python数组元素修改_三、Numpy基础：数组元素查询、修改

一、索引

取值的顺序是从外围到最里面的元素位置，依次写入。

1.1、单值索引

import numpy as np

a = np.arange(16).reshape(2,2,4)

print("原数组：\n",a)

print("单值索引值：\n",a[1][1][2])

>>>

原数组：

[[[ 0 1 2 3]

[ 4 5 6 7]]

[[ 8 9 10 11]

[12 13 14 15]]]

单值索引值：

14

1.2、花式索引

可以通过数组，数组中写明元素位置，来索引出多个需要的元素

import numpy as np

a=np.arange(25).reshape(5,5)#定义一个5*5的二维数组

print("原数组：\n",a)

print("花式索引多值(外层取行值)：\n",a[[3, 3, 1, 4]])#注意这里一定传入的是数组格式

print("花式索引多值(二次取值，先行后列)：\n",a[[0,2,2,4],[0,2,4,4]])#注意这里一定传入的是数组格式

>>>

原数组：

[[ 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]]

花式索引多值(外层取行值)：

[[15 16 17 18 19]

[15 16 17 18 19]

[ 5 6 7 8 9]

[20 21 22 23 24]]

花式索引多值(外层取行值)：

[ 0 12 14 24]

1.3、布尔索引

可以通过设置筛选条件生成布尔数组，在通过布尔数组反向索引出符合条件的结果

import numpy as np

a=np.random.random((4,4))#生成4×4的二维数组

b=a>0.5#生成以a>0.5为筛选条件的布尔数组

print(b)

print(a[b])#根据布尔数组将原值取出，变成一维数组

>>>

[[ True True False False]

[ True True True False]

[ True True True True]

[ True False True False]]

[0.72159895 0.85017348 0.88332226 0.7494597 0.8514071 0.91133411 0.89253366 0.80979503 0.61827433 0.94660476 0.67418788]

1.4、索引器ix_()

与花式索引相比，ix_()可以以轴为单位进行遍历，而非花式索引中的单点遍历

import numpy as np

a=np.arange(24).reshape(4,6)#生成4×4的二维数组

b=a[[1,3],[3,5]]#花式索引

c=a[np.ix_([1,3],[3,5])]#索引器

d=a[[1,3]][:,[3,5]]

print("原数组：\n",a)

print("花式索引：\n",b)

print("索引器索引：\n",c)

print("c等值于d：\n",d)

>>>

原数组：

[[ 0 1 2 3 4 5]

[ 6 7 8 9 10 11]

[12 13 14 15 16 17]

[18 19 20 21 22 23]]

花式索引：

[ 9 23]

索引器索引：

[[ 9 11]

[21 23]]

c等值于d：

[[ 9 11]

[21 23]]

二、切片

numpy切片方式与python默认方式一致

切片下来的内容与原数组共享同一片内存空间

import numpy as np

a = np.arange(16).reshape(2,2,4)

print("原数组：\n",a)

print("取一个值：\n",a[1][1][2])

print("切片范围取值：\n",a[1][1][2:4])

print("更大范围的切片遍历：：\n",a[0][:][0:4])

>>>

原数组：

[[[ 0 1 2 3]

[ 4 5 6 7]]

[[ 8 9 10 11]

[12 13 14 15]]]

取一个值：

14

切片范围取值：

[14 15]

更大范围的切片遍历：

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

三、元素修改

通过索引和切片得到的变量直接赋值即可修改