【Python】Numpy数组的切片、索引详解：取数组的特定行列

已于 2023-02-26 19:41:17 修改
阅读量3.7k 收藏 19
点赞数 2
分类专栏： # Python 使用说明 文章标签： numpy python 开发语言
于 2023-02-26 17:44:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_51392112/article/details/129228532
版权

【Python】Numpy数组的切片、索引详解：取数组的特定行列

文章目录

1. 介绍

Numpy的数组除了可使用内置序列的索引方式之外，提供了更多的索引能力。

  • 如通过切片、整数数组和布尔数组等方式进行索引。

这使得Numpy索引功能很强大，但同时也带来了一些复杂性和混乱性，尤其是多维索引数组。

  • Numpy数组的切片索引，不会复制内部数组数据，仅创建原始数据的新视图，以引用方式访问数据。
  • 而使用数组索引进行索引时，返回数据副本，而不是创建视图。索引可避免在数组中循环各元素，从而大大提高了性能。

2. 切片索引

Numpy数组的切片索引，不会复制内部数组数据，仅创建原始数据的新视图，以引用方式访问数据。

  • 切片索引适用于有规律的查找指定位置的元素（元素位置位于等差序列）；
  • 当切片的数量少于数组维度时，缺失的维度索引被认为是一个完整切片，省略、“:”、“…”三者等价；

2.1 切片索引先验知识

对于一维数组来说，python原生的list和numpy的array的切片操作都是相同的，记住一个规则

  • arr[start: end: step]

下面是几个特殊的例子：

  • [:] 表示复制源列表。
  • 负的index表示，从后往前。-1表示最后一个元素。
import numpy as np
data = np.arange(20).reshape(4,5)

#array([[ 0,  1,  2,  3,  4],
#       [ 5,  6,  7,  8,  9],
#       [10, 11, 12, 13, 14],
#       [15, 16, 17, 18, 19]])

data[1,:] #data[i,:] 获取第i行元素 同理data[:,i] 获取第i列元素
#array([5, 6, 7, 8, 9])

data[:,-3:] #获取所有的行中倒数第三个到最后的元素
#array([[ 2,  3,  4],
#       [ 7,  8,  9],
#       [12, 13, 14],
#       [17, 18, 19]])
data[:,:3] #获取所有的行中从0到2的元素(注意时左闭右开)
#array([[ 0,  1,  2],
#       [ 5,  6,  7],
#       [10, 11, 12],
#       [15, 16, 17]])

#取一个数据块
data[0:2,0:3] # 注意,时左闭右开原则
#array([[0, 1, 2],
#       [5, 6, 7]])

2.1 一维数组的切片索引

>>> a = np.arange(16)
>>> a
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])
>>> a[::-1]	# 逆序
array([15, 14, 13, 12, 11, 10,  9,  8,  7,  6,  5,  4,  3,  2,  1,  0])
>>> a[...]	# 索引全部元素，与a[:]等价
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])
>>> a[2:6:2]	# 索引位置2,4的两个元素, 从2到6（不包括6），步长为2
array([2, 4])

2.3 多维数组的切片索引

>>> b = np.arange(16).reshape(4,4)
>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])
 >>> b[:, ::-1]		# 轴2逆序，即列逆序
array([[ 3,  2,  1,  0],
       [ 7,  6,  5,  4],
       [11, 10,  9,  8],
       [15, 14, 13, 12]])
>>> b[1:3]		# 轴1位置0,1，即第1,2行
array([[ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> b[1:3, :4:2]	# 第1,2行，第0,2列
array([[ 4,  6],
       [ 8, 10]])
>>> c = np.arange(24).reshape(2,3,4)
>>> c
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
>>> c[:, 0, :2]
array([[ 0,  1],
       [12, 13]])

3. 数组索引（副本）

Numpy的数组索引，返回数据副本，而不是创建视图。相比切片索引，整数数组的索引更具有通用性，因为其不要求索引值具有特定规律。

  • 对于索引数组中未建立索引的维度（索引数组中的索引集数目小于被索引数组维度），默认被全部索引；
  • 索引结果数组的形状由索引数组的形状与被索引数组中所有未索引的维的形状串联组成，也就是说，若对数组的所有维度建立索引，则索引数组的形状等于结果数组的形状；
  • 若索引数组具有匹配的形状，即索引数组个数（索引集数）等于被索引数组的维度，此时结果数组与索引数组具有相同形状，且这些结果值对应于各维索引集的索引在索引数组中的位置；

