1. 簡單一維數組的操作
一維數組的操作類似於python自身的list類型。
In [14]: arr = np.arange(10) In [15]: arr Out[15]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) # 第六個元素值 In [16]: arr[5] Out[16]: 5 # 第6,,7,8這三個元素的值 In [17]: arr[5:8] Out[17]: array([5, 6, 7])
注意： 和list類型有很大的不同的是，操作原數組的子序列的時候，實際上就是操作原數組的數據。這就意味着數組中的數據沒有被復制，任何在其子序列上的操作都會映射到原數組上。這是因為NumPy是被設計成處理大量數據的工具，如果采用復制的方式，其計算性能會大大折扣。
In [18]: arr_slice = arr[:4] In [19]: arr_slice[:] = 20 In [20]: arr_slice Out[20]: array([20, 20, 20, 20]) # arr_slice中更改映射到了arr中 In [21]: arr Out[21]: array([20, 20, 20, 20, 4, 5, 6, 7, 8, 9])
如果要執行顯示的復制操作可以通過條用copy()函數： arr[:3].copy
2. 高維維數組上的操作
2.1 二維數組索引訪問：
# 產生1-9的數
In [28]: arr2d = np.arange(1,10).reshape((3,3)) In [29]: arr2d Out[29]: array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 訪問第一行數據 In [30]: arr2d[0] Out[30]: array([1, 2, 3]) # 訪問第一行第二個數據 In [31]: arr2d[0][1] Out[31]: 2 In [32]: arr2d[0,1] Out[32]: 2
2.2 以划分（slice）的方式來取得部分數據：
2.3 索引(index)訪問和划分(slice)的不同
索引是通過坐標定位數據的位置並獲取其值，arr2d[[0,1],[0,1]] 實際上是獲取(0,0)，(1,1)位置上的數據，是獲取交匯點上的數據。
划分是將設定范圍的數據提取出來，arr2d[:2, :2]實際上就是把1-2行與1-2列中的數據划分出來，是一個區域。
In [67]: arr2d = np.arange(1,10).reshape(3,3)
# 划分的方式划分數據
In [68]: arr2d[:2, :2] Out[68]: array([[1, 2], [4, 5]]) # 以索引方式訪問數據 In [69]: arr2d[[0,1],[0,1]] Out[69]: array([1, 5])
將8 * 4 的一個二維數組的1,3,5,7行，和 4,3,2,1列重新組成一個二維數組。如果用以下方法，肯定是不行的：
In [71]: arr = np.arange(32).reshape(8,4) In [72]: arr Out[72]: array([[ 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]]) # 錯誤的做法，其實是獲取(0,3),(2,2),(4,1),(6,0)位置上的值 In [73]: arr[[0,2,4,6],[3,2,1,0]] Out[73]: array([ 3, 10, 17, 24])
正確的方法：
# 先獲取1，3，5，7行的數據
In [74]: arr_temp = arr[[0,2,4,6]] In [75]: arr_temp Out[75]: array([[ 0, 1, 2, 3], [ 8, 9, 10, 11], [16, 17, 18, 19], [24, 25, 26, 27]]) # 划分數組，並組成新的數組 In [76]: arr_temp[:,[3,2,1,0]] Out[76]: array([[ 3, 2, 1, 0], [11, 10, 9, 8], [19, 18, 17, 16], [27, 26, 25, 24]])
實現此功能還可以調用np.ix_() 函數:
In [77]: arr[np.ix_([0,2,4,6],[3,2,1,0])] Out[77]: array([[ 3, 2, 1, 0], [11, 10, 9, 8], [19, 18, 17, 16], [27, 26, 25, 24]])
2.4 高維數組訪問：
# 用reshape生成三維數組
In [33]: arr3d = np.arange(1,13).reshape((2,2,3)) In [34]: arr3d Out[34]: array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]]) # 用傳統的array函數生成三維數組 In [35]: arr3d = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) In [36]: arr3d Out[36]: array([[[ 1, 2, 3], [ 4, 5, 6]], [[ 7, 8, 9], [10, 11, 12]]]) # arr3d[0]是一個2*3的數組 In [37]: arr3d[0] Out[37]: array([[1, 2, 3], [4, 5, 6]]) # arr3d[0,0]是一個一維數組 In [38]: arr3d[0,0] Out[38]: array([1, 2, 3]) In [39]: arr3d[0,0,0] Out[39]: 1
2.5 數組賦值操作：
