numpy学习笔记（二）索引、切片、副本、视图、迭代

最新推荐文章于 2022-12-23 09:55:24 发布
最新推荐文章于 2022-12-23 09:55:24 发布
阅读量212 收藏 3
点赞数 2
分类专栏： numpy学习笔记 文章标签： python numpy 数据分析
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_49975462/article/details/109213104
版权
本文详细介绍了NumPy数组的索引、切片、副本和视图操作。包括整数索引、切片索引、dots索引、整数数组索引、布尔索引以及numpy.take()函数的使用。通过实例展示了如何选取数组元素、创建数组副本以及使用布尔数组进行过滤。此外，还讨论了切片操作在数组中的行为，强调了切片与整数数组索引的区别。
摘要由CSDN通过智能技术生成

numpy中的索引、切片、副本、视图、迭代操作

索引与切片

数组索引机制指的是用方括号（[]）加序号的形式引用单个数组元素，它的用处很多，比如抽取元素，选取数组的几个元素，甚至为其赋一个新值。

正如像 Python 的内置容器对象，ndarray对象的内容可以通过索引或切片来访问和修改。

有三种可用的索引方法类型： 字段访问，基本切片和高级索引。

整数索引

【例】要获取数组的单个元素，指定元素的索引即可。

import numpy as np

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
print(x[2])  # 3

x = np.array([[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]])
print(x[2])  # [21 22 23 24 25]
print(x[2][1])  # 22
print(x[2, 1])  # 22

切片索引

切片操作是指抽取数组的一部分元素生成新数组。对 python 列表进行切片操作得到的数组是原数组的副本，而对 Numpy 数据进行切片操作得到的数组则是指向相同缓冲区的视图。

如果想抽取（或查看）数组的一部分，必须使用切片语法，也就是，把几个用冒号（ start:stop:step ）隔开的数字置于方括号内。

为了更好地理解切片语法，还应该了解不明确指明起始和结束位置的情况。start默认是0；stop默认是数组的最大索引值；step默认为1，也就是抽取所有元素而不再考虑间隔。

[start, sop]为左开右闭区间。

【例】对一维数组的切片

import numpy as np

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
print(x[0:2])  # [1 2]
#用下标0~5,以2为步长选取数组
print(x[1:5:2])  # [2 4]
print(x[2:])  # [3 4 5 6 7 8]
print(x[:2])  # [1 2]
print(x[-2:])  # [7 8]
print(x[:-2])  # [1 2 3 4 5 6]
print(x[:])  # [1 2 3 4 5 6 7 8]
#利用负数下标翻转数组
print(x[::-1])  # [8 7 6 5 4 3 2 1]

【例】对二维数组切片

import numpy as np

x = np.array([[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]])
print(x[0:2])
# [[11 12 13 14 15]
#  [16 17 18 19 20]]

print(x[1:5:2])
# [[16 17 18 19 20]
#  [26 27 28 29 30]]

print(x[2:])
# [[21 22 23 24 25]
#  [26 27 28 29 30]
#  [31 32 33 34 35]]

print(x[:2])
# [[11 12 13 14 15]
#  [16 17 18 19 20]]

print(x[-2:])
# [[26 27 28 29 30]
#  [31 32 33 34 35]]

print(x[:-2])
# [[11 12 13 14 15]
#  [16 17 18 19 20]
#  [21 22 23 24 25]]

print(x[:])
# [[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]]
# 通过对每个以逗号分隔的维度执行单独的切片，可以对多维数组进行切片。因此，对于二维数组，我们的# 第一片定义了行的切片，第二片定义了列的切片。
print(x[2, :])  # [21 22 23 24 25]  第二行的开始到最后
print(x[:, 2])  # [13 18 23 28 33]  所有行的第二列
print(x[0, 1:4])  # [12 13 14]      第0行的1到4个元素
print(x[1:4, 0])  # [16 21 26]      1-4行的第0列
print(x[1:3, 2:4])                # 1-3行的2-4列
# [[18 19]
#  [23 24]]

print(x[:, :])
# [[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]]

print(x[::2, ::2])
# [[11 13 15]
#  [21 23 25]
#  [31 33 35]]

print(x[::-1, :])
# [[31 32 33 34 35]
#  [26 27 28 29 30]
#  [21 22 23 24 25]
#  [16 17 18 19 20]
#  [11 12 13 14 15]]

print(x[:, ::-1])
# [[15 14 13 12 11]
#  [20 19 18 17 16]
#  [25 24 23 22 21]
#  [30 29 28 27 26]
#  [35 34 33 32 31]]

