三、Numpy基礎：數組元素查詢、修改

一、索引

• 取值的順序是從外圍到最里面的元素位置，依次寫入。

1.1、單值索引

import numpy as np
a = np.arange(16).reshape(2,2,4)
print("原數組：\n",a)
print("單值索引值：\n",a[1][1][2])
>>>
原數組：
 [[[ 0  1  2  3]
  [ 4  5  6  7]]

 [[ 8  9 10 11]
  [12 13 14 15]]]
單值索引值：
 14

1.2、花式索引

• 可以通過數組，數組中寫明元素位置，來索引出多個需要的元素

import numpy as np
a=np.arange(25).reshape(5,5)#定義一個5*5的二維數組
print("原數組：\n",a)
print("花式索引多值（外層取行值）：\n",a[[3, 3, 1, 4]])#注意這里一定傳入的是數組格式
print("花式索引多值（二次取值，先行后列）：\n",a[[0,2,2,4],[0,2,4,4]])#注意這里一定傳入的是數組格式
>>>
原數組：
 [[ 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]]
花式索引多值（外層取行值）：
 [[15 16 17 18 19]
 [15 16 17 18 19]
 [ 5  6  7  8  9]
 [20 21 22 23 24]]
花式索引多值（外層取行值）：
 [ 0 12 14 24]

1.3、布爾索引

• 可以通過設置篩選條件生成布爾數組，在通過布爾數組反向索引出符合條件的結果

import numpy as np
a=np.random.random((4,4))#生成4×4的二維數組
b=a>0.5#生成以a>0.5為篩選條件的布爾數組
print(b)
print(a[b])#根據布爾數組將原值取出，變成一維數組
>>>
[[ True  True False False]
 [ True  True  True False]
 [ True  True  True  True]
 [ True False  True False]]
[0.72159895 0.85017348 0.88332226 0.7494597  0.8514071  0.91133411 0.89253366 0.80979503 0.61827433 0.94660476 0.67418788]

 1.4、索引器ix_()

• 與花式索引相比，ix_()可以以軸為單位進行遍歷，而非花式索引中的單點遍歷

import numpy as np
a=np.arange(24).reshape(4,6)#生成4×4的二維數組
b=a[[1,3],[3,5]]#花式索引
c=a[np.ix_([1,3],[3,5])]#索引器
d=a[[1,3]][:,[3,5]]
print("原數組：\n",a)
print("花式索引：\n",b)
print("索引器索引：\n",c)
print("c等值於d：\n",d)
>>>
原數組：
 [[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]]
花式索引：
 [ 9 23]
索引器索引：
 [[ 9 11]
 [21 23]]
c等值於d：
 [[ 9 11]
 [21 23]]

　　

二、切片

• numpy切片方式與python默認方式一致
• 切片下來的內容與原數組共享同一片內存空間

import numpy as np
a = np.arange(16).reshape(2,2,4)
print("原數組：\n",a)
print("取一個值：\n",a[1][1][2])
print("切片范圍取值：\n",a[1][1][2:4])
print("更大范圍的切片遍歷：：\n",a[0][:][0:4])
>>>
原數組：
 [[[ 0  1  2  3]
  [ 4  5  6  7]]

 [[ 8  9 10 11]
  [12 13 14 15]]]
取一個值：
 14
切片范圍取值： 
[14 15]　　
更大范圍的切片遍歷：
 [[0 1 2 3] [4 5 6 7]]

 三、元素修改

• 通過索引和切片得到的變量直接賦值即可修改