10 NumPy 数组索引与切片
发表更新数据分析 / NumPy4 分钟读完 (大约589个字)

10 NumPy 数组索引与切片

在使用 NumPy 进行科学计算时，数组的索引和切片是基本且重要的操作。本节将详细介绍如何使用索引和切片来优化数组的访问和操作。

数组索引

NumPy 数组支持多维索引，通过使用 [] 运算符可以访问数组的特定元素。索引是从 0 开始的。

示例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
import numpy as np

# 创建一个二维数组
arr = np.array([[1, 2, 3], 
                [4, 5, 6], 
                [7, 8, 9]])

# 访问第一个元素
element = arr[0, 0]  # 返回 1
print(element)

# 访问第二行第三列的元素
element = arr[1, 2]  # 返回 6
print(element)

使用负索引

NumPy 也支持负索引。负索引从数组的末尾开始，-1 指向最后一个元素，-2 指向倒数第二个元素，依此类推。

1
2
3
# 访问最后一行的最后一个元素
element = arr[-1, -1]  # 返回 9
print(element)

数组切片

切片让你可以访问数组的一部分，语法形式为 start:stop:step。其中，start 是起始索引，stop 是结束索引（不包括该位置），step 是步长。

一维数组切片

1
2
3
4
5
6
7
8
9
10
# 创建一个一维数组
arr1d = np.array([10, 20, 30, 40, 50])

# 切片访问前 3 个元素
slice1 = arr1d[0:3]  # 返回 array([10, 20, 30])
print(slice1)

# 使用步长
slice2 = arr1d[::2]  # 返回 array([10, 30, 50])
print(slice2)

二维数组切片

对于二维数组，切片可以分别为行和列进行定义。

1
2
3
4
5
6
7
# 切片访问前两行和前两列
slice3 = arr[0:2, 0:2]  # 返回 array([[1, 2], [4, 5]])
print(slice3)

# 切片获取第二行及其之后的所有列
slice4 = arr[1:, :]  # 返回 array([[4, 5, 6], [7, 8, 9]])
print(slice4)

高级切片

NumPy 支持使用 None 来增加维度，对切片的结果进行更灵活的管理。

1
2
3
4
5
6
7
8
9
10
# 创建一个一维数组
arr1d = np.array([1, 2, 3, 4, 5])

# 增加一个维度
slice5 = arr1d[None, :]  # 返回 array([[1, 2, 3, 4, 5]])
print(slice5)

# 访问多维数组的特定子数组
sub_array = arr[0:2, 1:3]  # 返回 array([[2, 3], [5, 6]])
print(sub_array)

布尔索引

NumPy 还支持布尔索引，根据条件过滤数组中的元素。

1
2
3
4
# 根据条件筛选数组中的元素
filter_mask = arr > 5  # 创建一个布尔掩码
filtered_array = arr[filter_mask]  # 返回 array([6, 7, 8, 9])
print(filtered_array)

结语

掌握 NumPy 数组的索引与切片是有效利用数组存储和处理数据的基础。通过灵活运用这些特性，可以极大提高程序的性能和可读性。

11 NumPy 数组重塑
发表更新数据分析 / NumPy4 分钟读完 (大约672个字)

11 NumPy 数组重塑

在数据处理与分析中，灵活地改变数组的形状是非常重要的。NumPy 提供了强大的数组重塑功能。我们将在本小节中探讨如何使用 NumPy 对数组进行重塑，并结合案例进行讲解。

数组重塑的基本概念

数组重塑是通过改变数组的形状来生成一个新的视图，依然共享原始数据。使用 NumPy 的 reshape 方法可以轻松实现这一点。重塑操作的总元素个数必须与原数组相同。

使用 reshape 方法

基本语法

数组重塑的基本语法为：

1
numpy.reshape(a, newshape)
  • a：输入数组。
  • newshape：新形状，可以是一个整数，也可以是一个元组，表示各维度的大小。

案例 1：基础重塑

下面是一个简单的案例，演示如何将一维数组重塑为二维数组：

1
2
3
4
5
6
7
8
9
import numpy as np

# 创建一个包含 12 个元素的一维数组
array_1d = np.arange(12)
print("原始一维数组：", array_1d)

# 将其重塑为 3 行 4 列的二维数组
array_2d = array_1d.reshape((3, 4))
print("重塑后的二维数组：\n", array_2d)

输出结果：

1
2
3
4
5
原始一维数组： [ 0  1  2  3  4  5  6  7  8  9 10 11]
重塑后的二维数组：
 [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

案例 2：重塑为多维数组

我们还可以将数组重塑为更高维度的数组，例如三维数组：

1
2
3
# 将一维数组重塑为 2x2x3 的三维数组
array_3d = array_1d.reshape((2, 2, 3))
print("重塑后的三维数组：\n", array_3d)

