Matrix01-2: ndarray数组(numpy)的索引与
2018-10-19 本文已影响32人
杨强AT南京
- ndarray数组的属性
- ndarray数组的索引与切片
- ndarray数组的特殊索引与切片
1、ndarray数组的属性
| 属性 | 属性描述 |
|---|---|
| T | 等价于self.transpose(), 矩阵转置（self.ndim < 2），如果是向量（ self.ndim = 1），返回本身. |
| data | 返回指向数组数据开始位置的Python缓冲对象。 |
| dtype | 数组元素的数据类型。 |
| flags | 数组的内存分配信息。 |
| flat | 返回数组的一维迭代器。 |
| imag | 数组的虚部。 |
| real | 数组的实部。 |
| size | 数组元素个数。 |
| itemsize | 数组元素的长度。 |
| nbytes | 数组所有元素占用的字节数。 |
| ndim | 数组的维数个数（二维，三维） |
| shape | 元组格式的数组维数（数组的形状）。 |
| strides | 每个维度在数组内存中获取的步长。 |
| ctypes | 返回一个ctypes模块中对象。 |
| base | 如果内存是从其他对象累的，则返回Base object对象. |
例子说明代码：
import numpy as np
#先构建一个ndarray对象\
vector = np.array ( [ 1, 2, 3 ] ) #向量
matrix = np.array( [ #矩阵
[ 1, 2, 3, 4, 5 ] ,
[ 6, 7, 8, 9, 0 ] ,
[ 5, 4, 3, 2, 1 ]
] )
# T 属性（返回转置矩阵）
print ( vector.T )
print ( matrix.T )
[1 2 3]
[[1 6 5]
[2 7 4]
[3 8 3]
[4 9 2]
[5 0 1]]
# ndim 属性（维数，三维返回3，一维饭返回1）
print ( vector.ndim )
print ( matrix.ndim )
1
2
# shape 属性：返回每个维度的维数
print ( vector.shape )
print ( matrix.shape )
(3,)
(3, 5)
# flat属性（返回1维迭代器）
print ( vector.flat )
print ( matrix.flat )
print ( [ i for i in vector.flat ] )
print ( [ i for i in matrix.flat ] )
<numpy.flatiter object at 0x7fdef18cda00>
<numpy.flatiter object at 0x7fdef18cda00>
[1, 2, 3]
[1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 5, 4, 3, 2, 1]
# size 属性 （数组元素的个数，或者flat的长度）
print ( vector.size )
print ( matrix.size )
3
15
# itemsize 属性（数组元素的大小，单位字节）
print ( vector.itemsize)
print ( matrix.itemsize)
8
8
# nbytes 属性 （所有元素的字节大小，nbytes = size * itemsize ）
print ( vector.nbytes)
print ( matrix.nbytes)
24
120
# strides 属性（步长：按照一维数组的获取的元素的方式）
print ( vector.strides)
print ( matrix.strides)
(8,)
(40, 8)
# dtype 属性（数组元素的标量类型）
print ( vector.dtype)
print ( matrix.dtype)
int64
int64
# real与imag 属性（实部与虚部）
print ( vector.imag)
print ( matrix.imag)
print ( vector.real)
print ( matrix.real)
[0 0 0]
[[0 0 0 0 0]
[0 0 0 0 0]
[0 0 0 0 0]]
[1 2 3]
[[1 2 3 4 5]
[6 7 8 9 0]
[5 4 3 2 1]]
# 其他属性
print ( vector.ctypes) #ctypes模块对象
print ( matrix.ctypes)
print ( vector.data) #数据内存地址。
print ( matrix.data)
print ( vector.flags) #内存分布信息
print ( matrix.flags)
print ( vector.base) #来自其他对象的Base对象
print ( matrix.base)
<numpy.core._internal._ctypes object at 0x112187cf8>
<numpy.core._internal._ctypes object at 0x112187f98>
<memory at 0x112975dc8>
<memory at 0x112b68120>
C_CONTIGUOUS : True
F_CONTIGUOUS : True
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
None
None
2、ndarray数组的索引与切片
