一、基本索引及切片

1、一维数组索引及切片

import numpy as np# 一维数组索引及切片
ar = np.arange(20)
print('ar = ', ar)
print('ar[4] = ', ar[4])
print('ar[3:6] = ', ar[3:6])

打印结果：

ar =  [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19]
ar[4] =  4
ar[3:6] =  [3 4 5]

2、二维数组索引及切片

# 二维数组索引及切片
ar = np.array([[0, 1, 2, 3],[4, 5, 6, 7],[8, 9, 10, 11],[12, 13, 14, 15]])
print('ar = {0}; ar数组轴数 = {1}'.format(ar, ar.ndim))  # 4*4的数组
print('\nar[2] = {0}; ar[2]数组轴数 = {1}'.format(ar[2], ar[2].ndim))  # 切片为下一维度的一个元素，所以是一维数组
print('\nar[2][1] = {0}; ar[2][1]数组轴数 = {1}'.format(ar[2][1], ar[2][1].ndim))  # 二次索引，得到一维数组中的一个值
print('\nar[1:3] = {0}; ar[1:3]数组轴数 = {1}'.format(ar[1:3], ar[1:3].ndim))  # 切片为两个一维数组组成的二维数组
print('\nar[2, 2] = {0}; ar[2, 2]数组轴数 = {1}'.format(ar[2, 2], ar[2, 2].ndim))  # 切片数组中的第三行第三列 → 10
print('\nar[:2, 1:] = {0}; ar[:2, 1:]数组轴数 = {1}'.format(ar[:2, 1:], ar[:2, 1:].ndim))  # 切片数组中的1,2行、2,3,4列 → 二维数组

打印结果：

ar = [[ 0  1  2  3][ 4  5  6  7][ 8  9 10 11][12 13 14 15]]; ar数组轴数 = 2ar[2] = [ 8  9 10 11]; ar[2]数组轴数 = 1ar[2][1] = 9; ar[2][1]数组轴数 = 0ar[1:3] = [[ 4  5  6  7][ 8  9 10 11]]; ar[1:3]数组轴数 = 2ar[2, 2] = 10; ar[2, 2]数组轴数 = 0ar[:2, 1:] = [[1 2 3][5 6 7]]; ar[:2, 1:]数组轴数 = 2

二维数组索引方式：

举例：获取第一个股票的前3个交易日的涨跌幅数据

# 二维的数组，两个维度
stock_change[0, 0:3]

返回结果：

array([-0.03862668, -1.46128096, -0.75596237])

3、三维数组索引及切片

# **三维数组索引及切片
ar = np.array([[[0, 1],[2, 3]],[[4, 5],[6, 7]]])print('ar = {0}; ar数组轴数 = {1}'.format(ar, ar.ndim))  # 2*2*2的数组
print('ar[0] = {0}; ar[0]数组轴数 = {1}'.format(ar[0], ar[0].ndim))  # 三维数组的下一个维度的第一个元素 → 一个二维数组
print('ar[0][0] = {0}; ar[0][0]数组轴数 = {1}'.format(ar[0][0], ar[0][0].ndim))  # 三维数组的下一个维度的第一个元素下的第一个元素 → 一个一维数组
print('ar[0][0][1] = {0}; ar[0][0][1]数组轴数 = {1}'.format(ar[0][0][1], ar[0][0][1].ndim))

打印结果：

ar = [[[0 1][2 3]][[4 5][6 7]]]; ar数组轴数 = 3
ar[0] = [[0 1][2 3]]; ar[0]数组轴数 = 2
ar[0][0] = [0 1]; ar[0][0]数组轴数 = 1
ar[0][0][1] = 1; ar[0][0][1]数组轴数 = 0

三维数组索引方式：

# 三维
a1 = np.array([ [[1,2,3],[4,5,6]], [[12,3,34],[5,6,7]]])
# 返回结果
array([[[ 1,  2,  3],[ 4,  5,  6]],[[12,  3, 34],[ 5,  6,  7]]])
# 索引、切片
>>> a1[0, 0, 1]   # 输出: 2

二、布尔型索引及切片

import numpy as npar = np.array([[0, 1, 2, 3],[4, 5, 6, 7],[8, 9, 10, 11]])# 布尔型索引：以布尔型的矩阵去做筛选
i = np.array([True, False, True])
j = np.array([True, True, False, False])
print('ar = ', ar)
print('\ni = ', i)
print('\nj = ', j)
print('\nar[i, :] = ', ar[i, :])  # 在第一维度做判断，只保留True，这里第一维度就是行，ar[i,:] = ar[i]（简单书写格式）
print('\nar[:, j] = ', ar[:, j])  # 在第二维度做判断，这里如果ar[:,i]会有警告，因为i是3个元素，而ar在列上有4个
print('-' * 100)m = ar > 5
print('m = ', m)  # 这里m是一个判断矩阵
print('\nar[m] = ', ar[m])  # 用m判断矩阵去筛选ar数组中>5的元素 → 重点！后面的pandas判断方式原理就来自此处