【例】

import numpy as np

x = np.array([[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]])
print(x)
# [[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]]

x[0::2, 1::3] = 0
print(x)
# [[11  0 13 14  0]
#  [16 17 18 19 20]
#  [21  0 23 24  0]
#  [26 27 28 29 30]
#  [31  0 33 34  0]]

dots 索引

NumPy 允许使用...表示足够多的冒号来构建完整的索引列表。

比如，如果 x 是 5 维数组：

  • x[1,2,...] 等于 x[1,2,:,:,:]
  • x[...,3] 等于 x[:,:,:,:,3]
  • x[4,...,5,:] 等于 x[4,:,:,5,:]

【例】

import numpy as np

x = np.random.randint(1, 100, [2, 2, 3])
print(x)
# [[[ 5 64 75]
#   [57 27 31]]
# 
#  [[68 85  3]
#   [93 26 25]]]

print(x[1, ...])
# [[68 85  3]
#  [93 26 25]]

print(x[..., 2])
# [[75 31]
#  [ 3 25]]

整数数组索引

【例】方括号内传入多个索引值，可以同时选择多个元素。

import numpy as np

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
r = [0, 1, 2]
print(x[r])
# [1 2 3]

r = [0, 1, -1]
print(x[r])
# [1 2 8]

x = np.array([[1,  2],  [3,  4],  [5,  6]]) 
y = x[[0,1,2],  [0,1,0]]  
print(y)
# [1  4  5]  该结果包括数组中(0,0)，(1,1)和(2,0)位置处的元素。

【例】

import numpy as np

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
r = np.array([[0, 1], [3, 4]])
print(x[r])
# [[1 2]
#  [4 5]]

x = np.array([[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]])

r = np.array([[0, 1], [3, 4]])
print(x[r])
# [[[11 12 13 14 15]
#   [16 17 18 19 20]]
#
#  [[26 27 28 29 30]
#   [31 32 33 34 35]]]

# 获取了 5X5 数组中的四个角的元素。
# 行索引是 [0,0] 和 [4,4]，而列索引是 [0,4] 和 [0,4]。
r = np.array([[0, 0], [4, 4]])
c = np.array([[0, 4], [0, 4]])
y = x[r, c]
print(y)
# [[11 15]
#  [31 35]]

【例】可以借助切片:与整数数组组合。

import numpy as np

x = np.array([[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]])

y = x[0:3, [1, 2, 2]]
print(y)
# [[12 13 13]
#  [17 18 18]
#  [22 23 23]]
numpy. take(a, indices, axis=None, out=None, mode=‘raise’)`

沿着axis轴从数组中获取元素。

参数：a：array_like源数组。indices：array_like要提取的值的索引。axis：int，可选要选择值的轴。默认情况下，使用扁平输入数组。out：ndarray，可选如果提供，结果将放置在此数组中。它应该是合适的形状和类型。mode：{‘raise’，‘wrap’，‘clip’}，可选指定超越界限索引的行为。‘raise’ - 引发错误（默认）‘wrap’ - wrap around’clip’ - 剪辑到范围“剪切”模式意味着所有过大的索引都被替换为沿着该轴的最后一个元素的索引。请注意，这将禁用使用负数的索引。
返回：子阵列：ndarray返回的数组与a具有相同的类型。

【例】

import numpy as np

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
r = [0, 1, 2]
print(np.take(x, r))
# [1 2 3]

r = [0, 1, -1]
print(np.take(x, r))
# [1 2 8]

x = np.array([[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]])

r = [0, 1, 2]
print(np.take(x, r, axis=0))
# [[11 12 13 14 15]
#  [16 17 18 19 20]
#  [21 22 23 24 25]]

r = [0, 1, -1]
print(np.take(x, r, axis=0))
# [[11 12 13 14 15]
#  [16 17 18 19 20]
#  [31 32 33 34 35]]

r = [0, 1, 2]
c = [2, 3, 4]
y = np.take(x, [r, c])
print(y)
# [[11 12 13]
#  [13 14 15]]

应注意：使用切片索引到numpy数组时，生成的数组视图将始终是原始数组的子数组,
但是整数数组索引，不是其子数组，是形成新的数组。

#切片索引
import numpy as np

a=np.array([[1,2],[3,4],[5,6]])
b=a[0:1,0:1]
b[0,0]=2
print(a[0,0]==b, b)
#[[True]] [[2]]

