前言
索引和切片是NumPy中最重要最常用的操作。熟練使用NumPy切片操作是數據處理和機器學習的前提，所以一定要掌握好。
參考NumPy官方文檔，總結NumPy索引和切片，可以看到它們相比Python更加方便、簡介和強大。
索引和切片
您可以使用與切片 Python列表相同的方法，對NumPy數組進行索引和切片。
>>> data = np.array([1, 2, 3])
>>> data[1]
2
>>> data[0:2]
array([1, 2])
>>> data[1:]
array([2, 3])
>>> data[-2:]
array([2, 3])
你可以這樣想象：
您可能需要獲取數組的一部分或特定數組元素，以便在進一步分析或其他操作中使用。為此，需要對數組進行子集、切片和/或索引。
如果您想從數組中選擇滿足特定條件的值，那么NumPy很簡單。
例如，如果從這個數組開始：
>>> a = np.array([[1 , 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
可以輕松打印數組中小于5的所有值。
>>> print(a[a 5])
[1 2 3 4]
例如，還可以選擇等于或大于5的數字，并使用該條件對數組進行索引。
>>> five_up = (a >= 5)
>>> print(a[five_up])
[ 5 6 7 8 9 10 11 12]
可以選擇可被2整除的元素：
>>> divisible_by_2 = a[a%2==0]
>>> print(divisible_by_2)
[ 2 4 6 8 10 12]
或者可以使用和|運算符選擇滿足兩個條件的元素：
>>> c = a[(a > 2) (a 11)]
>>> print(c)
[ 3 4 5 6 7 8 9 10]
還可以使用邏輯運算符和 |返回布爾值，指定數組中的值是否滿足特定條件。這對于包含名稱或其他分類值的數組很有用。
>>> five_up = (a > 5) | (a == 5)
>>> print(five_up)
[[False False False False]
[ True True True True]
[ True True True True]]
還可以使用np.nonzero()從數組中選擇元素或索引。
從這個數組開始：
>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
可以使用np.nonzero()打印元素的索引，例如，小于5：
>>> b = np.nonzero(a 5)
>>> print(b)
(array([0, 0, 0, 0]), array([0, 1, 2, 3]))
在本例中，返回了一個數組元組：每個維度一個。第一個數組表示找到這些值的行索引，第二個數組表示找到這些值的列索引。
如果要生成元素所在的坐標列表，可以壓縮數組，遍歷坐標列表，然后打印它們。例如：
>>> list_of_coordinates= list(zip(b[0], b[1]))
>>> for coord in list_of_coordinates:
... print(coord)
(0, 0)
(0, 1)
(0, 2)
(0, 3)
還可以使用np.nonzero()打印數組中小于5的元素，并使用：
>>> print(a[b])
[1 2 3 4]
如果要查找的元素在數組中不存在，則返回的索引數組將為空。例如：
>>> not_there = np.nonzero(a == 42)
>>> print(not_there)
(array([], dtype=int64), array([], dtype=int64))
總結
到此這篇關于NumPy索引與切片用法的文章就介紹到這了,更多相關NumPy索引與切片內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- numpy中索引和切片詳解
- python numpy數組的索引和切片的操作方法
- NumPy 基本切片和索引的具體使用方法
- 淺析NumPy 切片和索引