3.1 一维数组的数组索引

>>> a = np.arange(16)
>>> a
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])
>>>a[[0,1]]			# 第0,1位置的元素，结果数组维度为1，与a[[[0,1]]]等价
array([0, 1])
>>> a[np.array([[0,1]])]	# 第0,1位置的元素，结果数组1*2，与a[[[[0,1]]]]等价
array([[0, 1]])
>>> a[np.array([[0,1], [2,3]])]	# 第0,1,2,3位置的4个元素，结果数组2*2
array([[0, 1],
       [2, 3]])

3.2 多维数组的数组索引

由于二维数组的整数索引用途广泛，在此做详细介绍。被索引的二维数组/矩阵b，如下：
在这里插入图片描述

3.2.1 对于索引数组数量小于被索引数组维度的情况
>>> b = np.arange(16).reshape(4,4)
>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])	
>>> b[[1,3]]			# 轴2缺省(长度为4)，被索引全部，索引数组一维长度为2，结果数组二维2*4
array([[ 4,  5,  6,  7],
       [12, 13, 14, 15]])
>>> b[np.array([[0,1], [0,2]])]	# 轴2缺省(长度为4)，被索引全部，索引数组二维2*2，结果数组三维2*2*4
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 0,  1,  2,  3],
        [ 8,  9, 10, 11]]])
3.2.2 红色标记的元素为待索引元素，对应结果数组分别为一维和二维数组c, d：

在这里插入图片描述

>>> c = b[[0,0,1,1], [1,3,2,3]]		# 与结果数组同形，长度为4的一维数组
>>> c
array([1, 3, 6, 7])
>>> d = b[[[0,0],[1,1]], [[1,3],[2,3]]]	# 与结果数组同形，2*2，等价于b[[[0],[1]], [[1,3],[2,3]]]（广播）
>>> d
array([[1, 3],
       [6, 7]])
3.2.3 需索引数组的指定行列（红色标记位置），对应结果数组为二维数组e：（这个比较重要感觉）

在这里插入图片描述

>>> i = [[0], [1]]
>>> j = [[1,3]]
>>> b[i, j]	# b[[[0],[1]], [[1,3]]]，等价于b[[[0,0], [1,1]], [[1,3], [1,3]]]
array([[1, 3],
       [5, 7]])

上述结果反映了整数数组索引同样具有广播性质，即b[[[0,0], [1,1]], [[1,3], [1,3]]] 可简写为b[[[0], [1]], [[1,3]]]。
显然，用切片索引b[:2, 1::2]更容易实现上述结果，但切片索引要求被索引的行列顺序符合等差分布，不适用于无序的行列索引。

假设需要索引数组b bb的第0,2,3行的第0,1,3列，一种简单的想法是行列分开索引，即b[[0,2,3]][:, [0,1,3]]。显然结果正确。但此种索引方式效率低下，因为第一步索引创建了临时数组，第二步索引在新的临时数组中执行。

效率更高的实现是使用整数数组索引，即b[[[0],[2],[3]], [[0,1,3]]]：
在这里插入图片描述

>>> b[[0,2,3]][:, [0,1,3]]
array([[ 0,  1,  3],
       [ 8,  9, 11],
       [12, 13, 15]])
>>> f = b[[[0],[2],[3]], [[0,1,3]]]
>>> f
array([[ 0,  1,  3],
       [ 8,  9, 11],
       [12, 13, 15]])
3.2.4 通过扩展可知，对于三维数组
>>> c = np.arange(24).reshape(2,3,4)
>>> c
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
>>> c[[0]]
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]]])
>>> c[[0],[0,1]]
array([[0, 1, 2, 3],
       [4, 5, 6, 7]])
>>> c[[0],[0,2],[2,3]]
array([ 2, 11])
>>> c[[[[0,0], [0,0]]], [[[0,0],[1,1]]], [[[0,1],[0,1]]]]
array([[[0, 1],
        [4, 5]]])
>>> c[[[[0]]], [[[0],[1]]], [[[0,1]]]]
array([[[0, 1],
        [4, 5]]])
>>> c[0, [[0],[1]], [0,1]]		# 形状 1-2*1-1*2 -> 2*2
array([[0, 1],
       [4, 5]])