打印结果：

ar =  [[ 0  1  2  3][ 4  5  6  7][ 8  9 10 11]]i =  [ True False  True]j =  [ True  True False False]ar[i, :] =  [[ 0  1  2  3][ 8  9 10 11]]ar[:, j] =  [[0 1][4 5][8 9]]
----------------------------------------------------------------------------------------------------
m =  [[False False False False][False False  True  True][ True  True  True  True]]ar[m] =  [ 6  7  8  9 10 11]Process finished with exit code 0

三、数组索引及切片的值更改、复制

一个标量赋值给一个索引/切片时，会自动改变/传播原始数组

import numpy as np# 一个标量赋值给一个索引/切片时，会自动改变/传播原始数组ar = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print('ar = ', ar)# 数组索引及切片的值更改、复制
ar[5] = 100
ar[7:9] = 200
print('ar = ', ar)
print('-' * 100)# 复制
ar = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
b = ar.copy()
b[7:9] = 200
print('ar = ', ar)
print('b = ', b)

打印结果：

ar =  [0 1 2 3 4 5 6 7 8 9]
ar =  [  0   1   2   3   4 100   6 200 200   9]
----------------------------------------------------------------------------------------------------
ar =  [0 1 2 3 4 5 6 7 8 9]
b =  [  0   1   2   3   4   5   6 200 200   9]Process finished with exit code 0

NumPy（十）：ndarray数组索引、切片相关推荐

Python 数据分析三剑客之 NumPy（二）：数组索引 / 切片 / 广播 / 拼接 / 分割
CSDN 课程推荐:<Python 数据分析与挖掘>,讲师刘顺祥,浙江工商大学统计学硕士,数据分析师,曾担任唯品会大数据部担任数据分析师一职,负责支付环节的数据分析业务.曾与联想.亨氏.网 ...
numpy 学习汇总33 - 索引切片( 初步学习 tcy)
索引切片 2018/6/18 2018/11/26===================================================================== 1. 索引 ...
python数据分析 - numpy | ndarray数组 | numpy常用函数
文章目录数据分析 numpy概述 numpy历史 numpy的核心:多维数组 numpy基础 ndarray数组内存中的ndarray对象 ndarray数组对象的特点 ndarray数组对象的创 ...
Numpy基础(part1)--ndarray数组
鄙人学习笔记,这个笔记以例子为主. 开发工具:Spyder 文章目录使用python做数据分析的常用库 numpy概述 ndarray数组内存中的ndarray对象 ndarray数组对象的创建 ...
python花式索引_初探Numpy中的花式索引
Numpy中对数组索引的方式有很多(为了方便介绍文中的数组如不加特殊说明指的都是Numpy中的ndarry数组),比如:基本索引:通过单个整数值来索引数组 import numpy as np arr ...
python 一维数组所有元素是否大于_利用Python进行数据分析(5) NumPy基础: ndarray索引和切片...
概念理解索引即通过一个无符号整数值获取数组里的值. 切片即对数组里某个片段的描述. 一维数组一维数组的索引一维数组的索引和Python列表的功能类似: 一维数组的切片一维数组的切片语法格式为a ...
numpy的基本使用附python代码详细讲解（numpy函数，创建数组，常用属性，索引切片，数组的复制，修改维度，数组的分割、拼接、转置）
目录使用array创建数组使用arange创建数组 Numpy中的随机数创建 ndarray对象的常用属性其他方式创建数组索引和切片(一位数组.二维数组) 数组的复制修改数组的维度数组的拼 ...
玩转NumPy——NumPy数组的切片和索引
NumPy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. eg: import ...
python三维数组切片_【NumPy学习指南】day4 多维数组的切片和索引
ndarray支持在多维数组上的切片操作.为了方便起见,我们可以用一个省略号(...)来表示遍历剩下的维度. (1)举例来说,我们先用arange函数创建一个数组并改变其维度,使之变成一个三维数组: ...

NumPy（十）：ndarray数组索引、切片

一、基本索引及切片

1、一维数组索引及切片

2、二维数组索引及切片

3、三维数组索引及切片

二、布尔型索引及切片

三、数组索引及切片的值更改、复制

NumPy（十）：ndarray数组索引、切片相关推荐

最新文章

热门文章