Numpy系列
Numpy_01 创建 指定数据类型 查看维度和数据类型 简单的数学运算
Numpy_02 索引和切片
Numpy_03 转置和轴对换
Numpy_04 通用函数
Numpy_05 数据处理
Numpy_06 数组的文件输入输出 线性代数
一维数组
arr = np.arange(10) # 创建一个 0-9的数组
print (arr)
print (arr[5]) #arr的第6个元素
print (arr[5:8]) # arr的第6-8个元素，[5:8]左闭右开
arr[5:8] = 12 # 对数组的切片的改变 会直接使原数组的值进行改变
print (arr)
arr_slice = arr[5:8] # 我们将这个修改后的数组切片出来看看是被修改过
print (arr_slice)
arr_slice[1] = 12345 # 接着我们对 arr_slice中的值进行修改 变动也会体现在原始数组arr中
print (arr)
arr_slice[:] = 64 # 接着尝试修改 arr_slice里的所有值
print (arr) # arr数组里的值也会被改变
# 如果你想得到的是一分副本而非视图,就需要进行明确的复制操作,例如 arr[5:8].copy()。
多维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2d[2]) # 输出:[7 8 9]
print (arr2d[0][2]) # 等价于下面这个 输出:第一行第三列的数据 3
print (arr2d[0, 2]) # 等价于上面这个 输出:第一行第三列的数据 3
在多维数组中，如果省略了后面的索引，则返回对象会是一个维度低一点的ndarray（它含有高一级维度上的所有数据）。
arr3d = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
print(arr3d)
输出:
[[[ 1 2 3]
[ 4 5 6]]
[[ 7 8 9]
[10 11 12]]]
# arr3d[0]是一个2×3数组
print(arr3d[0])
[[1 2 3]
[4 5 6]]
标量值和数组都可以被赋值给arr3d[0]
#将arr3d[0]的数据进行备份
old_values = arr3d[0].copy() # 复制了一份副本
#修改arr3d[0]的值为42
arr3d[0] = 42 # 赋值了一个标量
print(arr3d)
print('===========分割线============')
arr3d[0] = old_values # 赋值了一个数组
print(arr3d)
输出:
[[[42 42 42]
[42 42 42]]
[[ 7 8 9]
[10 11 12]]]
===========分割线============
[[[ 1 2 3]
[ 4 5 6]]
[[ 7 8 9]
[10 11 12]]]
# 返回的数组视图
print (arr3d[1, 0])
print('===========分割线============')
x = arr3d[1]
print (x)
print (x[0])
切片索引
下图对此进行了说明。注意，“只有冒号”表示选取整个轴，因此你可以像下面这样只对高维轴进行切片。
arr = np.array([0, 1, 2, 3, 4, 12, 12, 12, 8, 9]) # 创建一个数组
print(arr) # 打印这个数组
print(arr[1:6]) # 切片这个数组 显示这个数组的部分值 输出:[ 1 2 3 4 12 ]
我们继续看个例子:
arr2 = np.arange(1, 10).reshape(3,3) # 创建了一个数组 内容是 1-9 再 reshape成 3 * 3 的矩阵
print(arr2) # 打印 创建好的矩阵 arr2
输出:
[[1 2 3]
[4 5 6]
[7 8 9]]
print('以下是切片后的效果') # 分隔一下
print(arr2[:2]) # 切片从头到 第二个元素的值
# 输出
[[1 2 3]
[4 5 6]]
print(arr2d[:2, 1:]) # 切片操作 选择前两行 再选择后两列
# 输出
[[2 3]
[5 6]]
print(arr2d[1, :2]) # 选取 第二行 再选择前两列
# 输出
[4 5]
print(arr2d[:2, 2]) # 选取 前两行 再选择第三列
# 输出
[3 6]
print(arr2d[:, :1]) # 选择所有的行 再选择第一列 就可以单独输出所有第一列的数据了
# 输出
[[1]
[4]
[7]]
布尔型索引
names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe']) # 创建了一个 字符串数组
data = np.random.randn(7,4) # 创建了一个 随机的 七行四列的 数组
print(names) # 打印出这个字符串数组
print(data) # 打印出这个 随机的数组
print(names == 'Bob') # 如果 names 的值 等于 'Bob' 返回一个 布尔类型的矩阵
print(data[names == 'Bob']) # 上面这个布尔类型的数组可用于数组索引 索引出 data 数组中的 第一行 和第四行
布尔型数组的长度必须跟被索引的轴长度一致。此外，还可以将布尔型数组跟切片、整数（或整数序列，稍后将对此进行详细讲解）混合使用：
print(data[names == 'Bob', 2:]) # 对上述索引之后的值 进行 切片索引
print('===========分割线============')
print(data[names == 'Bob', 3]) # 对上述索引之后的值 进行 切片索引
取反
print(names != 'Bob') # 返回一个 names 不等于 'Bob' 值的 布尔类型数组
print(data[~(names == 'Bob')]) # 索引出 data里面 names里不等于 'Bob' 的数列的数据行
操作符~
cond = names == 'Bob' # 赋值cond
print(data[~cond]) # 打印出 data的索引 ~ names == 'Bob'的值
通过布尔型索引选取数组中的数据，将总是创建数据的副本，即使返回一模一样的数组也是如此。
选取这三个名字中的两个需要组合应用多个布尔条件，使用&（和）、|（或）之类的布尔算术运算符即可：
mask = (names == 'Bob') | (names == 'Will') # 选取 names值为'Bob' 或者 names值为'Will' 返回一个布尔类型的数组
print(mask) # 将这个布尔类型的数组 赋给mask
print(data[mask]) # 将上面的布尔类型的数组 当作索引 来 索引出 data数组里的 数据
通过布尔型数组设置值是一种经常用到的手段。为了将data中的所有负值都设置为0，我们只需：
data[data < 0] = 0 # 将数组中所有值小于0 的都设置为 0
print (data)
通过一维布尔数组设置整行或列的值也很简单：
data[names != 'Joe'] = 7
print(data)
花式索引
arr = np.empty((8,4)) # 创建一个 8行4列的数组
for i in range(8): # 遍历8次
arr[i] = i # 将这个数组的前八行 赋值为 行号的值
print(arr)
为了以特定顺序选取行子集，只需传入一个用于指定顺序的整数列表或ndarray即可：
print (arr[[4, 3, 0, 6]]) # 选取 第5行 4行 1行 7行输出
print(arr[[-3, -5, -7]]) # 选取倒数 第3行 第5行 第7行 输出
一次传入多个索引数组会有一点特别。它返回的是一个一维数组，其中的元素对应各个索引元组：
arr = np.arange(32).reshape((8, 4)) # 创建一个 0-31 的一维数组 再reshape为一个8行4列的数组
print(arr)
print(arr[[1, 5, 7, 2], [0, 3, 1, 2]]) # 索引 第一个列表行号 第二个列表列号 对应的值 x y轴定位