python数组列表操作简记二

于 2024-08-23 22:04:49 发布
阅读量538 收藏 10
点赞数 21
分类专栏： python 文章标签： python numpy 多维数组 切片读取 数组切片 zip函数 向量乘法
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/weixin_46846685/article/details/139840155
版权

python数组列表操作简记二

一、列表配对组合为新列表或字典

1.1多个列表配对组合为新列表

使用python的内置zip函数可将多个列表配对组合为一个新的列表，新列表中元素为原列表同一位置的元素组成的tuple类型元素，但zip函数并不直接返回列表变量，而是返回迭代器，可对其进行迭代读取，也可转换为列表变量。
示例代码如下：

lt01 = [1, 2, 3, 4]
lt02 = ['a', 'b', 'c', 'd']
lt03 = [5, 6, 7, 8]
for item in zip(lt01, lt02, lt03):
	print(item)
	print(item[0])
	print(item[1])
	print(item[2])

lt04 = list(zip(lt01, lt02, lt03))

zip对拆分组合的列表长度不要求一致，当列表长度不一致时会匹配到最短长度的列表的最后一个元素，其他列表的元素会被忽略掉。

组合成的新列表也可通过zip逆操作得到原始列表，示例代码如下：

lt05, lt06, lt07 = zip(*lt04)

1.2两个列表配对转换为字典

zip函数可将两个列表配对转换为字典变量，第一个列表的元素作为键，第二个列表的元素作为对应的值，示例代码如下：

lt01 = [1, 2, 3, 4]
lt02 = ['a', 'b', 'c', 'd']
dict01 = dict(zip(lt01, lt02))

当两个列表长度不一致时，以较短长度的列表为准，此外对于第一个列表如果有重复的元素，那么该元素对应的键值会被后一个键值覆盖掉。

二、数组加减乘除运算

以numpy定义的一维数组为例，进行加减乘除运算。

2.1一维数组加减除运算

一维数组加减运算，既可以是加减一个常数，也可以是一维数组间相同位置元素进行加减，示例代码如下：

import numpy as np

a01 = np.array([1, 2, 3, 4])
a02 = np.array([0, 1, 2, 3])
a03 = a01 + 1
a03 = np.add(a01, 1)#与上行代码效果相同
a04 = a01 - 1
a04 = np.subtract(a01, 1)#与上行代码效果相同
a05 = a01 + a02
a05 = np.add(a01, a02)#与上行代码效果相同
a06 = a01 - a02
a06 = np.subtract(a01, a02)#与上行代码效果相同

一维数组除法运算，既可以是除上一个常数，也可以是一维数组间相同位置元素进行除法，示例代码如下：

import numpy as np

a01 = np.array([4, 5, 6, 7])
a02 = np.array([1, 2, 3, 4])
a03 = a01 / 2
a03 = np.divide(a01, 2)#与上行代码效果相同
a04 = a01 // 2#得到除以2的整数部分，相当于除以2后再进行int类型强转换
a04 = a01 % 2#对2取余数
a05 = a01 / a02
a05 = np.divide(a01, a02)#与上行代码效果相同
a06 = a01 // a02
a06 = a01 % a02

2.2一维数组乘法运算

一维数组可认作向量，向量的乘法常见的有4种，分别为相同位置元素相乘、点积、叉积、外积，示例代码如下：

import numpy as np

a01 = np.array([1, 2, 3, 4])
a02 = np.array([0, 1, 2, 3])
a03 = a01 * 2
a03 = np.multiply(a01, 2)#与上行代码效果相同
a03 = a01 ** 2#2次方运算
a04 = a01 * a02#相同位置元素相乘
a04 = np.multiply(a01, a02)#与上行代码效果相同
a05 = a01.dot(a02)#点积，结果为数值，运算过程与数学上的数量积运算一致
a05 = a02.dot(a01)#与上行代码结果相同
a05 = np.dot(a01, a02)#与上行代码结果相同

a06 = np.outer(a01, a02)#外积，结果为使用a01中的每个元素乘以a02向量，最终得到一个4×4的矩阵

a01 = np.array([1, 2, 3])
a02 = np.array([0, 1, 2])
a07 = np.cross(a01, a02)#叉积，叉积运算只能用于二维向量或三维向量，二维向量的叉积结果为数值，三维叉积结果为向量，运算过程与数学上的向量积运算一致