Python内置list类型支持的切片ndarray都支持，不过ndarray 支持元组索引与切片（2维与2维以上才支持）
# 1. 索引
#索引取值
print ( vector [ 1 ] )
print ( matrix [ 1 ] )
#索引设置值
vector [ 1 ] = 88
print ( vector )
matrix [ 1 ] = [ 8, 8, 8 ,8, 8 ] # 必须与原来对应行的形状一样
print ( matrix )
matrix [ 1 ] [ 1 ] =88 #访问向量的元素
print ( matrix )
matrix [ 1 ] = np. array ( [ 9, 9, 9 ,9, 9 ] ) # 必须与原来对应行的形状一样
print ( matrix )
88
[ 8 99 8 7 7]
[ 1 88 3]
[[1 2 3 4 5]
[8 8 8 8 8]
[5 4 3 7 7]]
[[ 1 2 3 4 5]
[ 8 88 8 8 8]
[ 5 4 3 7 7]]
[[1 2 3 4 5]
[9 9 9 9 9]
[5 4 3 7 7]]
# ndarray 与 list不一样的索引使用，可以使用元组作为索引来访问元素
print ( matrix [ 1, 1 ] )
matrix [ 1, 1 ] =99 #设置值
print ( matrix )
99
[[ 1 2 3 4 5]
[ 8 99 8 8 8]
[ 5 4 3 2 1]]
# 切片
print ( vector [ : : ] ) #正向
print ( vector [ : :-1 ] ) #逆向
print ( matrix [ 0 : 2 ] [ 0 : 1 ] ) #先从矩阵取 2 行，再从两行取 1 行
[ 1 88 3]
[ 3 88 1]
[[1 2 3 4 5]]
# ndarray 与 list不一样的切片
print ( matrix )
# 取子矩阵
print ( matrix [ 1 : 3, 3: 5] )
#使用子矩阵设置值
matrix [ 1 : 3, 3: 5] = [ [ 7, 7 ] , [ 7, 7 ] ]
print ( matrix )
[[ 1 2 3 4 5]
[ 8 99 8 8 8]
[ 5 4 3 2 1]]
[[8 8]
[2 1]]
[[ 1 2 3 4 5]
[ 8 99 8 7 7]
[ 5 4 3 7 7]]
3、ndarray数组的特殊索引与切片
# 1. 列表形式的索引
print ( vector )
print ( vector [ [ 1, 2, 0 ] ] ) #取下标为1，2，0的元素构成新的ndarray数组对象
print ( vector )
vector [ [0,2 ] ] = [ 6, 6 ] #设置值
print ( vector )
# 下标是元组，表示多维，所以不能用在1维数组。
# print ( vector [ ( 1, 2 ) ] ) 不能使用
# 二维数组列表作为索引
print ( matrix )
print ( matrix [ [ [ 0, 2] , [1, 3 ] ] ] ) #返回[0，1] 与[2, 3] 两个位置的元素构成新的数组
print ( matrix [ [ 0, 2] , [1, 3 ] ] ) #效果于上面一样
print ( matrix )
matrix = np.array ( [
[ 1, 2, 3, 4, 5, 6],
[ 7, 8, 9, 10, 11, 12],
[ 13,14, 15, 16, 17, 18]
] )
print ( matrix [ [ [ 0, 1] , [1, 2 ] ] , ] ) #第0，2，1，2行构成的矩阵
print ( matrix [ [ [ 0, 1] , [1, 2 ] ] , [ [2, 3 ] ] ] ) # 取0，1，1，2行，分别再[取0行2列 ，1行3列]，[1行2列，2行3列]
print ( matrix [ [ [ 0, 1] , [1, 2 ] ] , [ [2, 3 ] ,[4,5] ] ] )
[ 6 88 6]
[88 6 6]
[ 6 88 6]
[ 6 88 6]
[[ 1 2 3 4 5 6]
[ 7 8 9 10 11 12]
[13 14 15 16 17 18]]
[ 2 16]
[ 2 16]
[[ 1 2 3 4 5 6]
[ 7 8 9 10 11 12]
[13 14 15 16 17 18]]
[[[ 1 2 3 4 5 6]
[ 7 8 9 10 11 12]]
[[ 7 8 9 10 11 12]
[13 14 15 16 17 18]]]
[[ 3 10]
[ 9 16]]
[[ 3 10]
[11 18]]
# 2. 布尔值列表作为索引
#返回与matrix一样shape的ndarray数组
print ( matrix > 5)
[[False False False False False True]
[ True True True True True True]
[ True True True True True True]]
#使用布尔数组作为索引
print ( matrix [ matrix > 5 ] )
[ 6 7 8 9 10 11 12 13 14 15 16 17 18]
#通过布尔数组索引，修改矩阵的值。
matrix [ matrix >= 5 ] = 88
print ( matrix )
[[ 1 2 3 4 88 88]
[88 88 88 88 88 88]
[88 88 88 88 88 88]]
