NumPy 学习（2）： 数组的操作
1. 简单一维数组的操作
一维数组的操作类似于python自身的list类型。
In [14]: arr = np.arange(10) In [15]: arr Out[15]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) # 第六个元素值 In [16]: arr[5] Out[16]: 5 # 第6,,7,8这三个元素的值 In [17]: arr[5:8] Out[17]: array([5, 6, 7])
注意： 和list类型有很大的不同的是，操作原数组的子序列的时候，实际上就是操作原数组的数据。这就意味着数组中的数据没有被复制，任何在其子序列上的操作都会映射到原数组上。这是因为NumPy是被设计成处理大量数据的工具，如果采用复制的方式，其计算性能会大大折扣。
In [18]: arr_slice = arr[:4] In [19]: arr_slice[:] = 20 In [20]: arr_slice Out[20]: array([20, 20, 20, 20]) # arr_slice中更改映射到了arr中 In [21]: arr Out[21]: array([20, 20, 20, 20, 4, 5, 6, 7, 8, 9])
如果要执行显示的复制操作可以通过条用copy()函数： arr[:3].copy
2. 高维维数组上的操作
2.1 二维数组索引访问：
# 产生1-9的数
In [28]: arr2d = np.arange(1,10).reshape((3,3)) In [29]: arr2d Out[29]: array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 访问第一行数据 In [30]: arr2d[0] Out[30]: array([1, 2, 3]) # 访问第一行第二个数据 In [31]: arr2d[0][1] Out[31]: 2 In [32]: arr2d[0,1] Out[32]: 2
2.2 以划分（slice）的方式来取得部分数据：
2.3 索引(index)访问和划分(slice)的不同
索引是通过坐标定位数据的位置并获取其值，arr2d[[0,1],[0,1]] 实际上是获取(0,0)，(1,1)位置上的数据，是获取交汇点上的数据。
划分是将设定范围的数据提取出来，arr2d[:2, :2]实际上就是把1-2行与1-2列中的数据划分出来，是一个区域。
In [67]: arr2d = np.arange(1,10).reshape(3,3)
# 划分的方式划分数据
In [68]: arr2d[:2, :2] Out[68]: array([[1, 2], [4, 5]]) # 以索引方式访问数据 In [69]: arr2d[[0,1],[0,1]] Out[69]: array([1, 5])
将8 * 4 的一个二维数组的1,3,5,7行，和 4,3,2,1列重新组成一个二维数组。如果用以下方法，肯定是不行的：
In [71]: arr = np.arange(32).reshape(8,4) In [72]: arr Out[72]: array([[ 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]]) # 错误的做法，其实是获取(0,3),(2,2),(4,1),(6,0)位置上的值 In [73]: arr[[0,2,4,6],[3,2,1,0]] Out[73]: array([ 3, 10, 17, 24])
正确的方法：
# 先获取1，3，5，7行的数据
In [74]: arr_temp = arr[[0,2,4,6]] In [75]: arr_temp Out[75]: array([[ 0, 1, 2, 3], [ 8, 9, 10, 11], [16, 17, 18, 19], [24, 25, 26, 27]]) # 划分数组，并组成新的数组 In [76]: arr_temp[:,[3,2,1,0]] Out[76]: array([[ 3, 2, 1, 0], [11, 10, 9, 8], [19, 18, 17, 16], [27, 26, 25, 24]])
实现此功能还可以调用np.ix_() 函数:
In [77]: arr[np.ix_([0,2,4,6],[3,2,1,0])] Out[77]: array([[ 3, 2, 1, 0], [11, 10, 9, 8], [19, 18, 17, 16], [27, 26, 25, 24]])
2.4 高维数组访问：
# 用reshape生成三维数组
In [33]: arr3d = np.arange(1,13).reshape((2,2,3)) In [34]: arr3d Out[34]: array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]]) # 用传统的array函数生成三维数组 In [35]: arr3d = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) In [36]: arr3d Out[36]: array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]]) # arr3d[0]是一个2*3的数组 In [37]: arr3d[0] Out[37]: array([[1, 2, 3], [4, 5, 6]]) # arr3d[0,0]是一个一维数组 In [38]: arr3d[0,0] Out[38]: array([1, 2, 3]) In [39]: arr3d[0,0,0] Out[39]: 1
2.5 数组赋值操作：