三、数组切片读取

以numpy定义的数组为例。

3.1一维数组切片读取

一维数组切片读取方式，与列表读取方式一致，示例代码如下：

import numpy as np

a01 = np.array([1,2,3,4,5,6])
a02 = a01[1:6]
a02 = a01[:-1]
a02 = a01[1:]
a02 = a01[1:6:2]#获取索引为1到5的元素，步长为2
a02 = a01[::2]#获取奇数组
a02 = a01[1::2]#获取偶数组

3.2二维数组切片读取

二维数组可认作矩阵，示例代码如下：

import numpy as np

a01 = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])#维度为3×4，输出如下
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])

a02 = a01[1]#取矩阵第二行，输出如下
array([5, 6, 7, 8])

a02 = a01[1,:]#取矩阵第二行，输出如下
array([5, 6, 7, 8])

a02 = a01[0:2]#取矩阵第一、二行，输出如下
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])

a02 = a01[0:2,:]#取矩阵第一、二行，输出如下
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])

a03 = a01[:,0]#取矩阵第一列，输出如下
array([1, 5, 9])

a03 = a01[:,0:2]#取矩阵第一、二列，输出如下
array([[ 1,  2],
       [ 5,  6],
       [ 9, 10]])

a04 = a01[1,1:]#取矩阵第二行的第二个列元素至最后一个列元素，返回一维数组，输出如下
array([6, 7, 8])

a04 = a01[1:,1]#取矩阵第二列的第二个行元素至最后一个行元素，返回一维数组，输出如下
array([ 6, 10])

a04 = a01[1:,1:]#取矩阵第二行、第二列开始至最后一个行列元素，返回二维数组，输出如下
array([[ 6,  7,  8],
       [10, 11, 12]])

a04 = a01[0::2,1::2]#取矩阵第一行、第二列开始至最后一个行列元素，步长为2，返回二维数组，输出如下
array([[ 2,  4],
       [10, 12]])

二维数组的读取可以简单概括为通过行索引,列索引指定，行索引与列索引之间用逗号隔开，行列索引语法规则与一维数组及列表读取的语法一致。

3.3三维数组切片读取

三维数组切片读取与二维数组切片读取类似，可以简单概括为通过第一维索引,第二维索引,第三维索引指定，索引之间用逗号隔开。示例代码如下：

import numpy as np

a01 = np.array([[[1,2,3,4],[5,6,7,8],[9,10,11,12]], [[10,20,30,40],[50,60,70,80],[90,100,110,120]]])#维度为2×3×4，输出如下
array([[[  1,   2,   3,   4],
        [  5,   6,   7,   8],
        [  9,  10,  11,  12]],

       [[ 10,  20,  30,  40],
        [ 50,  60,  70,  80],
        [ 90, 100, 110, 120]]])

a02 = a01[0]#输出如下
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])

a02 = a01[:,0,:]#输出如下
array([[ 1,  2,  3,  4],
       [10, 20, 30, 40]])

a02 = a01[:,:,0]#输出如下
array([[ 1,  5,  9],
       [10, 50, 90]])

a02 = a01[:,0:2,1:3]#输出如下
array([[[ 2,  3],
        [ 6,  7]],

       [[20, 30],
        [60, 70]]])

a02 = a01[1:,0:2,0:3:2]#输出如下
array([[[10, 30],
        [50, 70]]])

三维数组切片读取时，要注意读取出来的数组维度，并不容易直观判断出来。

四、数组简单筛选

以numpy定义的数组为例。

4.1筛选数组中满足指定条件的元素

示例代码如下：

import numpy as np

a01 = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])#维度为3×4，输出如下
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])

a02 = a01[a01 > 6]#筛选出数组中大于6的元素，输出如下
array([ 7,  8,  9, 10, 11, 12])

a03 = a01 > 6#输出如下
array([[False, False, False, False],
       [False, False,  True,  True],
       [ True,  True,  True,  True]])

a04 = a01[a03]#结果与a01[a01>6]相同，输出如下
array([ 7,  8,  9, 10, 11, 12])

a03 = (a01 > 6) & (a01 < 10)#输出如下
array([[False, False, False, False],
       [False, False,  True,  True],
       [ True, False, False, False]])

a04 = a01[a03]#筛选出数组中大于6小于10的元素，输出如下
array([7, 8, 9])

