В этом блоге мы говорим о различных способах индексации массива в Numpy, которые удивительны.
Основные нарезки и индексирование
Итак, здесь от базовой нарезки и индексации мы говорим о Pythons Basic Conception Щит и индексации, которая похожа на встроенный тип данных Python корпус , Список и ул ...| Отказ
Для доступа к одному элементу из NUMPY MARY мы можем сделать это, передавая прохождение каждого индекса измерения, в которых, в частности, с помощью , в [] Потому что Numpy поддерживает многоразмерную индексацию. Например: [1,2] [1] [2] Отказ Мы можем пройти значение индекса либо позитивным началом с 0 (который является первым элементом) или отрицательным, где -1 означает последний элемент массива.
Для доступа к доступу доступа к одному элементу, мы можем использовать стандартный синтаксис нарезки Python на базу измерений всех разделенных с , в квадратный кронштейн.
Базовый синтаксис ломтика в I: J: K Где я начинаю индекс, J – останавливая индекс, а K – это шаги.
>>> import numpy as np
>>> ## Accessing a single element:
>>> # 1. from 1-D array:
>>> arr = np.arange(10)
>>> arr[0]
0
>>> arr[-2]
8
>>> #2. from 2-D array:
>>> nd_arr = np.array([[1,2,3],
... [4,5,6],
... [7,8,9]])
>>> nd_arr[1,2]
6
>>> nd_arr[-1,2]
9
>>> ## accessing more then one element:
>>> # for 1-D array:
>>> arr[1:5:2]
array([1, 3])
>>> # for 2-D array:
>>> nd_arr[0:2:1,:]
array([[1, 2, 3],
[4, 5, 6]])
>>> #this can also be achieved by '...':
>>> nd_arr[0:2:1,...]
array([[1, 2, 3],
[4, 5, 6]])
Эллипсис («...») расширяется до количества : Объекты, необходимые для подбора кортежа, чтобы индексировать все размеры. В большинстве случаев это означает, что длина расширенного подбора кортеля Arr.ndim Отказ Там может быть только один эллипсовый присутствующий.
Эллипсис Является встроенным постоянным типом Python, который в основном используется в сочетании с расширенным синтаксисом нарезка для пользовательских типов данных контейнера.
Авансовая индексация в Numpy Array
Предварительная индексация означает, когда объект выбора является объектом NOUTUTLE, NDARRAY of INT или BOOL, или кортеж с ALEMELEL OBLE SEQUENGE с типом данных INT или BOOL. Существует два типа авансовой индексации, одно целое число и другое логическое.
В Numpy, Расширенная индексация всегда возвращает копию данных во время Основные нарезки Возвращает вид.
Одна самая важная вещь, что определение расширенной индексации означает, что х [(1,2,3),] принципиально отличается от х [(1,2,3)] . Последнее эквивалентно х [1,2,3] который будет вызвать базовый выбор, в то время как первый будет вызвать расширенную индексацию. Обязательно понять, почему это происходит.
Также признать, что х [[1,2,3]] будет вызвать расширенную индексацию
Индексирование целочисленного массива
Индексирование целочисленного массива позволяет выбирать произвольные элементы в массиве на основе их N-мерного индекса. Каждый целочисленный массив представляет ряд индексов в этот размер.
Чисто целочисленная индексация массива
Когда индекс состоит из того, что многие целочисленные массивы, поскольку индексируемый массив имеет размеры, индексирование проходит прямо, но отличается от нарезки.
>>> #Example:
>>> x = np.array([[1, 2], [3, 4], [5, 6]])
>>> x[[0, 1, 2], [0, 1, 0]]
array([1, 4, 5])
>>> #Example
>>> x = np.array([[ 0, 1, 2],
... [ 3, 4, 5],
... [ 6, 7, 8],
... [ 9, 10, 11]])
>>> rows = np.array([[0, 0],[3, 3]], dtype=np.intp)
>>> columns = np.array([[0, 2],[0, 2]], dtype=np.intp)
>>> x[rows, columns]
array([[ 0, 2],
[ 9, 11]])
Предварительные индексы всегда транслируются и итерацией, как один. В результате мы получаем аналогичное измерение вещательного результата.
В приведенном выше примере мы транслируемся в рядах и столбце, но в Numpy есть одна функция IX_ которые помогают этому вещанию.