# 第一个2 * 3 数组的值全变为 32
In [40]: arr3d[0] = 32 In [41]: arr3d Out[41]: array([[[32, 32, 32], [32, 32, 32]], [[ 7, 8, 9], [10, 11, 12]]]) In [42]: old_values = arr3d[0] # 将一个2 *3 的数组赋给arr3d[0] In [43]: arr3d[0] = old_values In [44]: arr3d Out[44]: array([[[32, 32, 32], [32, 32, 32]], [[ 7, 8, 9], [10, 11, 12]]])
3. 布尔索引
数据准备：
# 七个名字
In [2]: names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe']) In [3]: names Out[3]: array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'], dtype='|S4') # 生成7行，4列的随机数组，每一行对应names中一个人的数据 In [4]: data = randn(7,4) In [5]: data Out[5]: array([[ 0.54643196, 0.98876451, 1.55499825, 1.88240798], [ 1.39695977, -1.59576937, 0.42445372, 1.73588157], [ 0.61992879, -0.13706965, 1.87869165, 1.28724149], [ 0.59114346, -0.50032077, 1.29182197, 0.54644327], [ 0.59344412, -0.06566168, -0.01759809, 0.22191015], [-1.57663889, -0.08607805, -0.36048361, -0.94029737], [-0.32203015, 0.59462972, 1.10737098, -1.9473386 ]])
用布尔数组筛选二维数组的行，布尔数组的大小和二维数组的行数要相同
In [12]: names=="Bob" Out[12]: array([ True, False, False, True, False, False, False], dtype=bool)
# 选取 Bob 的数据 In [13]: data[names == "Bob"] Out[13]: array([[ 0.54643196, 0.98876451, 1.55499825, 1.88240798], [ 0.59114346, -0.50032077, 1.29182197, 0.54644327]])
布尔索引和普通索引混合使用：
In [13]: data[names == "Bob"] Out[13]: array([[ 0.54643196, 0.98876451, 1.55499825, 1.88240798], [ 0.59114346, -0.50032077, 1.29182197, 0.54644327]]) In [14]: data[names == "Bob",2:] Out[14]: array([[ 1.55499825, 1.88240798], [ 1.29182197, 0.54644327]])
“与或非“操作。 python 中的 and , or 等关键字在这里不能实现
# 或操作
In [20]: (names == 'Bob') | (names == 'Will')
Out[20]: array([ True, False, True, True, True, False, False], dtype=bool)
# 与操作
In [21]: (names == 'Bob') & (names == 'Will')
Out[21]: array([False, False, False, False, False, False, False], dtype=bool)
# 下边两种 非操作
In [22]: names != "Bob"
Out[22]: array([False, True, True, False, True, True, True], dtype=bool)
In [23]: -(names == "Bob")
Out[23]: array([False, True, True, False, True, True, True], dtype=bool)
二维布尔类型索引：
In [24]: data < 0 Out[24]: array([[False, False, False, False], [False, True, False, False], [False, True, False, False], [False, True, False, False], [False, True, True, False], [ True, True, True, True], [ True, False, False, True]], dtype=bool) # 将小于0的元素的值改为0 In [25]: data[ data < 0] = 0 In [26]: data Out[26]: array([[ 0.54643196, 0.98876451, 1.55499825, 1.88240798], [ 1.39695977, 0. , 0.42445372, 1.73588157], [ 0.61992879, 0. , 1.87869165, 1.28724149], [ 0.59114346, 0. , 1.29182197, 0.54644327], [ 0.59344412, 0. , 0. , 0.22191015], [ 0. , 0. , 0. , 0. ], [ 0. , 0.59462972, 1.10737098, 0. ]])
