python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > numpy数组中元素单个选取或部分选取

关于numpy数组中元素单个选取或部分选取问题

作者:遣隽命运

这篇文章主要介绍了关于numpy数组中元素单个选取或部分选取问题,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教

numpy数组中元素单个选取或部分选取

一维数组中选择部分元素输出,即数组名【【下标】】,是两个中括号!

二维数组选取一个元素,即数组名【行,列】,行列是从0开始的。

行列可以省略,行和列全部省略时,输出整个数组。

行省略,代表输出所有行;列省略,代表输出所有列。

可以指定输出某几行、某几列,即数组名【1:3,1:4】,输出1到2行且1到3列的所有元素,即输出二维数组。

import numpy as np
ans = np.array([1,2,3,4,5,6,7,8,9])    #一维数组
a = np.array([1,2,3,4,5,6,7])    #一维数组
b = np.array([[1,2,3],[4,5,6],[7,8,9]])    #二维数组
#获取指定位置的元素
print(ans[[2,3,5]])      #即为输出ans数组中下标为2,3,5的元素
print(b[1,2])    #输出1行2列的元素,这里的行和列是从0开始的
print(b[1,:])    #输出1行的所有元素,“:”就代表着输出所有元素
print(b[:,2])    #输出2列的所有元素
print(b[1:3,0:3])    #1到2行,0到2列的元素,“端点左闭右开”

numpy数组操作

引言

numpy是高性能科学计算和数据分析的基础包,支持为读书族与矩阵运算包括:

ndarray

创建nadrray:创建数组最简单的办法就是使用array函数,它接受一切序列型的对象,然后产生一个含有传入数据的numpy数组,其中嵌套序列(等长列表组成的列表)将会被转化为一个多维数组

numpy.array(obkject, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

object 数组或嵌套的数列

dtype 数组元素的数据类型 可选

copy 对象是否需要复制

order 创建数组的样式,c为行方向,F为列方向,A为任意方向

subok 默认返回一个与基类类型一致的数组

ndmin 指定生成数组的最小维度

import numpy as np
a = [1,2,3,4]
b = np.array(a)
print(b)
>>> array([1,2,3,4])
c = np.array([[1,2],[3,4]])
print(c)
>>>>[[1,2]
[3,4]]

除了np.array之外,还有一些函数也可以新建数组:

np.zeros(3) # 全0数组
np.ones(3) # 全1数组
np.zeros((3,3)) #全0二维数组 三行三列
np.zeros((3,1))  # 0二维数组 三行一列
np.zeros((1,3))
np.ones((3,3))
np.identity(3) #单位矩阵,三行三列

ndarray之创建数组

创建随机数

均匀分布

正态分布

创建随机数组

np.random.randint(0,50,5) # 随机数组,5个0-50之间的数字
np.random.randint(0,50,(3,5)) #3行5列 供15个随机数,都在0-50之间
np.random.rand(10) #10个结余[0,1)之间的随机数
np.random.standard_noraml(5) #从标准正太分部中随机采样5个数字

ndarray的数组属性

用法说明
b.size数组元素个数
b.shape数组形状
b.ndim数组维度
b.dtype数组元素类型
b.ltemsize数组元素字节大小

b.reshape()可以更改形状(3,2)变(2,3)或者其他

数组和标量之间的运算

数组很重要,因为它可以是我们不用编写循环即可对数据执行批量运算,这通常叫做矢量化,大小相同的数组之间的任何算数运算都会将运算应用到元素级,同样,数组与标量的算数运算也会将那个表两只传播到各个元素

arr = np.array([[1.,2.,3.],[4.,5.,6.]])
print(arr)
>>>array([[1., 2., 3.],
       [4., 5., 6.]])
print(1/array)
>>>array([[1.        , 0.5       , 0.33333333],
       [0.25      , 0.2       , 0.16666667]])
print(arr-arr)
>>>array([[0., 0., 0.],
       [0., 0., 0.]])
print(arr*arr)
>>>array([[ 1.,  4.,  9.],
       [16., 25., 36.]])
print(arr*0.5)
>>>array([[0.5, 1. , 1.5],
       [2. , 2.5, 3. ]])

基本的索引和切片

arr = np.arange(10)
print(arr[5])
>>>5
print(arr[5:8])
>>>array([5,6,7])
print(arr[5:8]=12)
>>>array([0,1,2,3,4,12,12,12,8,9])
arr_slice = arr[5:8]
arr_slice[1] = 12345
print(arr)
>>>array([0,1,2,3,4,12,12345,12,8,9])
arr_slice[:] = 64
print(arr)
>>>array([0,1,2,3,4,64,64,64,8,9])
arr3d = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
print(arr3d)
>>>array([[[ 1,  2,  3],
        [ 4,  5,  6]],
       [[ 7,  8,  9],
        [10, 11, 12]]])
print(arr3d[0])
>>>array([[1, 2, 3],
       [4, 5, 6]])
print(arr3d[0][1])
>>>array([4, 5, 6])

数学和统计方法

可以通过数组上的一组数学函数对整个 数组或者某个轴向的数据进行统计计算

方法说明
sum对数组中全部或轴向元素求和。零长度的数组的sum为0
mean算数平均数,零长度的数组的mean为NAN
std,var分别为标准差和方差,自由度可调(默认为n)
min,max最小值和最大值
argmin,argmax分别为最小值和最大值的索引
cumsum所有元素的累加
cumprod所有元素的累积
arr = np.random.randn(5,4) #5行4列的正太分部的数据
print(arr.mean()) #这个值和下面方法的值相同
print(np.mean(arr))
print(arr.sum())

值得注意的是:

mean和sum这类的函数可以接受一个axis参数(用于计算该轴向上的统计值)

arr.mean(axis=1)
arr.sum(0)

cumsum:按照所给定的周参数返回元素的梯形累积和,axis=0,按照行累加。axis=1,按照列累加

cumprod:按照所给定的周参数返回元素的梯形累积乘积,axis=0,按照行累积,axis=1按照列累积

arr = np.array([[0,1,2],[3,4,5],[6,7,8]])
arr.cumsum(0)
>>>array([[ 0,  1,  2],
       [ 3,  5,  7],
       [ 9, 12, 15]], dtype=int32)
arr.cumprod(1)
>>>array([[  0,   0,   0],
       [  3,  12,  60],
       [  6,  42, 336]], dtype=int32)

总结

以上为个人经验,希望能给大家一个参考,也希望大家多多支持脚本之家。

您可能感兴趣的文章:
阅读全文