3.9 Numpy中的比较和Fancy Indexing

3.9 Numpy中的比较和Fancy Indexing

Fancy Indexing

import numpy as np
x = np.arange(16)
x

运行结果为：array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])
如果我们想要得到某几个特定的元素，需要通过索引来寻找。假如我们想要得到３、５、８这几个元素，我们一般这样来写：

[x[3], x[5], x[8]

但是为了方便，numpy提供了如下方法：

ind = [3, 5, 8]
x[ind]
＃不仅一维的可以，二维向量的也可以
ind = np.array([[0,2],[1,3]])
x[ind]

image.png

结果是按照二维索引查找出来的值排列出来的二维矩阵
同样也可以使用在二维矩阵中

X = x.reshape(4, -1)
X
row = np.array([0,1,2])
col = np.array([1,2,3])
X[row,col]

运行结果：array([ 1, 6, 11])，这三个值是按照索引提供的坐标取得。

X[0, col]　　# 取出矩阵第一行的元素
X[:2, col]　 # 取前两行矩阵中的元素

# 也可以利用布尔值来表示索引
col = [True, False, True, True]
# 表示只对第１、３、４列感兴趣，不取第２列。
X[1:3, col]

运行结果是：
array([[ 4, 6, 7],
   [ 8, 10, 11]])

numpy.array的比较

x

array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])

x < 3

array([ True, True, True, False, False, False, False, False, False,
False, False, False, False, False, False, False])
同理

x > 3
x >= 3
x <= 3
x == 3
x != 3
2 * x == 24 - 4 * x

这种比较有什么意义呢？举个例子：计算班级同学年龄小于６的小朋友，于是我们可以直接利用下面一行代码得出：

np.sum(x < 6)
np.count_nonzero(x <= 3)　//这个函数可以计算传入数组中非０元素的个数
＃查看数据中是否有非０元素
np.any(x == 0)
＃查看数据中的元素是否都大于０
np.all(x >= 0)

＃同样也可以应用在二维矩阵上
X < 6
＃查看二维矩阵偶数的个数
np.sum(X % 2 == 0)

＃只针对行或者列查看偶数的个数
np.sum(X % 2 == 0, axis = 0)
np.sum(X % 2 == 0, axis = 1)

比较组合

＃查看小朋友年龄大于３小于６的个数
np.sum((x > 3) & (x < 6))

np.sum((x % 2 == 0)|(x > 10))

np.sum(-(x == 0))

＃查看元素中小于６的
x[x < 6]

＃找出最后一列数组可以被３整除的行
X[X[:,3] %3 == 0, :]

运行结果如下所示：

image.png