继上篇讲过numpy切片问题后,今天就numpy索引问题,小编为大家带来详尽解析。

我们都知道,使用numpy可以存储和处理大型矩阵,必然需要学会使用矩阵的表示。矩阵中对应元素如何索引等。在此之前,我们已经学过线性代数中矩阵的表示,a[2][3]即表示第3行第4列的元素。那么,在numpy中也一样。

一维索引


import numpy as np A = np.arange(3,15) # array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])         print(A[3])    # 6

A = np.arange(3,15).reshape((3,4)) """ array([[ 3,  4,  5,  6]       [ 7,  8,  9, 10]       [11, 12, 13, 14]]) """         print(A[2])         # [11 12 13 14]

A[2]对应的就是矩阵A中第三行(从0开始算第一行)的所有元素。

二维索引


当我们需要表示具体某个元素时,就需要使用到二维索引。依然使用上述例子。

print(A[1][1])      # 8 print(A[1,1])       # 8

对一定范围内的元素进行切片操作:

print(A[1, 1:3])    # [8 9] for row in A:        # 对行操作    print(row) """     [3 4 5 6] [ 7  8  9 10] [11 12 13 14] """ for column in A.T:        # 对列操作    print(column) """   [ 3  7 11] [ 4  8 12] [ 5  9 13] [ 6 10 14] """

注意:上述表示方法 A.T 即对A进行转置,再将得到的矩阵逐行输出即可得到原矩阵的逐列输出。

关于迭代输出的问题


import numpy as np A = np.arange(3,15).reshape((3,4))         print(A.flatten())   # [ 3  4  5  6  7  8  9 10 11 12 13 14] for item in A.flat:    print(item) # 3 # 4 …… # 14

这一脚本中的flatten是一个展开性质的函数,将多维的矩阵进行展开成1行的数列。而flat是一个迭代器,本身是一个object属性。

numpy的切片和索引方法到这里就全部分享给大家了。更多Python学习推荐:云海天Python教程网。

来源:PY学习网:原文地址:https://www.py.cn/article.html

hmoban主题是根据ripro二开的主题,极致后台体验,无插件,集成会员系统
自学咖网 » Python中numpy如何索引