#整数数组索引
import numpy as np

a=np.array([[1,2],[3,4],[5,6]])
b=a[0,0]
b=2
print(a[0,0]==b)
#False

布尔索引

我们可以通过一个布尔数组来索引目标数组。当结果对象是布尔运算（例如比较运算符）的结果时，将使用此类型的高级索引。

【例】

import numpy as np

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = x > 5
print(y)
# [False False False False False  True  True  True]
print(x[x > 5])
# [6 7 8]

x = np.array([np.nan, 1, 2, np.nan, 3, 4, 5])
y = np.logical_not(np.isnan(x))
print(x[y])
# [1. 2. 3. 4. 5.]

x = np.array([[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]])
y = x > 25
print(y)
# [[False False False False False]
#  [False False False False False]
#  [False False False False False]
#  [ True  True  True  True  True]
#  [ True  True  True  True  True]]
print(x[x > 25])
# [26 27 28 29 30 31 32 33 34 35]

【例】

import numpy as np

import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x)
print(len(x))  # 50
plt.plot(x, y)

mask = y >= 0
print(len(x[mask]))  # 25
print(mask)
'''
[ True  True  True  True  True  True  True  True  True  True  True  True
  True  True  True  True  True  True  True  True  True  True  True  True
  True False False False False False False False False False False False
 False False False False False False False False False False False False
 False False]
'''
plt.plot(x[mask], y[mask], 'bo')

mask = np.logical_and(y >= 0, x <= np.pi / 2)
print(mask)
'''
[ True  True  True  True  True  True  True  True  True  True  True  True
  True False False False False False False False False False False False
 False False False False False False False False False False False False
 False False False False False False False False False False False False
 False False]
'''

plt.plot(x[mask], y[mask], 'go')
plt.show()

我们利用这些条件来选择图上的不同点。蓝色点（在图中还包括绿点，但绿点掩盖了蓝色点），显示值 大于0 的所有点。绿色点表示值 大于0 且 小于0.5π 的所有点。

副本与视图

numpy.ndarray.copy()

函数创建一个副本。 对副本数据进行修改，不会影响到原始数据，它们物理内存不在同一位置。

【例】

import numpy as np

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = x
y[0] = -1
print(x)
# [-1  2  3  4  5  6  7  8]
print(y)
# [-1  2  3  4  5  6  7  8]

x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = x.copy()
y[0] = -1
print(x)
# [1 2 3 4 5 6 7 8]
print(y)
# [-1  2  3  4  5  6  7  8]

【例】数组切片操作返回的对象只是原数组的视图。

import numpy as np

x = np.array([[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]])
y = x
y[::2, :3:2] = -1
print(x)
# [[-1 12 -1 14 15]
#  [16 17 18 19 20]
#  [-1 22 -1 24 25]
#  [26 27 28 29 30]
#  [-1 32 -1 34 35]]
print(y)
# [[-1 12 -1 14 15]
#  [16 17 18 19 20]
#  [-1 22 -1 24 25]
#  [26 27 28 29 30]
#  [-1 32 -1 34 35]]

x = np.array([[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]])
y = x.copy()
y[::2, :3:2] = -1
print(x)
# [[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]]
print(y)
# [[-1 12 -1 14 15]
#  [16 17 18 19 20]
#  [-1 22 -1 24 25]
#  [26 27 28 29 30]
#  [-1 32 -1 34 35]]

数组迭代

除了for循环，Numpy 还提供另外一种更为优雅的遍历方法。

apply_along_axis(func1d, axis, arr, *args, **kwargs)

必选参数：func,axis,arr。其中func是我们自定义的一个函数，函数func(arr)中的arr是一个数 组，函数的主要功能就是对数组里的每一个元素进行变换， 得 到目标的结果。其中axis表示函数func对数组arr作用的轴。

可选参数：*args, ***kwargs。都是func()函数额外的参数。

返回值：numpy.``apply_along_axis()函数返回的是一个根据func()函数以及维度axis运算后得到的的数组.

