引a[1:]处分割,得到的是[3,4,5],[4,5,6]
print("*"*10)
print(a[1:])

[[1 2 3]
 [3 4 5]
 [4 5 6]]
**********
[[3 4 5]
 [4 5 6]]

在多维数组的切片中，使用 , 区分维数。

比如下面的例子中，可以把冒号左边的数看成是横坐标，右边的数看成是纵坐标，四个坐标做笛卡尔积，即取数组 a 下标是 (0,1),(0,2),(1,1),(1,2) 四个位置的数。

import numpy as np
  
a=np.arange(0,12)
a.shape=(3,4)
print(a)
print(a[0:2,1:3]) # 相当于得到了行列式子式(第1~2列和第2~3列) 【注意这里的行数和列数在程序中都要减1，因为程序中计数是从0开始的】

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[[1 2]
 [5 6]]

在多维数组中，连续索引切片

a[1:3, 2:5] 中逗号左边的为行，右边为列（第 2 行到第 3 行，第 3 列到第 5 列）,输出结果：

import numpy as np
  
a=np.arange(0,80)
a.shape=(8,10)
print(a)
print('切片后')
print(a[1:3, 2:5])

[[ 0  1  2  3  4  5  6  7  8  9]
 [10 11 12 13 14 15 16 17 18 19]
 [20 21 22 23 24 25 26 27 28 29]
 [30 31 32 33 34 35 36 37 38 39]
 [40 41 42 43 44 45 46 47 48 49]
 [50 51 52 53 54 55 56 57 58 59]
 [60 61 62 63 64 65 66 67 68 69]
 [70 71 72 73 74 75 76 77 78 79]]
切片后
[[12 13 14]
 [22 23 24]]

在多维数组中，非连续索引切片

切片向量既可以为array,也可以为list类型

a = np.arange(0,25)
a.shape = (5,5)
print("原始数组：")
print(a)
print("想要将原数组的135行，24列切片组成新的矩阵..")
row_sli = np.array([0,2,4]) # 使用array作为切片向量
cow_sli = [1,3] # 使用列表list作为切片向量
print(a[row_sli,:][:,cow_sli])

原始数组：
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]
 [15 16 17 18 19]
 [20 21 22 23 24]]
想要将原数组的135行，24列切片组成新的矩阵..
[[ 1  3]
 [11 13]
 [21 23]]

整数数组索引

• 以下实例获取数组中(0,0)，(1,1)和(2,0)位置处的元素。

import numpy as np 
 
x = np.array([[1, 2], [3,  4], [5,  6]])
print(x)
y = x[[0,1,2], [0,1,0]]   # 方括号之间的","区分维度
print (y)

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

• 以下实例获取了 4X3 数组中的四个角的元素。 行索引是 [0,0] 和 [3,3]，而列索引是 [0,2] 和 [0,2]。

import numpy as np 
 
x = np.arange(12)
x.shape =(4,3)
print ('原数组：' )
print (x)
print ('\n')
rows = np.array([[0,0],[3,3]]) 
cols = np.array([[0,2],[0,2]]) 
y = x[rows,cols]  
print  ('这个数组的四个角元素是：')
print (y)

    原数组：
    [[ 0  1  2]
     [ 3  4  5]
     [ 6  7  8]
     [ 9 10 11]]
	 这个数组的四个角元素是：
​    [[ 0  2]
​     [ 9 11]]

​

• 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 ndarray。

import numpy as np
 
a = np.array([[1,2,3],[3,4,5],[4,5,6]])  
print(a)
print (a[...,1])   # 第2列元素
print (a[1,...])   # 第2行元素
print (a[...,1:])  # 第2列及剩下的所有元素
print(a[...]) # 原数组

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

• 可以借助切片 : 或 … 与索引数组组合。如下面例子：

import numpy as np
a = np.arange(1,10)
a.shape=(3,3)
print(a)

b = a[1:3,1:3] # 左闭右开
c = a[1:3,[1,2]]
d = a[...,1:]

print(b)
print(c)
print(d)

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

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。

• 获取大于 5 的元素：

x =np.arange(0,12)
x.shape=(3,4)
print("原数组：")
print(x)
print  ('大于 5 的元素是：')
print(x[x>5])

原数组：
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
大于 5 的元素是：
[ 6  7  8  9 10 11]

• 使用 ~（取补运算符）来过滤 NaN。(NaN即None空数据)

a=np.array([np.nan,1,2,np.nan,3,4,5])
print("过滤前的原数组：")
print(a)
print("过滤NaN数据后的数组：")
print(a[~np.isnan(a)])

过滤前的原数组：
[nan  1.  2. nan  3.  4.  5.]
过滤NaN数据后的数组：
[1. 2. 3. 4. 5.]