4.2筛选数组中最大最小元素及索引

示例代码如下：

import numpy as np

a01 = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])#维度为3×4，输出如下
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])

min_a01 = np.min(a01)#获取数组中最小元素，输出如下
1

index01 = np.argmin(a01)#获取数组中最小元素的索引，索引为数组展平为一维数组后的索引，输出如下
0

max_a01 = np.max(a01)#获取数组中最大元素，输出如下
12

index02 = np.argmax(a01)#获取数组中最大元素的索引，索引为数组展平为一维数组后的索引，输出如下
11

min_a01_column = np.min(a01, 0)#获取数组中每一列最小元素，返回数组，输出如下
array([1, 2, 3, 4])

a02 = np.argmin(a01, 0)#获取数组中每一列最小元素的索引，返回数组，输出如下
array([0, 0, 0, 0], dtype=int64)

min_a01_row = np.min(a01, 1)#获取数组中每一行最小元素，返回数组，输出如下
array([1, 5, 9])

a02 = np.argmin(a01, 1)#获取数组中每一行最小元素的索引，返回数组，输出如下
array([0, 0, 0], dtype=int64)

max_a01_column = np.max(a01, 0)#获取数组中每一列最大元素，返回数组，输出如下
array([ 9, 10, 11, 12])

a03 = np.argmax(a01, 0)#获取数组中每一列最大元素的索引，返回数组，输出如下
array([2, 2, 2, 2], dtype=int64)

max_a01_row = np.max(a01, 1)#获取数组中每一行最大元素，返回数组，输出如下
array([ 4,  8, 12])

a03 = np.argmax(a01, 1)#获取数组中每一行最大元素的索引，返回数组，输出如下
array([3, 3, 3], dtype=int64)

使用上述代码获取数组最大最小元素及索引时，如果数组中存在nan值，会将nan值作为最大和最小元素，如果想要忽略nan值，可以使用nanargmin、nanmin、nanargmax、nanmax函数。

五、数组其他操作

以numpy定义的数组为例。

5.1数组元素进行约分

示例代码如下：

import numpy as np

a01 = np.array([[1.4,2.5,3.5,4.6],[5.44,6.45,7.55,8.46]])#维度为2×4，输出如下
array([[1.4 , 2.5 , 3.5 , 4.6 ],
       [5.44, 6.45, 7.55, 8.46]])

a02 = np.round(a01, 1)#保留一位小数进行约分，输出如下
array([[1.4, 2.5, 3.5, 4.6],
       [5.4, 6.4, 7.6, 8.5]])

a02 = np.round(a01, 0)#保留整数位进行约分，输出如下
array([[1., 2., 4., 5.],
       [5., 6., 8., 8.]])

从上述代码及执行结果可看出，numpy的round函数约分时满足四舍六入五看单双的规则，这一点与python的内置round函数不同，内置round函数在约分时会考虑到浮点数表示的精度问题，所以导致看上去可能不符合约分规则。想要看到浮点数的实际大小，可通过如下代码查看：

import decimal

print(decimal.Decimal(6.45))#输出如下
6.45000000000000017763568394002504646778106689453125

print(decimal.Decimal(3.125))#输出如下
3.125

5.2数组复制

数组复制，示例代码如下：

import numpy as np

a01 = np.array([1.4,2.5,3.5,4.6])#输出如下
array([1.4, 2.5, 3.5, 4.6])

a02 = a01
a03 = np.copy(a01)

a01[0] = 0#改变a01的第一个元素值后，a01、a02、a03分别如下
array([0. , 2.5, 3.5, 4.6])
array([0. , 2.5, 3.5, 4.6])
array([1.4, 2.5, 3.5, 4.6])

a02[1] = 0#改变a02的第二个元素值后，a01、a02、a03分别如下
array([0. , 0. , 3.5, 4.6])
array([0. , 0. , 3.5, 4.6])
array([1.4, 2.5, 3.5, 4.6])

a03[3] = 0#改变a03的第四个元素值后，a01、a02、a03分别如下
array([0. , 0. , 3.5, 4.6])
array([0. , 0. , 3.5, 4.6])
array([1.4, 2.5, 3.5, 0. ])

