1.numpy数组的特点在于，大小相等的数组之间，任何算数运算都会将运算应用到元素级。
请看下面的例子：
[python] view plain copy
10.布尔型索引
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
names = np.array(['Bob','Joe','Will','Bob','Will','Joe','Joe'])
names
输出：
array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'], dtype='<U4')
生产一组随机数组
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
import numpy.random
data = numpy.random.randn(7,4)
data
输出：
array([[ 0.98990731, -0.26694924, 1.17834132, -0.21712539], [ 1.10877471, 0.04496048, 0.99851866, -0.65930485], [ 0.20479382, -0.09918733, -0.51451222, 1.43864803], [-0.30217902, 1.20441035, -0.88069583, -0.31243213], [-1.47970158, 0.08452533, -1.56347609, 1.88383865], [ 0.45802479, 0.84710767, -1.87281658, 0.90212452], [ 0.57361001, 0.61528872, 1.25977742, -0.06899717]])
判断，产生一个布尔型数组
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
names == 'Bob'
输出：
array([ True, False, False, True, False, False, False], dtype=bool)
这个布尔型数组可以用于数组索引[python] view plain copy
在CODE上查看代码片
派生到我的代码片
data[names == 'Bob']
输出：array([[ 0.98990731, -0.26694924, 1.17834132, -0.21712539], [-0.30217902, 1.20441035, -0.88069583, -0.31243213]])
可以将布尔型数组跟切片、整数混合使用
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
data[names == 'Bob',2:]
输出：
array([[ 1.17834132, -0.21712539], [-0.88069583, -0.31243213]])
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
data[names == 'Bob',3]
输出：
array([-0.21712539, -0.31243213])
也可以用不等号（！=）进行或者符号（-）对条件进行否定索引
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
names != 'Bob'
输出：
array([False, True, True, False, True, True, True], dtype=bool)
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
data[-(names == 'Bob')]
输出：
array([[ 1.10877471, 0.04496048, 0.99851866, -0.65930485], [ 0.20479382, -0.09918733, -0.51451222, 1.43864803], [-1.47970158, 0.08452533, -1.56347609, 1.88383865], [ 0.45802479, 0.84710767, -1.87281658, 0.90212452], [ 0.57361001, 0.61528872, 1.25977742, -0.06899717]])
11.也可以使用多个布尔型条件进行索引，这在实际操作中十分常见
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
mask = (names == 'Bob')|(names == 'Will')
mask
输出：
array([ True, False, True, True, True, False, False], dtype=bool)
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
data[mask]
输出：
array([[ 0.98990731, -0.26694924, 1.17834132, -0.21712539], [ 0.20479382, -0.09918733, -0.51451222, 1.43864803], [-0.30217902, 1.20441035, -0.88069583, -0.31243213], [-1.47970158, 0.08452533, -1.56347609, 1.88383865]])
把小于0的数都变为0
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
data[data < 0] = 0
data
输出：
array([[ 0.98990731, 0. , 1.17834132, 0. ], [ 1.10877471, 0.04496048, 0.99851866, 0. ], [ 0.20479382, 0. , 0. , 1.43864803], [ 0. , 1.20441035, 0. , 0. ], [ 0. , 0.08452533, 0. , 1.88383865], [ 0.45802479, 0.84710767, 0. , 0.90212452], [ 0.57361001, 0.61528872, 1.25977742, 0. ]])
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
data[names != 'Joe'] = 7
data
输出：
array([[ 7. , 7. , 7. , 7. ], [ 1.10877471, 0.04496048, 0.99851866, 0. ], [ 7. , 7. , 7. , 7. ], [ 7. , 7. , 7. , 7. ], [ 7. , 7. , 7. , 7. ], [ 0.45802479, 0.84710767, 0. , 0.90212452], [ 0.57361001, 0.61528872, 1.25977742, 0. ]])
11.花式索引：
花式索引（Fancy indexing）是一个Numpy术语，它指的是利用整数数组进行索引。
先建立一个8×4的empty数组
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
arr = np.empty((8,4))
arr
输出：
array([[ 2.27764263e-321, 0.00000000e+000, 3.65717707e-316, 0.00000000e+000], [ 0.00000000e+000, 2.50223420e-315, 0.00000000e+000, 4.42980404e-316], [ 0.00000000e+000, 3.61995693e-316, 2.50223420e-315, 4.43565180e-316], [ 2.50097935e-315, 4.59507256e-316, 0.00000000e+000, 0.00000000e+000], [ 0.00000000e+000, 0.00000000e+000, 4.42208160e-316, 0.00000000e+000], [ 3.65629171e-316, 1.98465379e-317, 2.50224669e-315, 2.63675246e-316], [ 0.00000000e+000, 0.00000000e+000, 0.00000000e+000, 0.00000000e+000], [ 2.50224384e-315, 0.00000000e+000, 0.00000000e+000, 4.59490260e-316]])
给其赋值
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
for i in range(8):
arr[i] = i
arr
输出：
array([[ 0., 0., 0., 0.], [ 1., 1., 1., 1.], [ 2., 2., 2., 2.], [ 3., 3., 3., 3.], [ 4., 4., 4., 4.], [ 5., 5., 5., 5.], [ 6., 6., 6., 6.], [ 7., 7., 7., 7.]])
以特定的顺序选取行子集，只需传入一个用于指定顺序的整数列表或ndarray：
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
arr[[4,3,0,6]]
输出：
array([[ 4., 4., 4., 4.], [ 3., 3., 3., 3.], [ 0., 0., 0., 0.], [ 6., 6., 6., 6.]])
使用负数索引会从末尾开始：
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
arr[[-3,-5,-7]]
输出：
array([[ 5., 5., 5., 5.], [ 3., 3., 3., 3.], [ 1., 1., 1., 1.]])
使用reshape函数改变行列数
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
arr = np.arange(32).reshape((8,4))
arr
输出：
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]])
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
arr[[1,5,7,2],[0,3,1,2]]
输出：
array([ 4, 23, 29, 10])
可以看出，最终选出的元素是（1,0）、（5,3）、（7,1）、（2,2）
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
arr[[1,5,7,2]][:,[0,3,1,2]]
输出：
array([[ 4, 7, 5, 6], [20, 23, 21, 22], [28, 31, 29, 30], [ 8, 11, 9, 10]])
另外一个办法是使用np.ix_函数，它可以将两个一维整数数组转换为一个用于选取方形区域的索引器：
[python] view plain copy
在CODE上查看代码片
派生到我的代码片
arr[np.ix_([1,5,7,2],[0,3,1,2])]
输出：
array([[ 4, 7, 5, 6], [20, 23, 21, 22], [28, 31, 29, 30], [ 8, 11, 9, 10]])
注意：花式索引跟切片不一样，它总是将数据复制到新数组中。
网友评论