# 第一個2 * 3 數組的值全變為 32
In [40]: arr3d[0] = 32 In [41]: arr3d Out[41]: array([[[32, 32, 32], [32, 32, 32]], [[ 7, 8, 9], [10, 11, 12]]]) In [42]: old_values = arr3d[0] # 將一個2 *3 的數組賦給arr3d[0] In [43]: arr3d[0] = old_values In [44]: arr3d Out[44]: array([[[32, 32, 32], [32, 32, 32]], [[ 7, 8, 9], [10, 11, 12]]])
3. 布爾索引
數據准備：
# 七個名字
In [2]: names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe']) In [3]: names Out[3]: array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'], dtype='|S4') # 生成7行，4列的隨機數組，每一行對應names中一個人的數據 In [4]: data = randn(7,4) In [5]: data Out[5]: array([[ 0.54643196, 0.98876451, 1.55499825, 1.88240798], [ 1.39695977, -1.59576937, 0.42445372, 1.73588157], [ 0.61992879, -0.13706965, 1.87869165, 1.28724149], [ 0.59114346, -0.50032077, 1.29182197, 0.54644327], [ 0.59344412, -0.06566168, -0.01759809, 0.22191015], [-1.57663889, -0.08607805, -0.36048361, -0.94029737], [-0.32203015, 0.59462972, 1.10737098, -1.9473386 ]])
用布爾數組篩選二維數組的行，布爾數組的大小和二維數組的行數要相同
In [12]: names=="Bob" Out[12]: array([ True, False, False, True, False, False, False], dtype=bool)
# 選取 Bob 的數據 In [13]: data[names == "Bob"] Out[13]: array([[ 0.54643196, 0.98876451, 1.55499825, 1.88240798], [ 0.59114346, -0.50032077, 1.29182197, 0.54644327]])
布爾索引和普通索引混合使用：
In [13]: data[names == "Bob"] Out[13]: array([[ 0.54643196, 0.98876451, 1.55499825, 1.88240798], [ 0.59114346, -0.50032077, 1.29182197, 0.54644327]]) In [14]: data[names == "Bob",2:] Out[14]: array([[ 1.55499825, 1.88240798], [ 1.29182197, 0.54644327]])
“與或非“操作。 python 中的 and , or 等關鍵字在這里不能實現
# 或操作
In [20]: (names == 'Bob') | (names == 'Will')
Out[20]: array([ True, False, True, True, True, False, False], dtype=bool)
# 與操作
In [21]: (names == 'Bob') & (names == 'Will')
Out[21]: array([False, False, False, False, False, False, False], dtype=bool)
# 下邊兩種 非操作
In [22]: names != "Bob"
Out[22]: array([False, True, True, False, True, True, True], dtype=bool)
In [23]: -(names == "Bob")
Out[23]: array([False, True, True, False, True, True, True], dtype=bool)
二維布爾類型索引：
In [24]: data < 0 Out[24]: array([[False, False, False, False], [False, True, False, False], [False, True, False, False], [False, True, False, False], [False, True, True, False], [ True, True, True, True], [ True, False, False, True]], dtype=bool) # 將小於0的元素的值改為0 In [25]: data[ data < 0] = 0 In [26]: data Out[26]: array([[ 0.54643196, 0.98876451, 1.55499825, 1.88240798], [ 1.39695977, 0. , 0.42445372, 1.73588157], [ 0.61992879, 0. , 1.87869165, 1.28724149], [ 0.59114346, 0. , 1.29182197, 0.54644327], [ 0.59344412, 0. , 0. , 0.22191015], [ 0. , 0. , 0. , 0. ], [ 0. , 0.59462972, 1.10737098, 0. ]])