由上述代码可知，采用直接赋值的形式，新数组与原数组共享内存，改变数组内元素值后另一数组也会同步变化，使用copy函数，新数组与原数组互不影响，这一点与列表的复制相同。

参考文档

Python: NumPy中的多维数组ndarray
细说NumPy数组的四种乘法，带你走进向量运算的奇妙世界
【Python之numpy库】12.np.round() 对数组/一堆数保留n位小数
python print设置输出宽度 python输出结果宽度

weixin_46846685
关注
  • 21
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
简单分析C语言的二维数组模拟
12-22
从前面的讨论中，我们不难得出一个推论，*a即数组a中下标为0的元素的引用。例如，我们可以这样写： *a=84; 　这个语句将数组a中下标... 　现在我们可以考虑二维数组了，正如前面所讨论的，它实际上是以数组为元素的
简记个人博客源码免费分享
05-09
简记个人博客网站源码为博主现有博客网站，前端采用LayUI框架，此分享版本为asp + access。所有功能齐全，欢迎使用。 使用方法：上传至空间或服务器，通过IIS发布网站即可。 演示地址：...
python数组列表操作简记
weixin_46846685的博客
06-20 1281
本文主要说明了python列表与数组的增加删除元素的几种方法，以及列表与数组如何进行排序，最后以二维数组列表为例说明了如何进行维度转换，并给出了相应的python代码实现。
Python二维数组操作的小Tips
weixin_43542202的博客
08-13 696
目录Python二维数组操作的小Tips前言二维数组的创建求二维数组最大/小值二维数组求和参考文献 Python二维数组操作的小Tips 前言 众所周知，利用MATLAB对矩阵，数组进行操作以及数值计算是非常方便的。然而，随着Mathworks对于国内高校，企业进行的限制(窝工被禁了MATLAB 555)，很多同学转而使用Python作为MATLAB的代替品，Python虽然强大但是有些东西与MATLAB还是相差较大。尤其是对于工科的同学们来说，刚刚从MATLAB转向Python或许会有诸多的不习惯，本文就
python中保存一个数组，你会吗？
frank_haha的博客
06-30 7362
在机器学习领域，有时候想把模型运行过程中的重要信息（数组，dnarray类型的）存到一个文档里。方便下次读取。 下面介绍三种： 1. 存成2进制数 numpy提供了接口save和load。使用方法如下： import numpy as np a = np.array([1]) np.save("test00000001",arr=a) 以上存入，下面读取： import numpy as np data = np.load('test00000001.npy') 这种方法适合python程序之间的通信，
Python简记--列表list
fclkx的博客
07-17 1345
Python简记--列表list
ARIMA算法（基于Python编程语言实现）
04-06
全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列预测方法 ，所以又称为box-jenkins模型、博克思-詹金斯...
PIC单片机C语言简记
08-18
【PIC单片机C语言简记】 在嵌入式系统开发中，PIC单片机以其高效能、低功耗的特点广泛应用于各种控制系统。PICC编译器是针对Microchip公司的PIC系列微控制器的一种C语言编译器，它可以无缝对接MPLAB-IDE集成开发...
基于python实现简单C/S模式代码实例
12-16
C/S模式就是指客bai户端/服务器模式，du是计算机软件...根据客户/服务器（Client/Server简记为C/S）体系结构的概念，至少用两台计算机来分别充当客户机和服务器角色。 服务器端代码： #!/usr/bin/python import tim
零基础学习人工智能—Python—Pytorch学习（六）
kiba518的博客
08-21 562
前言 本文主要讲神经网络的上半部分。 这篇文章开始有很多公式了，这些公式都很简单，但是如果是不经常在脑海里思考公式的人，那可能需要多花点时间做一下自我训练，个人感觉，也就几天时间，就能把自己感觉给调整出来。 习惯了公式看下面内容就会轻松很多，另外如果要深入学习人工智能，熟练的认知公式也是个必须的事情。 另外，我发现我前面文章写的有歧义的地方还是挺多，虽然，已经改了一部分，但，可能还有没发现的，大...
基于Python星载气溶胶数据处理与反演分析
lwjnlqiqi的博客
08-21 1057
Python星载气溶胶数据处理与反演分析
基于YOLO V8的PCB缺陷检测识别系统（python源码+Pyqt5界面+数据集+训练代码）
最新发布
2401_83580557的博客
08-22 352
基于YOLO V8的PCB缺陷检测识别系统【python源码+Pyqt5界面+数据集+训练代码】
反射异常捕获 | InvocationTargetException 要用e.getCause()打印才能看到具体异常