【例】

import numpy as np

x = np.array([[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]])

y = np.apply_along_axis(np.sum, 0, x)   # axis=0表示列维度，axis=1表示行维度。
print(y)  # [105 110 115 120 125]
y = np.apply_along_axis(np.sum, 1, x)
print(y)  # [ 65  90 115 140 165]

y = np.apply_along_axis(np.mean, 0, x)
print(y)  # [21. 22. 23. 24. 25.]
y = np.apply_along_axis(np.mean, 1, x)
print(y)  # [13. 18. 23. 28. 33.]


def my_func(x):
    return (x[0] + x[-1]) * 0.5


y = np.apply_along_axis(my_func, 0, x)
print(y)  # [21. 22. 23. 24. 25.]
y = np.apply_along_axis(my_func, 1, x)
print(y)  # [13. 18. 23. 28. 33.]
阿珍爱上了阿强binz
关注
专栏目录
pandas numpy切片和副本
yy的博客
01-08 932
切片和副本的问题: pandas: b = a 视图(修改视图,原值一起改变) b = a[:] 视图(修改视图,原值一起改变) b = a[[列名1,列名2...]] 副本,修改副本,原值不一起变,这种切片是pandas特有的,并且是副本  # pandas奇葩方法,返回副本 b = a.copy() 副本 关于loc切片问题:知乎     numpy: b = a 视图(修...
NumPy学习笔记——数组处理
weixin_43496130的博客
02-11 431
数组处理程序 数组处理程序 基本操作 方法 描述 copyto(dst, src[, casting, where]) 将值从一个数组复制到另一个数组，并根据需要进行广播。 改变数组形状 方法 描述 reshape(a, newshape[, order]) 在不更改数据的情况下为数组赋予新的形状。 ravel(a[, order]) 返回一个连续的扁平数组...
Numpy入门教程：02. 索引、切片与迭代
老马的程序人生
06-01 686
背景 什么是 NumPy 呢？ NumPy 这个词来源于两个单词 – Numerical和Python。其是一个功能强大的 Python 库，可以帮助程序员轻松地进行数值计算，通常应用于以下场景： 执行各种数学任务，如：数值积分、微分、内插、外推等。因此，当涉及到数学任务时，它形成了一种基于 Python 的 MATLAB 的快速替代。 计算机中的图像表示为多维数字数组。NumPy 提供了一些优秀的库函数来快速处理图像。例如，镜像图像、按特定角度旋转图像等。 在编写机器学习算法时，需要对矩阵进行各种数值
TASK02 索引、切片与迭代
Tracey的博客
10-23 132
索引：1.整数索引 获取数组的单个元素，多维数组的子数组。 x=np.array([1,2,3,4,5,6]) print(x[3]) 4 x=np.array([[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]]) print(x) print(x[2],x[2][1]
numpy切片索引和迭代
weixin_43919570的博客
02-13 172
文章目录索引和切片一维索引和切片多维索引和切片当索引少于轴的数量时，缺失的索引被认为是完整的切片迭代 一维的数组可以进行索引、切片和迭代操作的，就像 列表 和其他Python序列类型一样。 索引和切片 一维索引和切片 也是与python列表索引相似的规则，例如，[a,b]就是第a个元素到第b个元素（包含a但是不包含b）。 >>> a = np.arange(10)**3 >...
Python干货-Numpy索引与迭代
东南有大树的博客
10-26 521
# 导入numpy import numpy as np 一维数组与二维数组中的索引 # 定义一个由3到14数列数组的array a = np.arange(3, 15) # 打印这个array print(a) # 访问索引为2位置的元素 print(a[2]) [ 3 4 5 6 7 8 9 10 11 12 13 14] 5 # 定义一个3行4例，由3到14组成的二维数...
NumPy学习笔记
thunder的博客
03-19 443
Numpy笔记基础1、NumPy的主要对象：同种元素的多维数组。2、在NumPy中维度(dimensions)叫做轴(axes)，轴的个数叫做秩(rank)。例：[[ 1., 0., 0.], [ 0., 1., 2.]] 秩：2，第一个维度（对应竖轴）：2，第二个维度：3例：import numpya=arange(15).reshape(3,5)print(a)print(a.shape) #...
学习笔记2 numpy
Neflibata_mo的博客
02-06 530
1.什么是numpy numpy（Numerical Python）提供了python对多维数组对象的支持：ndarray，具有矢量运算能力，快速、节省空间。numpy支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 2.numpy创建数组 2.1 ndarray numpy中定义的最重要的对象是称为 ndarray 的 N 维数组类型。 它描述相同类型的元素集合。 可以使用基于零的索引访问集合中的项目。 2.2ndarray属性： ndim属性：表示维度个数 shape属性：表示