• 从数组中过滤掉非复数元素。

a = np.array([[1,2+6j,5],[2,4+2j,3],[4,6+2j,8]])
print("过滤前的原数组：")
print(a)
print("过滤复数数据后的数组：")
print(a[~np.iscomplex(a)])
print("过滤非复数数据后的数组：")
print(a[np.iscomplex(a)])

过滤前的原数组：
[[1.+0.j 2.+6.j 5.+0.j]
 [2.+0.j 4.+2.j 3.+0.j]
 [4.+0.j 6.+2.j 8.+0.j]]
过滤复数数据后的数组：
[1.+0.j 5.+0.j 2.+0.j 3.+0.j 4.+0.j 8.+0.j]
过滤非复数数据后的数组：
[2.+6.j 4.+2.j 6.+2.j]

花式索引

花式索引指的是利用整数数组作为索引。
花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。对于使用一维整型数组作为索引，如果目标是一维数组，那么索引的结果就是对应位置的元素；如果目标是二维数组，那么就是对应下标的行。
花式索引跟切片不一样，它总是将数据复制到新数组中。

• 传入顺序索引数组(体会花式索引和整数数组索引的区别)

import numpy as np 
 
x=np.arange(32).reshape((8,4))
print (x)
arr = np.array([[4,2,1,7],[2,1,2,3]]) # 定义顺序索引数组,目标是二维数组，数字4,2,1,7就是对应下标的行。
print("*"*20)
print("花式索引x[ [4,2,1,7] ]")
print(x[[4,2,1,7]])
print("*"*20)
# print("整数数组索引x[4,2,1,7]") # 报错

# print(x[4,2,1,7])

print("花式索引x[ [[4,2,1,7],[2,1,2,3]] ]")
print("*"*20)
print(x[arr])
print("整数数组索引x[[4,2,1,7],[2,1,2,3]]")
print("*"*20)
print(x[[4,2,1,7],[2,1,2,3]])

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]
 [16 17 18 19]
 [20 21 22 23]
 [24 25 26 27]
 [28 29 30 31]]
********************
花式索引x[ [4,2,1,7] ]
[[16 17 18 19]
 [ 8  9 10 11]
 [ 4  5  6  7]
 [28 29 30 31]]
********************
花式索引x[ [[4,2,1,7],[2,1,2,3]] ]
********************
[[[16 17 18 19]
  [ 8  9 10 11]
  [ 4  5  6  7]
  [28 29 30 31]]

 [[ 8  9 10 11]
  [ 4  5  6  7]
  [ 8  9 10 11]
  [12 13 14 15]]]
整数数组索引x[[4,2,1,7],[2,1,2,3]]
********************
[18  9  6 31]

• 传入倒序索引数组

import numpy as np 
 
x=np.arange(32).reshape((8,4))
print(x)
print("*"*20)
print (x[[-4,-2,-1,-7]]) # -1 索引对应二维的最后一行，对应1维的最后一个元素，然后递推

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]
 [16 17 18 19]
 [20 21 22 23]
 [24 25 26 27]
 [28 29 30 31]]
********************
[[16 17 18 19]
 [24 25 26 27]
 [28 29 30 31]
 [ 4  5  6  7]]

• 传入多个索引数组（要使用np.ix_）

如果 np.xi_ 中输入两个列表，则第一个列表存的是待提取元素的行标，第二个列表存的是待提取元素的列标，第一个列表中的每个元素都会遍历第二个列表中的每个值，构成新矩阵的一行元素。

import numpy as np 
 
x=np.arange(32).reshape((8,4))
print(x)
print("-"*20)
print (x[np.ix_([1,5,7,2],[0,3,1,2])]) 

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]
 [16 17 18 19]
 [20 21 22 23]
 [24 25 26 27]
 [28 29 30 31]]
--------------------
[[ 4  7  5  6]
 [20 23 21 22]
 [28 31 29 30]
 [ 8 11  9 10]]

原理：np.ix_函数就是输入两个数组，产生笛卡尔积的映射关系.
例如就这个例子，np.ix_函数，将数组[1,5,7,2]和数组[0,3,1,2]产生笛卡尔积，就是得到(1,0)，(1,3)，(1,1)，(1,2)；(5,0)，(5,3)，(5,1)，(5,2)；(7,0)，(7,3)，(7,1)，(7,2)；(2,0)，(2,3)，(2,1)，(2,2)；

就是按照坐标(1,0)，(1,3)，(1,1)，(1,2)取得 arr2 所对应的元素4，7，5，6

(5,0)，(5,3)，(5,1)，(5,2)取得 arr2 所对应的元素20，23，21，22

如此类推。
这一段论述转载至TzeSing的博客：原文链接：https://blog.csdn.net/weixin_40001181/article/details/79775792