NumPy对数组按索引查询实战方法总结

目录

• 前期准备及前情回顾
• 基础索引
• 一维数组
• 二维数组
• 神奇索引
• 一维数组
• 二维数组0                                                                                                                               
• 布尔索引(常用)
• 一维数据
• 二维数组
• 布尔索引条件的组合
• 总结

前期准备及前情回顾

#对于一维向量用np.arange生成以元组形式输出从0开始的数组([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

#对于二维向量(及多维向量),用np.arange生成以元组形式输出从0开始到20结束的数组，用np.reshape(4, 5)函数把一维向量转换为4行5列的二维向量

理解：numpy的二维向量对应着Python的嵌套, 只是numpy支持更高维度的列表, 这也是numpy比Python的优势之处

基础索引

一维数组

和Python的list一样

#1.因为Python语言中有第0位，因此实际中的第一位对应着Python语言中的第0位，numpy是Python中的一个科学计算库，因此也遵从此法则

#2.x[2 : 4]是左闭右开形式,因此实际应在4 – 1也就是第3位结束

#3.可以冒号前后省略，省略最后面就是到最后截止，此时包含最后一位, 不用 -1

我的理解:带冒号左右都有数字的左闭右开[a, b]，结束在b-1的位置,带冒号左右数字省略的不用-1，不带冒号的该在第几位结束就在第几位结束

二维数组

注意: 切片的修改会修改原来的数组

原因:NumPy经常要处理大数据, 避免每次都复制

神奇索引

其实就是:用整数数组进行的索引, 叫神奇索引

Eg.

神奇索引的用处

-实例举例:获取数组中最大的前N个数字

一维数组

二维数组0                                                                                                                               

我的理解:

列可以省略, 行不可以省略，如若不改变行,  用：代替，列也可以用：代替，也可以省略如若想改变行和列，用[[行a, 行b, 行c, …], [列a，列b  ，列c]]

布尔索引(常用)

一维数据

二维数组

我的理解:

用变量直接与数字判断输出布尔类型True 或 FalseX[]里判断, 输出满足条件的数组

布尔索引条件的组合

总结