【学习笔记】python数据分析-Numpy
qq_39951637的博客
07-31 637
ndarray多维数组 通常来说，ndarry是一个通用的同构数据容器（即其中的所有元素都需要是相同的类型）。创建好一个ndarray数组时，同时会在内存中存储ndarray的shape和dtype。shape是ndarray维度大小的元组，dtype是解释说明ndarray数据类型的对象。 创建一个 ndarray 只需调用 NumPy 的 array 函数即可： import numpy as np data1= [[5, 2, 3, 4, 9], [5, 7, 9, 20, 18]] arr1= n
python学习笔记——容器类型数据
chansf的博客
08-12 350
python学习笔记
NumPy--04 索引与迭代
a_small_python的博客
12-18 253
#矩阵的索引与迭代 import numpy as np A = np.arange(3,15).reshape(3,4) print(A) #打印第2行 print(A[2]) #打印第二行第3列,以下两种方法效果相同 print(A[2][3]) print(A[2,3]) #打印第3列 print(A[:,3]) #打印第一行第1，2列 print(A[1,1:2]) #迭代行 f...
NumPy索引、切片和迭代
明远
12-28 377
基本运算 数组的算术运算是按元素的。新的数组被创建并且被结果填充。 a = array( [20,30,40,50] ) b = arange( 4 ) b array([0, 1, 2, 3]) c = a-b c array([20, 29, 38, 47]) b**2 array([0, 1, 4, 9]) 10*...
Numpy的理解与应用（结构、索引、切片、迭代）
LittleDorcas博客
01-19 470
NumPy是一个功能强大的Python库，主要用于对多维数组执行计算。NumPy这个词来源于两个单词-- Numerical和Python。NumPy广泛用于以下任务： 机器学习模型：在编写机器学习算法时，需要对矩阵进行各种数值计算。例如矩阵乘法、换位、加法等。NumPy提供了一个非常好的库，用于简单(在编写代码方面)和快速(在速度方面)计算。NumPy数组用于存储训练数据和机器学习模型的参数。 ...
Python基础学习——Numpy包（2、索引、切片与迭代）
weixin_51060564的博客
08-10 374
主要进行了Numpy包中索引、切片、和数组迭代的学习。
02 Numpy索引、切片与迭代
deftntxz的博客
10-21 218
副本与视图 在Numpy中进行数组运算或者数组操作时，返回结果为数组的副本或视图。 在Numpy中，所有赋值运算不会为数组和数组中的任何元素创建副本。 使用 numpy.ndarray.copy函数来创建一个副本。对副本中的数据进行修改不会影响到原始数据，因为它们存放的物理地址不同。 数组切片操作返回的是原数组的视图，而非副本 索引与切片 数组索引机制指的是用方括号（[]）加序号的形式引用单个数组元素，它的用处很多，比如抽取元素，选取数组的几个元素，甚至为其赋一个新值。 整数索引 import nump
NumPy第二、三章-索引、数组操作、副本与视图
Sun123234的博客
07-27 284
NumPy第二、三章-索引、数组操作、副本与视图
Nump基础学习_数组的属性、副本与视图、索引与切片
weixin_48353010的博客
10-23 663
1. 数组的属性 1. numpy.ndarray.ndim 用于返回数组的维数（轴的个数）也称为秩， 一维数组的秩为 1，二维数组的秩为 2，以此类推。 2. numpy.ndarray.shape 表示数组的维度，返回一个元组， 这个元组的长度就是维度的数目，即 ndim 属性(秩)。 3. numpy.ndarray.size 数组中所有元素的总量，相当于数组的 shape 中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。 4. numpy.ndarray.dtype ndar
numpy 深复制 切片创建视图
长门有希的博客
04-30 149
import numpy as np a = np.array([[10,10],[2,3],[4,5]]) print(a) [行起始:行结束,列起始:列结束] s = a[:,1:2] print(s) [[10 10] [ 2 3] [ 4 5]] [[10] [ 3] [ 5]] 此时对s进行shape 变化的话不会影响a ...
获取Numpy中数组的维度，python代码
最新发布
weixin_35753431的博客
12-23 2644
要获取Numpy数组的维度，可以使用ndarray.ndim属性，其中ndarray是Numpy数组的变量名。例如： import numpy as np # 创建一个2x3的二维数组 a = np.array([[1, 2, 3], [4, 5, 6]]) # 获取数组的维度 dim = a.ndim print(dim) # 输出: 2 这样，变量dim就储存了数组a的维度。 你也可以...
NumPy基础切片与索引详解及实战应用
本文主要介绍了NumPy中基础切片和索引的详细使用方法，这对于数据处理和机器学习任务至关重要。通过实例代码，读者能够理解如何有效地对NumPy数组进行操作，无论是单维度还是多维度的数据。 首先，提到的索引是...
评论 1
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