网络编程
位置:首页>> 网络编程>> Python编程>> Python中数组切片的用法实例详解

Python中数组切片的用法实例详解

作者:Yale曼陀罗  发布时间:2022-09-18 16:51:42 

标签:python,数组,切片

一、python中“::-1”代表什么?

在Python中::-1表示将字符或数字倒序输出(也称【反转】)。

举个栗子,当line = "abcde"时,使用语句line[::-1],最后的运行结果为:‘edcba’。

二、python中“:”的用法

在Python中a[i:j]表示复制字符串或数字从a[i]到a[j-1](也称【切片】)。 当切片中,ij 的位置被“:”替换时,切片结果如下:

  • i缺省时,默认为i=0,即 a[:3]相当于 a[0:3];

  • j缺省时,默认为j=len(a), 即a[1:]相当于a[1:10];

  • i,j都缺省时,a[::]就相当于完整复制一份a。

备注:上例中,假设 a = [0,1,2,3,4,5,6,7,8,9]。

参考:python中::-1代表什么?

在Python中::-1表示将字符或数字倒序输出。举个栗子,当line = "abcde"时,使用语句line[::-1],最后的运行结果为:'edcba'。下面请看详细解释。

一、反转

::-1涉及到将数字或字符倒序输出

二、详解

1、i:j

a = [0,1,2,3,4,5,6,7,8,9]
b = a[i:j] 表示复制a[i]到a[j-1],以生成新的list对象
b = a[1:3] 那么,b的内容是 [1,2]
当i缺省时,默认为0,即 a[:3]相当于 a[0:3]
当j缺省时,默认为len(alist), 即a[1:]相当于a[1:10]
当i,j都缺省时,a[:]就相当于完整复制一份a了

举个栗子:

line = "abcde"
line[:-1]
结果为:'abcd'

2、::-1

b = a[i:j:s]这种格式呢,i,j与上面的一样,但s表示步进,缺省为1.
所以a[i:j:1]相当于a[i:j]
当s<0时,i缺省时,默认为-1. j缺省时,默认为-len(a)-1
所以a[::-1]相当于 a[-1:-len(a)-1:-1],也就是从最后一个元素到第一个元素复制一遍。所以你看到一个倒序的东东。

举个栗子:

line = "abcde"
line[::-1]
结果为:'edcba'
line[:-1]其实就是去除了这行文本的最后一个字符(换行符)后剩下的部分。

实际上问题不难,你自己动手运行一下就会非常清楚。

三、python中数组切片

1、NumPy 数组正切片的规则:

python 中【切片】的意思是将元素从一个给定的索引带到另一个给定的索引。

  • 我们像这样传递切片而不是索引:[start:end]

  • 我们还可以定义步长,如下所示:[start:end:step]

备注:

如果我们不传递 start,则将其视为 0。如果我们不传递 end,则视为该维度内数组的长度。如果我们不传递 step,则视为 1。

numpy中一维数组切片:

a=np.array([1,2,3,4,5])
print(a)
>>>
array([1, 2, 3, 4, 5])
# 切片
print(a[0])#查询
>>>
1
print(a[1:3])#切片
>>>
[2 3]

numpy中二维数组切片:

a = np.array([
   [1,2,3,4],
   [5,6,7,8],
   [9,10,11,12]
])
print(a[0,3])#第一行,第四列
>>>
4
print(a[:,3])#第四列
>>>
[ 4  8 12]
print(a[0,:])#第一行
>>>
[1 2 3 4]

"""
对数组使用均值函数mean()
"""
print(a.mean(axis=1))#计算同一列下,每一行各数字的平均值
>>>
[ 2.5  6.5 10.5]

print(a.mean(axis=0))#计算同一行下,每一列各数字的平均值
>>>
[5. 6. 7. 8.]

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[1:5]) # 裁切索引 1 到索引 5(不包括)的元素
>>>
[2 3 4 5]
print(arr[4:]) # 裁切数组中索引 4 到结尾的
>>>
[5 6 7]
print(arr[:4]) # 裁切从开头到索引 4(不包括)的元素
>>>
[1 2 3 4]

2、NumPy 数组的负切片的规则:

使用减号运算符从末尾开始引用索引:[-start:-end]

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
# 从末尾开始的索引 3 到末尾开始的索引 1,对数组进行切片:
print(arr[-3:-1])
>>>
[5 6]

3、NumPy 数组的使用【STEP步长】切片的规则:

使用 step 值确定切片的步长:[start: end: step]

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[1:5:2]) # 从索引 1 到索引 5,返回相隔的元素
>>>
[2 4]
print(arr[::2])# 返回数组中相隔的元素
>>>
[1 3 5 7]

3、NumPy 数组中 2-D 数组的切片规则:

从第二个元素开始,对从索引 1 到索引 4(不包括)的元素进行切片。 结果的示例如下:

import numpy as np
arr = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
print(arr[1, 1:4]) # 从第二个元素开始,对从索引 1 到索引 4(不包括)的元素进行切片
>>>
[7 8 9]

NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整数和切片的索引外,数组可以由整数数组索引、布尔索引及花式索引。

三、numpy中的整数数组索引

numpy中的整数数组索引的切片规则:

以下实例获取数组中(0,0),(1,1)和(2,0)位置处的元素。

Python中数组切片的用法实例详解

import numpy as np
x = np.array([[1,2],[3,4],[5,5]])
y = x[[0,1,2],[0,1,0]]
print(y)
>>>
[1 4 5]

Python中数组切片的用法实例详解

x = np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11]])
x
>>>
array([[ 0,  1,  2],
      [ 3,  4,  5],
      [ 6,  7,  8],
      [ 9, 10, 11]])

# 切片模式一:输出结果写入单列表
rows = np.array([0,3,0,3])
cols = np.array([0,0,2,2])
y = x[rows,cols]
print(y)
>>>
[ 0  9  2 11]
# 切片模式二:输出结果写入二维数组
rows = np.array([[0,0],[3,3]])
cols = np.array([[0,2],[0,2]])
y = x[rows,cols]
print(y)
>>>
[[ 0  2]
[ 9 11]]
# 切片模式二:输出结果写入2*3的数组
rows = np.array([[0,0,1],[3,2,3]])
cols = np.array([[0,2,1],[0,1,2]])
y = x[rows,cols]
print(y)
>>>
array([[0, 2, 1],
      [0, 1, 2]])

四、numpy中借助【切片 : 或 &hellip;与索引数组】组合进行复杂切片

借助切片 : 或 &hellip; 与索引数组组合。如下面实例:

a = np.array([[1,2,3],[4,5,6],[7,8,9]])
a
>>>
array([[1, 2, 3],
      [4, 5, 6],
      [7, 8, 9]])
b = a[1:3,1:3]
b
>>>
array([[5, 6],
      [8, 9]])

c = a[1:3,[1,2]]
c
>>>
array([[5, 6],
      [8, 9]])
d = a[...,1:]   #  arr[..., 1] 等价于 arr[:, :, 1]
d
>>>
array([[2, 3],
      [5, 6],
      [8, 9]])

五、布尔索引

我们可以通过一个布尔数组来索引目标数组。

布尔索引通过布尔运算(如:比较运算符)来获取符合指定条件的元素的数组。

一、以下实例获取大于 5 的元素:
import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print (x)
>>>
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
print (x[x > 5]) # 现在我们会打印出大于 5 的元素
>>>
[ 6 7 8 9 10 11]

二、以下实例使用了 ~(取补运算符)来过滤 NaN。
import numpy as np
a = np.array([np.nan, 1,2,np.nan,3,4,5])
print (a[~np.isnan(a)])
>>>
[ 1. 2. 3. 4. 5.]
三、以下实例演示如何从数组中过滤掉非复数元素。
import numpy as np
a = np.array([1, 2+6j, 5, 3.5+5j])
print (a[np.iscomplex(a)])
>>>
[2.0+6.j 3.5+5.j]

六、花式索引

花式索引指的是利用整数数组进行索引。

花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。

  1. 对于使用一维整型数组作为索引,如果目标是一维数组,那么索引的结果就是对应位置的元素;

  2. 如果目标是二维数组,那么就是对应下标的行。

import numpy as np
x=np.arange(32).reshape((8,4))
print (x[[4,2,1,7]]) # 传入顺序索引数组

>>>
[[16 17 18 19]
[ 8 9 10 11]
[ 4 5 6 7]
[28 29 30 31]]
print (x[[-4,-2,-1,-7]]) # 传入倒序索引数组
>>>
[[16 17 18 19]
[24 25 26 27]
[28 29 30 31]
[ 4 5 6 7]]
print (x[np.ix_([1,5,7,2],[0,3,1,2])]) # 传入多个索引数组(要使用np.ix_)
>>>
[[ 4 7 5 6]
[20 23 21 22]
[28 31 29 30]
[ 8 11 9 10]]

原理:

np.ix_函数就是输入两个数组,产生笛卡尔积的映射关系

举个例子:

将输入数组[1,5,7,2]和数组[0,3,1,2]产生笛卡尔积,就是得到(1,0),(1,3),(1,1),(1,2);(5,0),(5,3),(5,1),(5,2);(7,0),(7,3),(7,1),(7,2);(2,0),(2,3),(2,1),(2,2);
就是按照坐标(1,0),(1,3),(1,1),(1,2)取得 x所对应的元素4,7,5,6,(5,0),(5,3),(5,1),(5,2)取得 x 所对应的元素20,23,21,22&hellip;以此类推。

import numpy as np
x=np.arange(32).reshape((8,4))
print (x[np.ix_([1,5,7,2],[0,3,1,2])])
>>>
[[ 4  7  5  6]
[20 23 21 22]
[28 31 29 30]
[ 8 11  9 10]]

来源:https://blog.csdn.net/weixin_42782150/article/details/127014616

0
投稿

猜你喜欢

手机版 网络编程 asp之家 www.aspxhome.com