3.3 如何选取数组的特定行列

通过上述例子发现，对于二维数组b，若索引数组的第0,1行的第1,3列，完整形式记作：b[[[0,0], [1,1]], [[1,3], [1,3]]]，但通过利用整数数组索引的广播性质，简写为b[[[0],[1]], [[1,3]]]。

因此，若给定行号列表x=[0,2,3]和列号列表y=[0,13]，建立二维数组索引的方法如下：

>>> b = np.arange(16).reshape(4,4)
>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])
>>> x = [0,2,3]
>>> y = [0,1,3]
>>> b[np.array([x]).T, [y]]	# 等价于b[np.array([x]).T, y]
array([[ 0,  1,  3],
       [ 8,  9, 11],
       [12, 13, 15]])
3.3.1 函数ix_()快速索引指定行列

Numpy提供的函数ix_()可帮助我们更快地实现索引指定行列，如下：

>>> b = np.arange(16).reshape(4,4)
>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])
>>> i,j = np.ix_([0,2,3],[0,1,3])
>>> i
array([[0],
       [2],
       [3]])
>>> j
array([[0, 1, 3]])
>>> b[i,j]
array([[ 0,  1,  3],
       [ 8,  9, 11],
       [12, 13, 15]])
>>> c = np.arange(24).reshape(2,3,4)
>>> c
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
>>> i,j,z = np.ix_([0], [0,1], [0, 1])
>>> i
array([[[0]]])
>>> j
array([[[0],
        [1]]])
>>> z
array([[[0, 1]]])
>>> c[i,j,z]
array([[[0, 1],
        [4, 5]]])

4. 切片和数组的组合索引（副本）

整数数组索引可以和切片索引组合使用，实际上切片是被转换为索引数组，该数组与索引数组一起广播以产生结果数组。因此易知，使用组合索引，返回的是原数组数据的副本。

>>> b = np.arange(16).reshape(4,4)
>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])
>>> d = b[[0,1],:2]
>>> d
array([[0, 1],
       [4, 5]])
>>> d[0,0] = 100		# 非引用，不改变被索引数组的数据
>>> d
array([[100,   1],
       [  4,   5]])
>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

5. 布尔数组索引

当我们使用整数数组索引时，我们提供了要选择的索引列表。

  • 而使用布尔值作为索引时，我们明确地选择数组中需要的元素。

布尔数组用途十分广泛，如元素筛选、元素赋值等，如下：

>>> a = np.arange(8)
>>> a > 4
array([False, False, False, False, False,  True,  True,  True])
>>> a[a>4]
array([5, 6, 7])
>>> (a > 4) & (a < 7)
array([False, False, False, False, False,  True,  True, False])
>>> a[(a > 4) & (a < 7)]
array([5, 6])
>>> a[(a > 4) & (a < 7)] += 10
>>> a
array([ 0,  1,  2,  3,  4, 15, 16,  7])
>>> b = np.arange(6).reshape(2,3)
>>> b
array([[0, 1, 2],
       [3, 4, 5]])
>>> b > 2
array([[False, False, False],
       [ True,  True,  True]])
>>> b[b>2]
array([3, 4, 5])
>>> np.where(b>2)
(array([1, 1, 1], dtype=int64), array([0, 1, 2], dtype=int64))

6. 结构化索引工具

为了便于将数组形状与表达式和赋值相匹配，可在数组索引中使用newaxis对象来添加大小为1的新维度。可以参考：np.newaxis函数详解

>>> x = np.arange(5)
>>> x
array([0, 1, 2, 3, 4])
>>> x[:,np.newaxis]
array([[0],
       [1],
       [2],
       [3],
       [4]])
>>> x[np.newaxis,:]
array([[0, 1, 2, 3, 4]])
>>> x + x[:, np.newaxis]
array([[0, 1, 2, 3, 4],
       [1, 2, 3, 4, 5],
       [2, 3, 4, 5, 6],
       [3, 4, 5, 6, 7],
       [4, 5, 6, 7, 8]])

7. 利用索引给数组赋值

如前所述，可以使用单个索引、切片索引、整数数组索引以及布尔数组索引来选择数组的子集。若通过这些索引修改原数组数据，需要注意以下几点：

  • 分配给索引数组的值必须与索引数组的维度一致（可实现广播规则的除外）；
  • 不能将较高精度的数据赋值给较低精度的数组元素，因为数组中元素占用内存已固定；
  • 可通过切片索引得到的子数组修改原数组数据，但不能通过整数数组索引得到的子数组修改原数组数据；
  • 当索引列表包含重复时，赋值完成多次，但仅保留最后一次的赋值结果；
>>> a = np.arange(5)
>>> a
array([0, 1, 2, 3, 4])
>>> a[:2] += 4
>>> a
array([4, 5, 2, 3, 4])
>>> a[:2] -= [4,4]
>>> a
array([0, 1, 2, 3, 4])

>>> a[:2] += 1.0
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int32') with casting rule 'same_kind'

>>> a[[0,0,1]] += 1	# 仅保留最后依次结果，未执行两次
>>> a
array([1, 2, 2, 3, 4])
>>> a[[0,0,1]] -= [2,1,1]
>>> a
array([0, 1, 2, 3, 4])

>>> a[a >2] += 10
>>> a
array([ 0,  1,  2, 13, 14])

>>> b = a[-2:]
>>> b
array([13, 14])
>>> b -= 10		# 切片索引得到的结果数组为原数组的视图
>>> a
array([0, 1, 2, 3, 4])

>>> b = a[[-2,-1]]
>>> b
array([3, 4])
>>> b += 100		# 整数数组索引得到的结果数组为原数组的副本
>>> b
array([103, 104])
>>> a
array([0, 1, 2, 3, 4])

