ディレクトリ
Pythonのnumpyのライブラリーの研究ノート2
入門
numpyのライブラリを学ぶために続けます。
主な内容とインデックスセクションnumpyの
numpyのスライスインデックス
Ndarrayコンテンツオブジェクトは、Pythonでスライス動作リストと同様に、インデックスまたはスライスによってアクセスおよび修正することができます。
ndarray 0に基づいて、配列 - Nインデックスの添字、組み込み関数スライスによってオブジェクトスライス、スタート、ストップ、および工程パラメータ、元の配列から新しい配列の切断を設定します。
スライス（）関数を介してスライス
スライス（）関数は、組み込み関数、あるスライス（）主関数パラメータにスライシング演算で使用されるオブジェクトスライスを達成するための機能、。
import numpy as np
a = np.arange(10)
s = slice(2,7,2)
print(a)
[0 1 2 3 4 5 6 7 8 9]
print(a[s])
[2 4 6]コロン:と...スライスしました
セクションはコロンで分離することができるパラメータは、開始：STOP：ステップスライシング操作のため：
import numpy as np
a = np.arange(10)
b = a[2:7:2] # 从索引 2 开始到索引 7 停止，间隔为 2
print(b)
# out [2 4 6]コロン：説明：次のような一つのパラメータのみ、配置する場合は、[2]は、インデックスに対応する単一の要素を返します。場合：[2]すべての項目は、インデックスの先頭から後で取得されることを示します。例えば2つのパラメータ、場合：[72]のエントリは、間（停止インデックスを含まない）は、2つのインデックスを抽出します。
a = np.arange(10) # [0 1 2 3 4 5 6 7 8 9]
b = a[5]
print(b)
5
print(a[2:])
[2 3 4 5 6 7 8 9]
print(a[2:5])
[2 3 4]同じことは、多次元配列を指標抽出方法を適用します。
スライスは、さらに、選択された組の配列の同じ寸法の長さを作るために...、省略記号を含むことができます。省略記号の行位置場合は、要素のndarray前記行を返します。
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
print(a[1:])
[[3 4 5]
[4 5 6]]
print (a[...,1]) # 第2列元素
[2 4 5]
print (a[1,...]) # 第2行元素
[3 4 5]
print (a[...,1:]) # 第2列及剩下的所有元素
[[2 3]
[4 5]
[5 6]]使用結腸切片を、切片をR幾分類似言語使用データフレームと共にインキュベートしました。
numpyの先進的なインデックス
上記インデックスとスライス整数説明に加えて、アレイは空想ブールと整数インデックス配列インデックスによって索引付けすることができます。
整数配列インデックス
整数配列既存の配列インデックスは、撮影した要素を含むndarrayオブジェクトを返します。
import numpy as np
# 以下实例获取数组中(0,0)，(1,1)和(2,0)位置处的元素。
x = np.array([[1, 2], [3, 4], [5, 6]])
y = x[[0,1,2], [0,1,0]]
print (y)
Out[164]:[1 4 5]
type(y)
Out[165]: numpy.ndarray
# 以下实例获取数组4*3数组的四个角的元素。
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
rows = np.array([[0,0],[3,3]])
cols = np.array([[0,2],[0,2]])
y = x[rows,cols]
print (y)
[[ 0 2]
[ 9 11]]
type(y)
Out[169]: numpy.ndarray
type(rows)
Out[170]: numpy.ndarray
#结合: 和...进行索引
a = np.array([[1,2,3], [4,5,6],[7,8,9]])
b = a[1:3, 1:3]
c = a[1:3,[1,2]]
d = a[...,1:]
print(b)
print(c)
print(d)ブールインデックス
ブール演算子によってブール指標は、（そのような比較演算子などの）指定された条件を満たしている要素の配列を取得します。
# 以下实例获取大于 5 的元素：
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print (x[x > 5])
# 以下实例使用了 ~（取补运算符）来过滤 NaN。
a = np.array([np.nan, 1,2,np.nan,3,4,5])
print (a[~np.isnan(a)])
# 以下实例演示如何从数组中过滤掉非复数元素。
a = np.array([1, 2+6j, 5, 3.5+5j])
print (a[np.iscomplex(a)])ファンシーインデックス
ファンシーインデックスは、アレイへのインデックス整数使用を指します。
標的配列の軸の添字として配列インデックスの値に基づいて、ファンシーインデックス値。目標は、一次元配列の場合、インデックスとして整数の一次元配列の場合、その結果は、位置に対応するインデックス要素であり、目的は、2次元アレイである場合、対応するターゲットは、次の行です。
ファンシーインデックスは、新しい配列に、それは常にデータをコピーし、スライス好きではありません。
x=np.arange(32).reshape((8,4))
print(x)
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]
[16 17 18 19]
[20 21 22 23]
[24 25 26 27]
[28 29 30 31]]
# 1. 传入顺序索引数组，即取相应的行
print (x[[4,2,1,7]])
[[16 17 18 19]
[ 8 9 10 11]
[ 4 5 6 7]
[28 29 30 31]]
# 2. 传入倒序索引数组，即倒着数取相应的行
print (x[[-4,-2,-1,-7]])
[[16 17 18 19]
[24 25 26 27]
[28 29 30 31]
[ 4 5 6 7]]
# 3. 传入多个索引数组（要使用np.ix_），即第一个数组是对应的行，第二个数组是对应的列
print (x[np.ix_([1,5,7,2],[0,3,1,2])])
[[ 4 7 5 6]
[20 23 21 22]
[28 31 29 30]
[ 8 11 9 10]]