NumPy 或 Numeric Python 是一个用于计算齐次 n 维数组的包。在 numpy 维度中称为轴。
为什么我们需要 NumPy ？
出现了一个问题，当 python 列表已经存在时，为什么我们需要 NumPy。答案是我们不能直接对两个列表的所有元素执行操作。例如，我们不能直接将两个列表相乘，我们必须按元素进行。这就是 NumPy 发挥作用的地方。
# 演示需要 NumPy 的 Python 程序 list1 = [1, 2, 3, 4 ,5, 6] list2 = [10, 9, 8, 7, 6, 5] # 将两个列表直接相乘会出错 print(list1*list2)
输出 ：
TypeError: can't multiply sequence by non-int of type 'list'
因为这可以通过 NumPy 数组轻松完成。
另一个例子，
# 演示 NumPy 数组使用的 Python 程序 import numpy as np list1 = [1, 2, 3, 4, 5, 6] list2 = [10, 9, 8, 7, 6, 5] # 将 list1 转换为 NumPy 数组 a1 = np.array(list1) # 将 list2 转换为 NumPy 数组 a2 = np.array(list2) print(a1*a2)
输出 ：
array([10, 18, 24, 28, 30, 30])
本文将帮助您详细了解 NumPy 中的索引。python的numpy包具有以不同方式索引的强大功能。
使用索引数组进行索引
索引可以通过使用数组作为索引在 numpy 中完成。在切片的情况下，返回数组的视图或浅表副本，但在索引数组中返回原始数组的副本。Numpy 数组可以用其他数组或任何其他序列索引，但元组除外。最后一个元素由 -1 索引，第二个由 -2 索引，依此类推。
# 演示索引数组使用的 Python 程序 import numpy as np # 创建一个从 10 到 1 的整数序列，步长为 -2 a = np.arrange(10, 1, -2) print("\n A sequential array with a negative step: \n",a) # 索引在 np.array 方法中指定 newarr = a[np.array([3, 1, 2 ])] print("\n Elements at these indices are:\n",newarr)
输出 ：
A sequential array with a negative step: [10 8 6 4 2] Elements at these indices are: [4 8 6]
另一个例子，
import numpy as np # 元素从 1 到 9 的 NumPy 数组 x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9]) # 索引值可以是负数 arr = x[np.array([1, 3, -3])] print("\n Elements are : \n",arr)
输出 ：
Elements are: [2 4 7]
索引类型
有两种类型的索引：
1. 基本切片和索引： 考虑语法 x[obj]，其中 x 是数组，obj 是索引。切片对象是基本切片情况下的索引。当 obj 为 时发生基本切片：
- 形式为 start : stop : step 的切片对象
- 一个整数
- 或切片对象和整数的元组
基本切片生成的所有数组始终是原始数组的视图。
# 用于基本切片的 Python 程序 import numpy as np # 从 0 到 19 排列元素 a = np.arrange(20) print("\n Array is:\n ",a) # a[start:stop:step] print("\n a[-8:17:1] = ",a[-8:17:1]) # : 运算符表示直到最后的所有元素。 print("\n a[10:] = ",a[10:])
输出 ：
Array is: [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19] a[-8:17:1] = [12 13 14 15 16] a[10:] = [10 11 12 13 14 15 16 17 18 19]
省略号也可以与基本切片一起使用。省略号 (...) 是 : 对象的数量，需要创建一个长度与数组维度相同的选择元组。
# 使用带省略号的基本切片进行索引的 Python 程序 import numpy as np # A 3 dimensional array. b = np.array([[[1, 2, 3],[4, 5, 6]], [[7, 8, 9],[10, 11, 12]]]) print(b[...,1]) #Equivalent to b[: ,: ,1 ]
输出 ：
[[ 2 5] [ 8 11]]
2. 高级索引： 当 obj 为 时触发高级索引：
- 整数或布尔类型的 ndarray
- 或具有至少一个序列对象的元组
- 是一个非元组序列对象
高级索引返回数据的副本而不是它的视图。高级索引有整数和布尔两种类型。
纯整数索引： 当整数用于索引时。第一维的每个元素都与第二维的元素配对。所以本例中元素的索引为 (0,0),(1,0),(2,1) 并选择相应的元素。
# 显示高级索引的 Python 程序 import numpy as np a = np.array([[1 ,2 ],[3 ,4 ],[5 ,6 ]]) print(a[[0 ,1 ,2 ],[0 ,0 ,1]])
输出 ：
[1 3 6]
布尔索引
这个索引有一些布尔表达式作为索引。返回满足该布尔表达式的那些元素。它用于过滤所需的元素值。
# 你可能希望选择大于 50 的数字 import numpy as np a = np.array([10, 40, 80, 50, 100]) print(a[a>50])
输出 ：
[80 100]
# 您可能希望将 40 的倍数平方 import numpy as np a = np.array([10, 40, 80, 50, 100]) print(a[a%40==0]**2)
输出 ：
[1600 6400])
# 您可能希望选择行之和是 10 的倍数的那些元素。 import numpy as np b = np.array([[5, 5],[4, 5],[16, 4]]) sumrow = b.sum(-1) print(b[sumrow%10==0])
输出 ：
array([[ 5, 5], [16, 4]])
感谢大家的阅读，有什么问题的话可以在评论中告诉我。希望大家能够给我来个点赞+收藏+评论 ，你的支持是海海更新的动力！后面我会持续分享前端 & 后端相关的专业知识。