输出结果：

1
2
3
4
5
6
重塑后的三维数组：
 [[[ 0  1  2]
  [ 3  4  5]]

 [[ 6  7  8]
  [ 9 10 11]]]

注意事项

  1. 元素个数一致：在进行重塑时，确保原始数组的元素数量与新形状的元素数量相同，否则会引发错误。
  2. -1 用法：在指定新形状时，可以使用 -1 自动计算某一维的大小。例如，如果你想要重塑为 4 行 n 列，可以写成 (-1, 4)，NumPy 会自动推断 n 的大小。

案例 3：使用 -1 进行重塑

1
2
3
# 使用 -1 自动推断列数
array_auto = array_1d.reshape((-1, 4))
print("使用 -1 的重塑结果：\n", array_auto)

输出结果与案例 1 相同：

1
2
3
4
使用 -1 的重塑结果：
 [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

总结

数组重塑是 NumPy 中一个非常实用的功能，能够帮助我们灵活地操作数据。通过合理地运用 reshape 方法，我们可以轻松地在不同维度间转换数组形状。掌握这些基本操作将大大提升我们在数据科学与机器学习中的效率。

12 数组连接与分割
发表更新数据分析 / NumPy3 分钟读完 (大约461个字)

12 数组连接与分割

在使用 NumPy 进行数据处理时，数组的连接与分割是非常重要的操作。本节将详细介绍如何使用 NumPy 实现这些功能，并提供相应的代码示例。

数组连接

使用 np.concatenate

np.concatenate 函数可以沿着已有的轴连接多个数组。

1
2
3
4
5
6
7
8
9
import numpy as np

# 创建两个数组
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 沿着第一个轴（axis=0）连接数组
c = np.concatenate((a, b))
print(c)  # 输出: [1 2 3 4 5 6]

使用 np.vstack

np.vstack 函数用于将多个数组按垂直方向（行方向）堆叠。

1
2
3
4
5
6
7
8
9
a = np.array([[1, 2, 3]])
b = np.array([[4, 5, 6]])

# 垂直堆叠
c = np.vstack((a, b))
print(c)
# 输出:
# [[1 2 3]
#  [4 5 6]]

使用 np.hstack

np.hstack 函数用于将多个数组按水平方向（列方向）堆叠。

1
2
3
4
5
6
7
8
9
10
a = np.array([[1], [2], [3]])
b = np.array([[4], [5], [6]])

# 水平堆叠
c = np.hstack((a, b))
print(c)
# 输出:
# [[1 4]
#  [2 5]
#  [3 6]]

数组分割

使用 np.split

np.split 函数可以将数组沿指定的轴分割成多个子数组。

1
2
3
4
5
a = np.array([1, 2, 3, 4, 5, 6])

# 将数组分割成3个子数组
b = np.split(a, 3)
print(b)  # 输出: [array([1, 2]), array([3, 4]), array([5, 6])]

使用 np.hsplit

np.hsplit 函数用于沿水平方向分割数组，通常用于二维数组。

1
2
3
4
5
6
7
8
9
a = np.array([[1, 2, 3], [4, 5, 6]])

# 水平分割成2个子数组
b = np.hsplit(a, 2)
print(b)
# 输出:
# [array([[1, 2],
#         [4, 5]]), array([[3],
#                         [6]])]

使用 np.vsplit

np.vsplit 函数用于沿垂直方向分割数组。

1
2
3
4
5
6
7
a = np.array([[1, 2, 3], [4, 5, 6]])

# 垂直分割成2个子数组
b = np.vsplit(a, 2)
print(b)
# 输出:
# [array([[1, 2, 3]]), array([[4, 5, 6]])]

总结

本节讲述了如何使用 numpy 进行数组的连接和分割。通过 np.concatenate、np.vstack、np.hstack 和 np.split、np.hsplit、np.vsplit 等函数，我们可以灵活地处理数组数据。在实际应用中，这些操作是数据预处理和分析中不可或缺的部分。

链接

分类

最新文章

标签

AI必备微积分24
AI概率论25
AI线性代数28
Apache2网站部署24
C++77
CDN加速18
CSS31
C语言92
Django开发35
Flask开发30
GAN29
GenerativeAI33
HTML25
Hexo网站开发30
Java76
Javascript30
LangChain28
Markdown30
Matplotlib18
Node.js30
NumPy22
Pandas21
PyQt533
PyTorch31
Python78
React40
TensorFlow30
Vue39
数据分析18
数据挖掘20
机器学习24
深度学习24
神经网络后门攻击26
统计学24
计算机网络24
计算机视觉32
×