Продвинутая индексация в NumPy

NumPy предоставляет больше методов индексации, чем типичная последовательность Python.

Помимо целочисленной и срезовой индексации, рассмотренной ранее, массивы можно индексировать целочисленными массивами, булевой индексацией и fancy-индексацией.

Продвинутая индексация в NumPy — это использование целочисленных массивов, булевых массивов или других последовательностей для доступа к элементам массива. По сравнению с базовой индексацией продвинутая индексация позволяет получить доступ к любому элементу массива и может использоваться для выполнения сложных операций и изменений массивов.

Индексация целочисленными массивами

Индексация целочисленными массивами означает использование одного массива для доступа к элементам другого массива. Каждый элемент в этом массиве является значением индекса вдоль определенного измерения целевого массива.

В следующем примере получается элемент в массиве(0,0),(1,1)и(2,0)в заданной позиции.

Пример

import numpy as np x = np.array([[1, 2], [3, 4], [5, 6]]) y = x[[0,1,2], [0,1,0]] print (y)

Результат вывода:

[1  4  5]

Следующий пример получает элементы четырёх углов массива 4X3. Индексы строк: [0,0] и [3,3], а индексы столбцов: [0,2] и [0,2].

Пример

import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print ('Наш массив:' ) print (x) print ('\n') rows = np.array([[0,0],[3,3]]) cols = np.array([[0,2],[0,2]]) y = x[rows,cols] print ('Четыре угловых элемента этого массива:') print (y)

Результат вывода:

我们的数组是:
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]


这个数组的四个角元素是:
[[ 0  2]
 [ 9 11]]

Возвращаемый результат — это объект ndarray, содержащий каждый угловой элемент.

Вы можете использовать срезы:или…в сочетании с массивами индексов. Как в следующем примере:

Пример

import numpy as np a = np.array([[1,2,3], [4,5,6],[7,8,9]]) b = a[1:3, 1:3] c = a[1:3,[1,2]] d = a[...,1:] print(b) print(c) print(d)

Результат вывода:

[[5 6]
 [8 9]]
[[5 6]
 [8 9]]
[[2 3]
 [5 6]
 [8 9]]

Булева индексация

Мы можем индексировать целевой массив с помощью булева массива.

Булева индексация использует булевы операции (такие как операторы сравнения), чтобы получить массив элементов, удовлетворяющих заданному условию.

Следующий пример получает элементы, большие 5:

Пример

import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print ('Наш массив:') print (x) print ('\n') # Теперь выведем элементы, большие 5 print ('Элементы, большие 5:') print (x[x > 5])

Результат вывода:

我们的数组是:
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]]


大于 5 的元素是:
[ 6  7  8  9 10 11]

В следующем примере используется~(оператор дополнения) для фильтрации NaN.

Пример

import numpy as np a = np.array([np.nan, 1,2,np.nan,3,4,5]) print (a[~np.isnan(a)])

Результат вывода:

[ 1.   2.   3.   4.   5.]

В следующем примере показано, как отфильтровать некомплексные элементы из массива.

Пример

import numpy as np a = np.array([1, 2+6j, 5, 3.5+5j]) print (a[np.iscomplex(a)])

Вывод следующий:

[2.0+6.j  3.5+5.j]

Причудливая индексация

Причудливая индексация означает индексирование с использованием целочисленных массивов.

Причудливая индексация выбирает значения согласно значениям массива индексов, используемым в качестве индексов на определённой оси целевого массива.

Когда одномерный целочисленный массив используется в качестве индекса, если целевой массив одномерный, результатом индексации является элемент в соответствующей позиции; если целевой массив двумерный, это строка, соответствующая индексу.

В отличие от срезов, fancy-индексация всегда копирует данные в новый массив.

Одномерный массив

Одномерный массив имеет только одну осьaxis = 0, поэтому одномерный массив принимает значения наaxis = 0этой оси:

Пример

import numpy as np

x = np.arange(9)
print(x)
# Чтение элемента, соответствующего указанному индексу, из одномерного массива
print("-------Чтение элемента, соответствующего индексу-------")
x2 = x[[0, 6]] # Использование fancy-индексации
print(x2)

print(x2[0])
print(x2[1])

Результат вывода:

[0 1 2 3 4 5 6 7 8]
-------读取下标对应的元素-------
[0 6]
0
6

Двумерный массив

1. Передайте массив последовательных индексов

Пример

import numpy as np x=np.arange(32).reshape((8,4)) print(x) # Чтение строки, соответствующей указанному индексу, из двумерного массива print("-------Чтение строки, соответствующей индексу-------") print (x[[4,2,1,7]])

print (x[[4,2,1,7]])Вывод строк, соответствующих индексам4, 2, 1, 7, и результат вывода:

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]
 [16 17 18 19]
 [20 21 22 23]
 [24 25 26 27]
 [28 29 30 31]]
-------读取下标对应的行-------
[[16 17 18 19]
 [ 8  9 10 11]
 [ 4  5  6  7]
 [28 29 30 31]]

2. Передайте массив индексов в обратном порядке

Пример

import numpy as np x=np.arange(32).reshape((8,4)) print (x[[-4,-2,-1,-7]])

Результат вывода:

[[16 17 18 19]
 [24 25 26 27]
 [28 29 30 31]
 [ 4  5  6  7]]

3. Передайте несколько массивов индексов (используйте np.ix_)

Функция np.ix_ принимает два массива и создаёт соответствие их декартова произведения.

Декартово произведение в математике — это декартово произведение (Cartesian product) двух множеств X и Y, также известное как прямое произведение, обозначаемое какX×Y, где первый объект является элементом X, а второй объект — элементом Y, образуя все возможные упорядоченные пары.

НапримерA={a,b}, B={0,1,2}, тогда:

A×B={(a, 0), (a, 1), (a, 2), (b, 0), (b, 1), (b, 2)}
B×A={(0, a), (0, b), (1, a), (1, b), (2, a), (2, b)}

Пример

import numpy as np x=np.arange(32).reshape((8,4)) print (x[np.ix_([1,5,7,2],[0,3,1,2])])

Результат вывода:

[[ 4  7  5  6]
 [20 23 21 22]
 [28 31 29 30]
 [ 8 11  9 10]]
Другие расширения