Python索引

索引

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。

1.1整数索引

要获取数组的单个元素，指定元素的索引即可。
一维数组

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

二维数组

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

1.2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] 
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] 
print(x[::-1])  # [8 7 6 5 4 3 2 1]

二维数组的切片和一维数组的切片类似，就是多了一维，要从x[:]变成x[:, :])。

1.3 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。
x[1,2,…] 等于 x[1,2,:,:,:]
x[…,3] 等于 x[:,:,:,:,3]
x[4,…,5,:] 等于 x[4,:,:,5,:]

1.4整数数组索引

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]

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]])
r = [0, 1, 2] #行索引
c = [2, 3, 4] #列索引
y = x[r, c] 
print(y)
# [13 19 25]

可以通过对 r 创建数组，来提取索引

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]])   #行索引
print(x[r])
# [[[11 12 13 14 15]
   [16 17 18 19 20]] 
#
#  [[26 27 28 29 30]
   [31 32 33 34 35]]]

从数组中沿轴获取元素

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

若要沿纵轴获取元素，axis=1
可以在上述代码中尝试加入行、列索引，操作和前一代码块类似。

1.5布尔索引

通过一个布尔数组来索引目标数组。
二维数组同下操作。

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]

输出数组里不是空值的。

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.]

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 2 * np.pi, 50)  #给x赋值
y = np.sin(x)   #计算sin(x)值
print(len(x))   # 50 
plt.plot(x, y)
mask = y >= 0     #y值大于等于0
print(len(x[mask]))  # 25   
print(mask）#输出mask的值，大于等于0的为true，其他为False

在这里可以设定条件，赋值给mask，例如可以改为：
mask = np.logical_and(y >= 0, x <= np.pi / 2)
再输出mask。

1.6 数组的迭代

除了for循环，Numpy 还提供另外一种更为优雅的遍历方法。

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)  #对每列进行求和
print(y)    # [105 110 115 120 125] 
y = np.apply_along_axis(np.sum, 1, x) #对每行进行求和
print(y)    # [ 65  90 115 140 165]
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.]