极客笔记Numpy Array Slicing
Numpy是一个强大的Python库，主要用于进行大规模的数值计算。它提供了一个高性能的多维数组对象，以及用于处理这些数组的工具。数组切片（Array Slicing）是Numpy中非常重要的一个功能，它允许我们从数组中提取元素的子集。本文将详细介绍Numpy数组切片的各种用法，并通过多个示例代码来展示如何在实际中应用这些技术。
1. 基本切片
基本切片是最简单的切片方式，它通过切片操作符:来实现。切片操作符可以在多维数组中沿着不同的轴进行切片。
示例代码1：一维数组切片
import numpy as np
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 切片，获取索引从1到5的元素
sliced_arr = arr[1:6]
print(sliced_arr)
Output:
示例代码2：二维数组切片
import numpy as np
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 切片，获取第一行的所有元素
row_slice = arr[0, :]
print(row_slice)
# 切片，获取第一列的所有元素
col_slice = arr[:, 0]
print(col_slice)
Output:
2. 步长在切片中的应用
在切片操作中，我们可以通过指定步长（stride）来选择切片中元素的间隔。
示例代码3：使用步长切片一维数组
import numpy as np
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 使用步长为2进行切片
step_slice = arr[1:8:2]
print(step_slice)
Output:
示例代码4：使用步长切片二维数组
import numpy as np
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 使用步长为2进行切片，选择行和列
step_slice = arr[0:3:2, 0:3:2]
print(step_slice)
Output:
3. 使用负数进行切片
在Numpy数组中，我们可以使用负数索引来从数组的末尾开始访问元素。
示例代码5：使用负数索引切片一维数组
import numpy as np
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 使用负数索引进行切片
negative_index_slice = arr[-8:-3]
print(negative_index_slice)
Output:
示例代码6：使用负数索引切片二维数组
import numpy as np
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 使用负数索引进行切片，选择行和列
negative_index_slice = arr[-3:-1, -3:-1]
print(negative_index_slice)
Output:
4. 布尔索引
布尔索引允许我们使用布尔数组来选择数组中的元素。这种方式非常有用，可以用来根据某些条件过滤数据。
示例代码7：使用布尔索引过滤一维数组
import numpy as np
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 创建一个布尔数组
condition = arr > 5
# 使用布尔数组进行索引
filtered_arr = arr[condition]
print(filtered_arr)
Output:
示例代码8：使用布尔索引过滤二维数组
import numpy as np
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 创建一个布尔数组
condition = arr % 2 == 0
# 使用布尔数组进行索引
filtered_arr = arr[condition]
print(filtered_arr)
Output:
5. 花式索引
花式索引（Fancy Indexing）是Numpy提供的一种高级索引方式，它允许我们使用整数数组进行索引。
示例代码9：使用花式索引选择一维数组中的特定元素
import numpy as np
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 使用整数数组进行索引
fancy_indexing = arr[[1, 3, 5]]
print(fancy_indexing)
Output:
示例代码10：使用花式索引选择二维数组中的特定行和列
import numpy as np
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 使用整数数组进行索引，选择特定的行和列
fancy_indexing = arr[[0, 2], [1, 2]]
print(fancy_indexing)
Output:
6. 组合索引
在Numpy中，我们可以组合使用不同类型的索引方式来选择数组中的元素。这包括基本切片、步长、负数索引、布尔索引和花式索引的组合使用。
示例代码11：组合使用基本切片和步长
import numpy as np
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 组合使用基本切片和步长
combined_slice = arr[1:8:2]
print(combined_slice)
Output:
示例代码12：组合使用负数索引和步长
import numpy as np
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 组合使用负数索引和步长
combined_slice = arr[-8:-3:2]
print(combined_slice)
Output:
示例代码13：组合使用布尔索引和花式索引
import numpy as np
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 创建一个布尔数组
condition = arr > 5
# 使用布尔数组进行索引，然后使用花式索引选择特定元素
combined_indexing = arr[condition][[0, 1, 2]]
print(combined_indexing)
Output:
示例代码14：组合使用基本切片和布尔索引
import numpy as np
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 创建一个布尔数组
condition = arr > 5
# 使用基本切片选择元素，然后使用布尔数组进行索引
combined_indexing = arr[1:8][condition]
print(combined_indexing)
7. 切片和索引的应用
切片和索引在数据处理中有很多应用，例如我们可以使用它们来修改数组中的元素，或者从数组中提取数据。
示例代码15：使用切片修改数组中的元素
import numpy as np
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 使用切片选择元素，并修改它们的值
arr[1:4] = 10
print(arr)
Output:
示例代码16：使用索引提取数组中的数据
import numpy as np
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 使用索引提取数组中的数据
extracted_data = arr[1, 2]
print(extracted_data)
Output:
示例代码17：使用切片和索引进行数组的转置
import numpy as np
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 使用切片和索引进行数组的转置
transposed_arr = arr.T
print(transposed_arr)
Output:
示例代码18：使用切片和索引进行数组的重塑
import numpy as np
# 创建一个一维数组
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# 使用切片和索引进行数组的重塑
reshaped_arr = arr.reshape((3, 3))
print(reshaped_arr)
Output:
示例代码19：使用切片和索引进行数组的扁平化
import numpy as np
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 使用切片和索引进行数组的扁平化
flattened_arr = arr.flatten()
print(flattened_arr)
Output:
示例代码20：使用切片和索引进行数组的合并
import numpy as np
# 创建两个一维数组
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# 使用切片和索引进行数组的合并
merged_arr = np.concatenate((arr1, arr2))
print(merged_arr)
Output:
