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。
ndarray 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
a = np.arange(10)
# 从索引 2 开始到索引 7 停止,间隔为2
b = slice(2,7,2)
print (a[b])
输出结果:
[2 4 6]
以上实例中,我们首先通过 arange() 函数创建 ndarray 对象。 然后,分别设置起始,终止和步长的参数为 2,7 和 2。
我们也可以通过冒号分隔切片参数 start:stop:step 来进行切片操作:
import numpy as np
a = np.arange(10)
# 从索引 2 开始到索引 7 停止,间隔为 2
b = a[2:7:2]
print(b)
输出结果:
[2 4 6]
冒号 : 的解释:如果只放置一个参数,如 [2],将返回与该索引相对应的单个元素。如果为 [2:],表示从该索引开始以后的所有项都将被提取。如果使用了两个参数,如 [2:7],那么则提取两个索引(不包括停止索引)之间的项。
import numpy as np
# [0 1 2 3 4 5 6 7 8 9]
a = np.arange(10)
x = a[2]
y = a[2:7]
z = a[2:]
q = a[:3]
w = a[::-1]
print(x)
print('\n')
print(y)
print('\n')
print(z)
print('\n')
print(q)
print('\n')
print(w)
输出结果:
2
[2 3 4 5 6]
[2 3 4 5 6 7 8 9]
[0 1 2]
[9 8 7 6 5 4 3 2 1 0]
多维数组同样适用上述索引提取方法:
import numpy as np
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
print(a)
# 从某个索引处开始切割
print('从数组索引 a[1:] 处开始切割')
print(a[1:])
输出结果:
[ [1 2 3]
[4 5 6]
[7 8 9] ]
从数组索引 a[1:] 处开始切割
[ [4 5 6]
[7 8 9] ]
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],[4,5,6],[7,8,9]])
# 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[...,1:])
输出结果:
[2 5 8]
[4 5 6]
[ [2 3]
[5 6]
[8 9] ]
NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整数和切片的索引外,数组可以由整数数组索引、布尔索引及花式索引。
整数数组索引
下面实例获取数组中(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]])
y = x[[0,1,2], [0,1,0]]
print (y)
输出结果:
[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.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print ('我们的数组是:' )
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)
输出结果:
我们的数组是:
[ [ 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] ]
返回的结果是包含每个角元素的 ndarray 对象。
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.array([[1,2,3], [4,5,6], [7,8,9]])
b = a[1:3, 1:3]
c = a[1:3, [1,2]]
d = a[...,1:]
print(b)
print('\n')
print(c)
print('\n')
print(d)
输出结果:
[ [5 6]
[8 9] ]
[ [5 6]
[8 9] ]
[ [2 3]
[5 6]
[8 9] ]
布尔索引
我们可以通过一个布尔数组来索引目标数组。
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。
以下实例获取大于 5 的元素:
import numpy as np
x = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]])
print ('我们的数组是:')
print (x)
print ('\n')
# 现在我们会打印出大于 5 的元素
print ('大于 5 的元素是:')
print (x[x > 5])
输出结果:
我们的数组是:
[ [ 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]
下面实例使用了 ~(取补运算符)来过滤 NaN:
import numpy as np
a = np.array([np.nan, 1,2,np.nan,3,4,5])
print (a[~np.isnan(a)])
输出结果:
[1. 2. 3. 4. 5.]
下面实例演示如何从数组中过滤掉非复数元素:
import numpy as np
a = np.array([1, 2+6j, 5, 3.5+5j])
print (a[np.iscomplex(a)])
输出结果:
[2. +6.j 3.5+5.j]
花式索引
花式索引指的是利用整数数组进行索引。
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
import numpy as np
x=np.arange(32).reshape((8,4))
print('原数组是:')
print(x)
print('\n')
print (x[[4, 2, 1, 7]])
输出结果:
原数组是:
[ [ 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]
[ 8 9 10 11]
[ 4 5 6 7]
[28 29 30 31] ]
- 传入倒序索引数组
import numpy as np
x=np.arange(32).reshape((8, 4))
print('原数组是:')
print(x)
print('\n')
print (x[[-4, -2, -1, -7]])
输出结果:
原数组是:
[ [ 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_)
import numpy as np
x=np.arange(32).reshape((8, 4))
print('原数组是:')
print(x)
print('\n')
print (x[np.ix_([1, 5, 7, 2], [0, 3, 1, 2])])
输出结果:
原数组是:
[ [ 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] ]