一、ndarray 的重要属性
- dtype属性：返回ndarray数组的数据类型，数据类型的种类。
- ndim属性：返回数组维度的数量。
- shape属性：返回数组对象的尺度，对于矩阵，即n行m列,shape是一个元组（tuple）。
- size属性：返回用来保存元素的数量，相当于shape中n×m的值。
- T属性：返回数组转置。
二、切片
1. 一维切片
import numpy as np arr_1d = np.arange(12) arr_1d[:4] # 省却起始，默认从0开始 arr_1d[6:11] arr_1d[0:11:2] # 指定步长为 2 arr_1d[12:6:-1] # 反向切片
1. 二维切片
如果是多维数组，只需在每个维度之间用 ‘,’ 隔开。
import numpy as np arr_2d = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]]) arr_2d[0:2, 0:2] arr_2d[0:2, -3:] #前2行，倒数第3列开始 arr_2d[-2:, ::2] # 倒数第2行开始 列根据步长2，每隔一列取一列
三、索引
1. 一维数组索引
import numpy as np arr_1d = np.arange(12) arr_1d[4] arr_1d[-2] # 反向索引 arr_1d[[2,4,6,7,8,9]] # 同事索引多个
2. 二维数组索引
import numpy as np arr_2d = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]]) arr_2d[1, 2] arr_2d[-1, -1] # 反向索引 # 如果索引比维度少的多维数组，则会获得一个子维数组 arr_2d[2] # 取 index=2 的行 # out array([ 7, 8, 9, 10]) arr_2d[2][0] # index=2 的行后，再去index=0 的列 # out 7 arr_2d[[2,0]] # 同时取 index =2 和 index=0 的行 # out array([[ 7, 8, 9, 10], [ 1, 2, 3, 4]])
3. 布尔索引
布尔索引就是根据条件筛选，判断每个元素在条件下是True还是False，也就是布尔值，当条件判断True时，返回。当条件判断为False时，过滤掉。
import numpy as np arr_1d = np.arange(12) arr_1d[[False, False, False, False, False, True, True, True, True, True, True, True]] # out array([ 5, 6, 7, 8, 9, 10, 11]) arr_1d>=5 # out array([False, False, False, False, False, True, # True, True, True, True, True, True]) arr_1d[arr_1d>=5] # out array([ 5, 6, 7, 8, 9, 10, 11])
4. 非运算
arr_1d[~(arr_1d>=5)] # out array([0, 1, 2, 3, 4])
5. 或运算
只要对应的二个二进位有一个为1时，结果位就为1。
arr_2d = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]]) (arr_2d>=8) | (arr_2d<=2) # out array([[ True, True, False, False], # [False, False, False, False], # [False, True, True, True]]) arr_2d[(arr_2d>=8) | (arr_2d<=2)] # out array([ 1, 2, 8, 9, 10])
6. 与运算
参与运算的两个值,如果两个相应位都为1,则该位的结果为1,否则为0
arr_2d = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]]) arr_2d[(arr_2d<=8) & (arr_2d>=2)] # ount array([2, 3, 4, 4, 5, 6, 7, 7, 8])
到此这篇关于Python numpy ndarray属性,索引,切片的文章就介绍到这了,更多相关Python numpy ndarray 内容请搜索Devmax以前的文章或继续浏览下面的相关文章希望大家以后多多支持Devmax！