python包Numpy基础：索引和切片 _Numpy

文章插图
一起学习，一起成长！
Numpy数组的索引是一个内容丰富的主题，因为选取数据子集或单个元素的方式有很多。

一维数组

In[13]：arr=np.arange(10)
In[14]：arr
Out[14]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In[15]：arr[5]
Out[15]: 5
【python包Numpy基础：索引和切片】In[16]：arr[5:8]
Out[16]: array([5, 6, 7])
In[17]：arr[5:8]=12
In[18]：arr
Out[18]: array([ 0, 1, 2, 3, 4, 12, 12, 12, 8, 9])
如上所示，当你将一个标量值赋值给一个切片时（如arr[5:8]=12），该值会自动传播到整个选取。跟列表最重要的区别在于，数组切片是原始数据的视图。这意味着数据不会被复制，视图上的任何修改都会直接反映到源数组上：
In[19]:arr_slice=arr[5:8]
In[20]:arr_slice[1]=12345
Out[21]:arr
Out[21]: array([0,1,2,3,4,12, 12345,12, 8,9])
In[22]:arr_slice[:]=64
In[22]:arr
Out[23]: array([ 0,1,2,3,4, 64, 64, 64,8,9])
由于Numpy的设计目的是处理大数据，假如Numpy坚持要将数据复制来复制去的话会产生何等的性能和内存问题。
警告：如果你想要得到的是ndarray切片的一份副本而非视图，就需要显示地进行复制操作，例如arr[5:8].copy() 。

高维度数组

在一个二维数组中，各索引位置上的元素不再是标量而是一维数组：
In[24]: arr2d=np.array([[1,2,3],[4,5,6],[7,8,9]])
In[25]: arr2d[2]
#注意返回的值，是数组不是具体的标量
Out[25]: array([7, 8, 9])
「亲，如果笔记对您有帮助，收藏的同时，记得给点个赞、加个关注哦！感谢！」
「文中代码均亲测过，若有错误之处，欢迎批评指正，一起学习，一起成长！」
利用Python进行数据分析