这篇教程NumPy索引与切片的用法示例总结写得很实用，希望能帮到您。
前言索引和切片是NumPy中最重要最常用的操作。熟练使用NumPy切片操作是数据处理和机器学习的前提，所以一定要掌握好。 参考NumPy官方文档，总结NumPy索引和切片，可以看到它们相比Python更加方便、简介和强大。 索引和切片
您可以使用与切片 Python列表相同的方法，对NumPy数组进行索引和切片。 >>> data = np.array([1, 2, 3])>>> data[1]2>>> data[0:2]array([1, 2])>>> data[1:]array([2, 3])>>> data[-2:]array([2, 3]) 你可以这样想象： 
您可能需要获取数组的一部分或特定数组元素，以便在进一步分析或其他操作中使用。为此，需要对数组进行子集、切片和/或索引。 如果您想从数组中选择满足特定条件的值，那么NumPy很简单。 例如，如果从这个数组开始： >>> a = np.array([[1 , 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) 可以轻松打印数组中小于5的所有值。 >>> print(a[a < 5])[1 2 3 4] 例如，还可以选择等于或大于5的数字，并使用该条件对数组进行索引。 >>> five_up = (a >= 5)>>> print(a[five_up])[ 5 6 7 8 9 10 11 12] 可以选择可被2整除的元素： >>> divisible_by_2 = a[a%2==0]>>> print(divisible_by_2)[ 2 4 6 8 10 12] 或者可以使用&和|运算符选择满足两个条件的元素： >>> c = a[(a > 2) & (a < 11)]>>> print(c)[ 3 4 5 6 7 8 9 10] 还可以使用逻辑运算符&和 |返回布尔值，指定数组中的值是否满足特定条件。这对于包含名称或其他分类值的数组很有用。 >>> five_up = (a > 5) | (a == 5)>>> print(five_up)[[False False False False] [ True True True True] [ True True True True]] 还可以使用np.nonzero()从数组中选择元素或索引。 从这个数组开始： >>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]) 可以使用np.nonzero()打印元素的索引，例如，小于5： >>> b = np.nonzero(a < 5)>>> print(b)(array([0, 0, 0, 0]), array([0, 1, 2, 3])) 在本例中，返回了一个数组元组：每个维度一个。第一个数组表示找到这些值的行索引，第二个数组表示找到这些值的列索引。 如果要生成元素所在的坐标列表，可以压缩数组，遍历坐标列表，然后打印它们。例如： >>> list_of_coordinates= list(zip(b[0], b[1]))>>> for coord in list_of_coordinates:... print(coord)(0, 0)(0, 1)(0, 2)(0, 3) 还可以使用np.nonzero()打印数组中小于5的元素，并使用： 如果要查找的元素在数组中不存在，则返回的索引数组将为空。例如： >>> not_there = np.nonzero(a == 42)>>> print(not_there)(array([], dtype=int64), array([], dtype=int64)) 总结到此这篇关于NumPy索引与切片用法的文章就介绍到这了,更多相关NumPy索引与切片内容请搜索51zixue.net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51zixue.net！
python 实现批量文件加密功能
Python多进程共享numpy 数组的方法 |
