python数据分析之Numpy数据库第二期数组的索引和切片的知识总结
数组的索引和切片
2.2.1数据的索引（一组数据的索引类似于python列表）
上一章节知识点通道：ndarray多维数组知识点
import numpy as np
arr = np.arange(10)
arr
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
arr[3]
3
arr[-1]
9
arr[2]=123
arr
array([ 0, 1, 123, 3, 4, 5, 6, 7, 8, 9])
从代码中可以看出，数组的切片返回的是原始数组的视图。简单地说，视图就是原始数组的表现形式，切片操作并不会产生新数据，这就意味着在视图上操作都会使原数组产生变化
arr[3]=88
arr
array([ 0, 1, 123, 88, 4, 5, 6, 7, 8, 9])
arr1 = arr[-3:-1] #左闭右开
arr1
array([7, 8])
arr1[:] = 77 #将上面得到的[7,8]改成[77,77]
arr
array([ 0, 1, 123, 88, 4, 5, 6, 77, 77, 9])
数据的切片和索引返回都是原始数组的视图，如果需要的并非视图而是要复制数据，则通过copy方法来实现
arr
array([ 0, 1, 123, 88, 4, 5, 6, 77, 77, 9])
arr1 = arr[1].copy()
arr1
1
arr1 =34
arr1
34
arr
array([ 0, 1, 123, 88, 4, 5, 6, 77, 77, 9])
对于二维数组，可在单个或多个轴向上完成切片，也可以跟整数索引一起混合使用
arr = np.arange(15).reshape(3,5)
arr
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
arr[0]
array([0, 1, 2, 3, 4])
arr[2]
array([10, 11, 12, 13, 14])
如果需要获取各个元素，可通过以下办法
arr
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
arr[0][3]
3
arr[2,3] #俩种办法等价
13
arr = np.arange(12).reshape(2,2,3)
arr
array([[[ 0, 1, 2],
[ 3, 4, 5]],
[[ 6, 7, 8],
[ 9, 10, 11]]])
arr[0]
array([[0, 1, 2],
[3, 4, 5]])
标量值和数组都可以复制给arr[0]
old = arr[0].copy()
arr[0]= 12
arr
array([[[12, 12, 12],
[12, 12, 12]],
[[ 6, 7, 8],
[ 9, 10, 11]]])
arr[0] = old
arr
array([[[ 0, 1, 2],
[ 3, 4, 5]],
[[ 6, 7, 8],
[ 9, 10, 11]]])
同样类似于二维数组的切片，也可以索引到想要的部分元素或单个元素
arr
array([[[ 0, 1, 2],
[ 3, 4, 5]],
[[ 6, 7, 8],
[ 9, 10, 11]]])
arr[1,1]
array([ 9, 10, 11])
arr[0,1,2]
5
数组的切片
一维数组的切片同样类似于python列表
arr = np.arange(6)
arr
array([0, 1, 2, 3, 4, 5])
arr[2:5]
array([2, 3, 4])
多维数组的切片按照轴方向进行的，当在中括号输入一个参数时，数组就会按照0州（也就是第一轴）方向进行切片
arr = np.arange(12).reshape(4,3)
arr
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
arr[2:]
array([[ 6, 7, 8],
[ 9, 10, 11]])
通过传入多个参数（可以是整数索引和切片），即可完成任意数据的获取
arr
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
arr[:,1] #参考数据合并块知识点
array([ 1, 4, 7, 10])
arr[:,1:2] #首先0,1,2,3四行逗号隔开2列重合部分（左闭右开）
array([[ 1],
[ 4],
[ 7],
[10]])
arr[2:,1:] #首先2,3俩行接着逗号隔开1,2俩行重合部分
array([[ 7, 8],
[10, 11]])
注意只有冒号才会选中整个表
布尔值索引
首先创建俩个数组
fruits = np.array(['apple','banana','pear','banana','pear','apple','pear'])
datas = np.random.randint(-1,1,size=(7,5))
fruits
array(['apple', 'banana', 'pear', 'banana', 'pear', 'apple', 'pear'],
dtype='datas
array([[ 0, 0, -1, 0, 0],
[ 0, -1, 0, -1, -1],
[ 0, 0, 0, -1, 0],
[-1, -1, -1, 0, 0],
[ 0, 0, -1, -1, -1],
[-1, 0, -1, 0, 0],
[ 0, -1, -1, -1, -1]])
如果每个水果对应于datas数组中的每一行，我们要取出pear对应的datas的行，这时就需要布尔选择器
fruits == 'pear'
array([False, False, True, False, True, False, True])
datas[False, False, True, False, True, False, True]
array([], shape=(0, 7, 5), dtype=int32)
datas[[False, False, True, False, True, False, True]] #根据布尔值，取出布尔值为1的行，取1 4 7行。
array([[ 0, 0, 0, -1, 0],
[ 0, 0, -1, -1, -1],
[ 0, -1, -1, -1, -1]])
datas[[0, 0, 1, 0, 1, 0, 1]] #无法识别0,1
array([[ 0, 0, -1, 0, 0],
[ 0, 0, -1, 0, 0],
[ 0, -1, 0, -1, -1],
[ 0, 0, -1, 0, 0],
[ 0, -1, 0, -1, -1],
[ 0, 0, -1, 0, 0],
[ 0, -1, 0, -1, -1]])
datas[fruits == 'pear'] #datas取出值为真的行数
array([[ 0, 0, 0, -1, 0],
[ 0, 0, -1, -1, -1],
[ 0, -1, -1, -1, -1]])
注意：布尔值数组的长度必须和被索引的轴长度一致。
既然可以使用不二选者，那么也同样适用于不等号(!=)、负号（-）、和（&）、或（|）
datas[fruits != 'pear']
array([[ 0, 0, -1, 0, 0],
[ 0, -1, 0, -1, -1],
[-1, -1, -1, 0, 0],
[-1, 0, -1, 0, 0]])
datas[(fruits == 'apple')|(fruits == 'banana')]
array([[ 0, 0, -1, 0, 0],
[ 0, -1, 0, -1, -1],
[-1, -1, -1, 0, 0],
[-1, 0, -1, 0, 0]])
此外，布尔数组也可以结合切片和索引来使用
datas[fruits == 'pear',2:]
array([[ 0, -1, 0],
[-1, -1, -1],
[-1, -1, -1]])
datas[fruits == 'pear',2]
array([ 0, -1, -1])
通过以下代码可以完成datas数组中的0值替换为1值。
datas[datas == 0] = 1
datas
array([[ 1, 1, -1, 1, 1],
[ 1, -1, 1, -1, -1],
[ 1, 1, 1, -1, 1],
[-1, -1, -1, 1, 1],
[ 1, 1, -1, -1, -1],
[-1, 1, -1, 1, 1],
[ 1, -1, -1, -1, -1]])
花式索引
花式索引是Numpy中的术语，它可以通过整数列表或数组进行索引。
arr[[1,3,2]]
array([[ 3, 4, 5],
[ 9, 10, 11],
[ 6, 7, 8]])
arr[[3,2]][:,[2,1]]
array([[11, 10],
[ 8, 7]])
也可以使用np.ix_函数完成同样操作
arr[np.ix_([3,2],[2,1])]
array([[11, 10],
[ 8, 7]])