你个无聊小demo的博客
08-22 283
反射异常捕获 | InvocationTargetException 要用e.getCause()打印才能看到具体异常
Transformer经典模型实战：零基础训练一个面向中文的T5模型（Text to Text Transfer Transformer）
bayesian1的博客
08-20 1058
Transformer经典模型实战：零基础训练一个面向中文的T5模型（Text to Text Transfer Transformer），通过构建T5模型，采用中文重写任务的数据集进行训练，模型效果非常好，貌似还涌现出了一定的创造力。
python之matplotlib （5 散点图和柱状图）
这是C.L 的博客，欢迎大家学习浏览！！
08-20 443
附：colormap对照 '%.f'%y‘是标注数据的形式设置：保留两位小数，数据来源于y数组。也可以这样写：f'{y:.2f}',在它前面的参数是标注的位置。也可以是一个数组，表示每个点的颜色不同。ax.bar()中y参数是直方图的高度，其中facecolor是条形图的颜色，而edgecolor是除了条形图内的颜色。也可以是一个数组，表示每个点的大小不同。参数来指定一个colormap，用于映射颜色数组到颜色。
图卷积神经网络算法
2401_85886655的博客
08-21 573
元学习，自监督学，transformer，lstm，cnn，bert，GAN，强化学习 图神经网络推荐算法。图神经网络 图卷积神经网络 GNN GCN 算法 咨询 图卷积神经网络（GCN） python D码，应用于节点分类。元学习，自监督学，transformer，lstm，cnn，bert，GAN，交通预测 强化学习 图神经网络推荐算法。lightGCN NGCF 创新点1-3 movielen-1m数据集 指标：recall、ndcg。具体价格根据难易程度定。
Python之函数练习题
weixin_43325374的博客
08-20 1092
写一个函数，输入字符串为参数，并返回以逗号分隔的各种排列形式，如“{ABC，ACB，BAC，BCA，CAB，CBA}"。21.编写函数，显示A~B(含)范围中，所有位上的数字都属于集合[1，3,4,8,9]的数字。20.编写函数，输入字符串，日期和时间存储为“MM/DD/YYYYHR:MIN:SEC”格式，输出从“01/01/YYYY 00:00:00”开始计时的秒数。4、编写函数，输入英文句子(字符串)，输出句子中元音的个数和辅音的总个数。5、斐波拉契数列是:1，1，2，3，5，8，13…
Python核心编程--Python要点总结
GDHBFTGGG的博客
08-21 1371
Python 核心编程包括了一些关键的要点，理解这些要点对于掌握 Python 至关重要。
typescript数组 移除指定
08-30
要在TypeScript中移除数组中的指定项，有几种常见的方法可以使用。 一种方法是使用`splice`方法，它可以删除数组中的指定项。`splice`方法接受两个参数，第一个参数是要删除的项的索引，第二个参数是要删除的项的数量。例如，如果要删除数组中的第三项，可以使用`splice`方法如下所示： ```typescript array.splice(2, 1); ``` 这将从数组中删除索引为2的项（即第三项）。 另一种方法是使用`filter`方法。`filter`方法可以创建一个新的数组，其中包含符合指定条件的项。您可以使用`filter`方法过滤掉要删除的项。例如，如果要删除值为`"apple"`的项，可以使用`filter`方法如下所示： ```typescript array = array.filter(item => item !== "apple"); ``` 这将创建一个新的数组，其中不包含值为`"apple"`的项，并将其赋值给原始数组。 还有其他一些方法可以实现相同的效果，这取决于具体的情况和您的需求。以上是两种常见的方法供参考。引用引用了一个相关的问题和讨论，您可以在该链接中找到更多关于在TypeScript中删除数组项的信息。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [如何在TypeScript中删除数组项？](https://blog.csdn.net/asdfgh0077/article/details/107040642)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *3* [TypeScript简记（二）](https://blog.csdn.net/Maca_Baca/article/details/126320687)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
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
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