python之多维数组（⼆）
多维数组
ndarray访问、修改
ndarray对象的内容可以通过索引或者切⽚来访问和修改，就像python的内置容器对象⼀样。 ndarray对象中的元素遵循基于零的索引。有三种⾏可⽤的索引⽅法类型：
①字段访问
②基本切⽚
③⾼级索引
字段访问、基本切⽚
import numpy as np
arr = np.arange(10)
print(arr)# [0 1 2 3 4 5 6 7 8 9]
arr2 = arr[2:7:2]
print(arr2)# [2 4 6]
arr=np.array([
[
[1,2,3,4],
[2,3,4,5],
[3,4,5,6]
],
[
[10,20,30,40],
[20,30,40,50],
[30,40,50,60]
]
])
# 字段访问
print(arr[1])#[[10 20 30 40][20 30 40 50][30 40 50 60]]
print(arr[1][1])#[20 30 40 50]
print(arr[1][1][2])#40
# 基本切⽚
# 取40 50
print(arr[1][1][2:])# [40 50]
print(arr[1,1,2:])# [40 50]
print(arr[1][:][0:2])# [[10 20 30 40] [20 30 40 50]]
print(arr[1,:,0:2])# [[10 20][20 30][30 40]]
⾼级索引
如果⼀个ndarray是⾮元组序列，数据类型为整数或布尔值的ndarray，或者⾄少⼀个元素为序列对象的元组，我们就能够⽤它来索引ndarray。⾼级索引始终返回数据的副本。 与此相反，切⽚只提供了⼀个视图。
花式索引、 整数索引
这种机制有助于基于 N 维索引来获取数组中任意元素。 每个整数数组表⽰该维度的下标值。 当索引的元素个数就是⽬标ndarray的维度时，会变得相当直接。
print(a)# [[0 1 2][3 4 5][6 7 8]]
a[[0,1,2],[0,1,2]]=9
print(a)# [[9 1 2][3 9 5][6 7 9]]
num = a[[0,1,2],[0,1,2]]
#使⽤索引器 np.ix_()
num = a[np.ix_([0,1,2],[0,1])]
print(num)
arr = np.arange(18).reshape(2,3,3)
print(arr)
arr[...,[0,1,2],[0,1,2]]=9
print(arr)
num = arr[np.ix_([0,1],[0,1,2],[0,1])]
num[:,[0]]=99
print(num)
布尔索引
当结果对象是布尔运算的结果时，将使⽤此类型的⾼级索引
arr = np.arange(12).reshape(4,3)
print(arr)
print('⼤于五的元素是：')
print(arr[arr>5])
names = np.array(['joe','susan','tom'])
scores = np.array([
[98,86,88,90],
[70,86,90,99],
[82,88,89,86]
]
)
classic = np.array(['语⽂','数学','英语','科学'])
print('susan的成绩是:')
# print(names=='susan')
print(scores[names=='susan'])
print('susan的数学成绩:')
# print(scores[names=='susan',classic=='数学'])
print(scores[names=='susan'].reshape(-1,)[classic=='数学'])
print('joe和susan的成绩是：')
print(scores[(names=='joe')|(names=='susan')])
print('⾮joe和susan的成绩')
print(scores[(names!='joe')&(names!='susan')])
数组转置与轴对换
arr = np.arange(24).reshape(2,3,4)
print(arr.shape)
# anspose(arr))
#anspose())
print(arr.T)
Numpy算数运算
⽤于执⾏算数运算的输⼊数组必须具有相同的⾏列或符合数组⼴播规则
b = np.array([2,3,4])
print(a)
print(b)
print('***************两个数组相加***********************') #两个数组相加
print(np.add(a,b))
print(a+b)
print('************两个数组相减**************************') #两个数组相减
print(a-b)
print(np.subtract(a,b))
print('*************两个数组相乘*************************') #两个数组相乘
print(a*b)
print(np.multiply(a,b))
print('************两个数组相除**************************') print(a/b)
print(np.divide(a,b))
print('************两个数组取幂**************************') #两个数组取幂
print(a**b)
print(np.power(a,b))
print('****************两个数组取余**********************') #mod 两个数组取余
a = np.array([10,20,30])
b = np.array([3,5,7])
d(a,b))
ainder(a,b))
print('**************************************')
python获取数组长度运⾏结果：
[[0 1 2]
[3 4 5]
[6 7 8]]
[2 3 4]
***************两个数组相加***********************
[[ 2  4  6]
[ 5  7  9]
[ 8 10 12]]
[[ 2  4  6]
[ 5  7  9]
[ 8 10 12]]
************两个数组相减**************************
[[-2 -2 -2]
[ 1  1  1]
[ 4  4  4]]
[[-2 -2 -2]
[ 1  1  1]
[ 4  4  4]]
*************两个数组相乘*************************
[[ 0  3  8]
[ 6 12 20]
[12 21 32]]
[[ 0  3  8]
[ 6 12 20]
[12 21 32]]
************两个数组相除**************************
[[0.        0.33333333 0.5      ]
[1.5        1.33333333 1.25      ]
[3.        2.33333333 2.        ]]
[[0.        0.33333333 0.5      ]
[1.5        1.33333333 1.25      ]
[3.        2.33333333 2.        ]]
************两个数组取幂**************************
[[  0    1  16]
[  9  64  625]
[  36  343 4096]]
[[  0    1  16]
[  9  64  625]
[  36  343 4096]]
****************两个数组取余**********************
[1 0 2]
[1 0 2]
**************************************
Numpy矩阵积
两个⼆位矩阵，满⾜第⼀个矩阵的列数与第⼆个矩阵的⾏数相同，那么就可以进⾏矩阵的乘法，即矩阵积
import numpy as np
arr1 = np.array([
[110,60,220],
[115,45,180],
[132,67,209]
])
arr2 = np.array([
[12.3,0.04],
[204,2.34],
[9.98,0.45]
])
print(arr2)
print(arr1.dot(arr2))
print('**************************************')
运⾏结果：
[[1.23e+01 4.00e-02]
[2.04e+02 2.34e+00]
[9.98e+00 4.50e-01]]
[[15788.6    243.8 ]
[12390.9    190.9 ]
[17377.42  256.11]]
**************************************
Numpy⼴播
术语⼴播是指 NumPy 在算术运算期间处理不同形状的数组的能⼒。
对数组的算术运算通常在相应的元素上进⾏，如果两个阵列具有完全相同的形状，则这些操作⽆缝执⾏
a = np.array([1,2,3,4])
b = np.array([[10,20,30,40],[1,2,3,4]])
c = a * b
print(c)
如果两个数组的维数不相同，则元素到元素的操作是不可能的。
然⽽，在 NumPy 中仍然可以对形状不相似的数组进⾏操作，因为它拥有⼴播功能。
较⼩的数组会⼴播到较⼤数组的⼤⼩，以便使它们的形状可兼容。
如果满⾜以下规则，可以进⾏⼴播：
让所有输⼊数组都向其中shape最长的数组看齐，shape中不⾜的部分都通过在前⾯加1补齐
输出数组的shape是输⼊数组shape的各个轴上的最⼤值
如果输⼊数组的某个轴和输出数组的对应轴的长度相同或者其长度为1时，这个数组能够⽤来计算，否则出错
当输⼊数组的某个轴的长度为1时，沿着此轴运算时都⽤此轴上的第⼀组值

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。