>>> #Example
>>> x = np.array([[ 0, 1, 2],
... [ 3, 4, 5],
... [ 6, 7, 8],
... [ 9, 10, 11]])
>>> rows = np.array([0, 3], dtype=np.intp)
>>> columns = np.array([0, 2], dtype=np.intp)
>>> x[np.ix_(rows, columns)]
array([[ 0, 2],
[ 9, 11]])
>>> # if we don't use `np.ix_` then result:
>>> x[rows, columns]
array([ 0, 11])
Сочетание продвинутой и базовой индексации
Когда есть хотя бы один Ломтик (:) , эллипсис (...) или newaxis В индексе (или массив имеет больше измерений, чем продвинутые индексы), то поведение может быть более сложным. Это похоже на объединение индексации результата для каждого расширенного элемента индекса
>>> x[1:2,1:3] array([[4, 5]]) >>> x[1:2,[1,2]] array([[4, 5]])
Булевая индексация массива
Этот типов индексации возникает, когда объект выбора является массивом логика, например, возвращенные из оператора сравнения.
Если размерность выбранного объекта такой же, как массив, то он возвращает 1-D массив, заполненный всем результатом, соответствующим Правда ценность . Порядок поиска будет Row-Major , C-стиль Отказ
Если у Obj есть Правда Значения на записях, которые находятся за пределами границ х Тогда Ошибка индекса будет поднят. Если obj меньше чем х Он идентичен, чтобы заполнить его Ложь Отказ
>>> #Example:
>>> x = np.array([[1., 2.], [np.nan, 3.], [np.nan, np.nan]])
>>> x[~np.isnan(x)]
array([1., 2., 3.])
>>> #Example:
>>> x = np.array([1., -1., -2., 3])
>>> x[x < 0] += 20
>>> x
array([ 1., 19., 18., 3.])
>>> #Example : use with basic indexing
>>> x = np.array([[0, 1], [1, 1], [2, 2]])
>>> rowsum = x.sum(-1)
>>> x[rowsum <= 2, :]
array([[0, 1],
[1, 1]])
>>> #Example : use with np.ix_
>>> x = np.array([[ 0, 1, 2],
... [ 3, 4, 5],
... [ 6, 7, 8],
... [ 9, 10, 11]])
>>> rows = (x.sum(-1) % 2) == 0
>>> columns = [0, 2]
>>> x[np.ix_(rows, columns)]
array([[ 3, 5],
[ 9, 11]])
Доступ к полю:
Если объект NDARRAY представляет собой структурированный массив, полей массива можно получить доступ, индексируя массив с строками, словарь-словарь.
Индексирование X ['Имя поля'] Возвращает новый вид на массив.
Если доступовое поле представляет собой суб-массив, размеры суб-массива прилагаются к форме результата.
>>> x = np.zeros((2,2), dtype=[('a', np.int32), ('b', np.float64,(3,3))])
>>> x['a']
array([[0, 0],
[0, 0]])
>>> x['b']
array([[[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]],
[[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]]])
Плоская итераторная индексация
x.flat Возвращает итератор, который произойдет во всем массиве (в C-непрерывном стиле с последним индексом, варьирующимся самым быстрым). Этот объект ITERATOR также может быть проиндексирован с использованием базовой нарезки или расширенной индексации, если объект выбора не является кортежным. Это должно быть понятно от того, что X.FLAT представляет собой одномерное представление. Его можно использовать для целочисленного индексации с 1-мерным C-стиль-плоские индексы Отказ Поэтому форма любого возвращенного массива является формой целочисленного объекта индексации.
>>> x = np.arange(1, 7).reshape(2, 3)
>>> x
array([[1, 2, 3],
[4, 5, 6]])
>>> x.flat[3]
4
>>> x.T
array([[1, 4],
[2, 5],
[3, 6]])
>>> x.T.flat[3]
5
>>> type(x.flat)
numpy.flatiter
>>> #assignment example
>>> x.flat = 3
>>> x
array([[3, 3, 3],
[3, 3, 3]])
>>> #assignment example
>>> x.flat[[1,4]] = 1
>>> x
array([[3, 1, 3],
[3, 1, 3]])
Оригинал: “https://dev.to/cdaman123/numpy-advance-indexing-16o6”