8. 参考

【1】https://blog.csdn.net/sinat_34072381/article/details/84448307

秋冬无暖阳°
关注
  • 2
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【Numpy】一文向您详细介绍提取矩阵的某一行或某一列
创作高质量博文，分享知识，共同进步！
05-31 1378
🚀掌握Numpy，轻松驾驭矩阵操作！在这篇博客中，我们将深入探讨如何🔍**精确提取Numpy矩阵的某一行或某一列**。无论是数据分析还是科学计算，这都是关键步骤。通过清晰明了的步骤和实例，你将学会如何轻松提取所需数据，并在后续🔄**修改矩阵元素**、进行高级运算时游刃有余。快来一起探索Numpy矩阵的奥秘吧！#Numpy矩阵提取 #矩阵操作 #数据分析 #科学计算#
数据分析----numpy数组的索引和切片操作
redrose2100的博客
05-12 470
【原文链接】 准备数据 1 取第二行 2 取第二行第三列的元素 3 取第二、三、四行 4 取第二、三、四列 5 取前两行 6 取前两列 7 取第二行的第三、四、五列的数 8 取前两行前两列的数 9 所有的行倒序排列 10 所有的列倒序排列 11 所有元素倒序排列 ......
【数据分析之道-NumPy(三)】numpy切片与索引
阿极的博客
04-08 1520
在NumPy中，切片和索引是常用的操作，可以用于获取数组中的部分数据或单个数据。下面我们将分别介绍NumPy中的切片和索引。
Python取numpy数组的某几行某几列方法
热门推荐
王美的博客
06-09 18万+
Python 取numpy数组的某几行某几列方法 直接分析，如原矩阵如下（1）： （1） 我们要截取的矩阵（取其一三行，和三四列数据构成矩阵）为如下（2）： （2） 错误分析： 取 C 的1 3行，3 4 列，定义 Z = [0,2] #定义行数 d =...
Python列表、数组切片（索引）
Dfreedom.的博客
10-05 3829
Python里面的列表、数组的索引称之为切片。本文总结了一下常用切片的表达方法。
numpy.ndarray 对特定行或列取值
Big_Pai的博客
03-16 6847
import numpy as np b = [[1,2,0], [4,5,0], [7,8,1], [4,0,1], [7,11,1] ] a=np.array([b]).reshape((5,3)) print(a) c=[1,3,4] # print(a[c]) d=np.nonzero(a[:, 2] == 0) print(d) print(a[d]) ...
python numpy数组的索引和切片的操作方法
09-20
**Python NumPy 数组的索引和切片详解** NumPy 是 Python 语言中的一个核心库，主要用于科学计算，特别是涉及到大规模数据处理时。它的核心是多维数组对象（ndarray），提供了高效的数学运算和丰富的数组操作功能。...
对python numpy数组中冒号的使用方法详解
09-20
总的来说，冒号在Python NumPy数组中的应用极大地增强了我们对多维数据的处理能力，无论是简单的切片操作还是复杂的索引选择，都能使代码更加简洁且高效。理解并熟练掌握冒号的使用，对于提高数据处理的效率和代码的...
Python numpy多维数组实现原理详解
12-20
- 数组可以通过索引和切片进行访问和修改。 - `astype()`：转换数组的数据类型，如果转换会导致数据丢失（如浮点转整数），会自动截断。 - 数组还可以进行基本的数学运算，如加、减、乘、除，以及更复杂的数学...
详解Python二维数组与三维数组切片的方法
09-19
切片操作在数组的索引中使用冒号（:）来实现。例如，`x[0,:]`表示获取数组第一行的所有元素，`x[:,1]`则表示获取所有行的第二列元素。如果使用`x[m:n,:]`，则表示获取第m到n-1行的所有元素；而`x[:,m:n]`则是获取...
Python高级特性——详解多维数组切片(Slice)
09-18
在Python编程语言中，多维数组切片是一个强大的特性，特别是在处理数据时，如科学计算、数据分析和机器学习等领域。本篇文章将深入探讨如何在多维数组中进行切片操作，以便有效地访问和操作数组中的特定部分。 首先...
numpy数组如何取出第一行/列的值
skywf的博客
03-10 2万+
今天遇到了一个二维数组，想要取出它的所有x坐标，发现竟然要用for 去读取，肯定不科学 然后就无意间发现在python和matlab里面这些读取操作基本上都是一样的 这是之前写过的matlab里面怎么操作 那么在python中应该如何操作呢？ a= np.eye(3,3)#生成3*3单位矩阵 print(a) b = np.arange(9).reshape(3,3) print(b) b[:,...
python：Numpy学习（二）切片合集
weixin_66118670的博客
03-10 1821
本文主要包含numpy.ndarray数组的多种切片方法，包括单取行、列，某几行中的某几列，列表索引 等多种切片方法。
python获取多个指定行（列）的值
爱学习的大白菜的博客
08-18 1218
用元组表示你想打印的行。
numpy提取某行（列）或某几行（列）
iamzxxing的博客
08-02 5万+
随机生成一个numpy数组 import numpy as np a=np.random.randintf(0,10,(3,3)) print(a) 取a的第i行（列）(i为想取的行（列）数)： print(a[i,:]) 取a的某几行（列）： print(a[1:])#取第二行之后地所有行 print(a[0:2]) #取第一行和第二行 print(a[:,0:2]...
Numpy基本操作——数组的切片索引操作
阿极的博客
01-16 2429
numpy提供比常规Python序列更多的索引方法，除了整合和分片，数组可以被整数数组和布尔型数组索引。本文先讲一些简单的索引。
Numpy-03对数组按索引查询
Satellite_H的博客
09-23 758
Numpy对数组按索引查询 基础索引 传入单个数字以及切片来查询数据的 神奇索引 行和列都支持数字列表的方式来进行查询 布尔索引 先进性条件判断，得到一个布尔数组，然后使用它来对原来的数据进行索引查询 三种索引方法： 基础索引 神奇索引 布尔索引 In [1]: import numpy as np In [2]: # 一维向量 x = np.arange(10) x Out[2]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) In [3]: # 二维向量，一般用大写
numpy的数组切片讲解
qq_41166909的博客
09-27 5659
import numpy as np a = np.array([[1.1,2.1,3.1,4.1],[5,6,7,8],[9,10,11,12]]) a 使用省略号来省略数组的参数的用法 print (a[...,1]) # 索引为1的列元素 print ('--------') print (a[1,...]) # 索引为1的行元素 print ('--------') print (a[...,1:]) # 索引为1的列及剩下的所有列元素 print ('-----.
php取二维数组的某一行
最新发布
06-09
假设有一个二维数组 $arr，可以通过以下方式取得其中一行： ```php $row = $arr[0]; //取第一行 $row = $arr[1]; //取第二行 ``` 其中，数字代表行数，从 0 开始计数。如果要根据某个条件取得某一行，可以使用 foreach 语句进行遍历，例如： ```php foreach ($arr as $row) { if ($row['id'] == 2) { //假设要取 id 为2的行 //取到符合条件的行 break; } } ``` 其中，$row 表示当前遍历到的行，可以根据需要进行判断和操作。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

秋冬无暖阳°

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值