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. ]])