Python中数组切片的用法实例详解

目录

• 一、python中“::-1”代表什么？
• 二、python中“:”的用法
• 三、python中数组切片
• 1、NumPy 数组正切片的规则：
• 2、NumPy 数组的负切片的规则：
• 3、NumPy 数yHvWQkpc组的使用【STEP步长】切片的规则：
• 3、NumPy 数组中 2-D 数组的切片规则：
• 三、numpy中的整数数组索引
• 四、numpy中借助【切片 : 或 …与索引数组】组合js进行复杂切片
• 五、布尔索引
• 六、花式索引
• 总结

一、python中“::-1”代表什么？

在Python中::-1表示将字符或数字倒序输出（也称【反转】）。

举个栗子，当line = "abcde"时，使用语句line[::-1]，最后的运行结果为：‘edcba’。

二、python中“:”的用法

在Python中a[i:j]表示复制字符串或数字从a[i]到a[j-1]（也称【切片】）。 当切片中，i 或 j 的位置被“:”替换时，切片结果如下：

• 当i缺省时，默认为i=0，即 a[:3]相当于 a[0:3]；
• 当j缺省时，默认为j=len(a), 即a[1:]相当于a[1:10]；
• 当i,j都缺省时，a[::]就相当于完整复制一份a。

备注：上例中，假设 a = 开发者_Python入门[0,1,2,3,4,5,6,7,8,9]。

参考：python中::-1代表什么？

在Python中：：-1表示将字符或数字倒序输出。举个栗子，当line = "abcde"时，使用语句line[::-1]，最后的运行javascript结果为：'edcba'。下面请看详细解释。

一、反转

：：-1涉及到将数字或字符倒序输出

二、详解

1、i：j

a = [0,1,2,3,4,5,6,7,8,9]

b = a[i:j] 表示复制a[i]到a[j-1]，以生成新的list对象

b = a[1:3] 那么，b的内容是 [1,2]

当i缺省时，默认为0，即 a[:3]相当于 a[0:3]

当j缺省时，默认为len(alist), 即a[1:]相当于a[1:10]

当i,j都缺省时，a[:]就相当于完整复制一份a了

举个栗子：

line = "abcde"

line[:-1]

结果为：'abcd'

2、：：-1

b = a[i:j:s]这种格式呢，i,j与上面的一样，但s表示步进，缺省为1.

所以a[i:j:1]相当于a[i:j]

当s<0时，i缺省时，默认为-1. j缺省时，默认为-len(a)-1

所以a[::-1]相当于 a[-1:-len(a)-1:-1]，也就是从最后一个元素到第一个元素复制一遍。所以你看到一个倒序的东东。

举个栗子：

line = "abcde"

line[::-1]

结果为：'edcba'

line[:-1]其实就是去除了这行文本的最后一个字符（换行符）后剩下的部分。

实际上问题不难，你自己动手运行一下就会非常清楚。

三、python中数组切片

1、NumPy 数组正切片的规则：

python 中【切片】的意思是将元素从一个给定的索引带到另一个给定的索引。

• 我们像这样传递切片而不是索引：[start：end]。
• 我们还可以定义步长，如下所示：[start：end：step]。

备注：

如果我们不传递 start，则将其视为 0。如果我们不传递 end，则视为该维度内数组的长度。如果我们不传递 step，则视为 1。

numpy中一维数组切片：

a=np.array([1,2,3,4,5])
print(a)
>>>
array([1, 2, 3, 4, 5])
# 切片
print(a[0])#查询
>>>
1
print(a[1:3])#切片
>>>
[2 3]

numpy中二维数组切片：

a = np.array([
    [1,2,3,4],
    [5,6,7,8],
    [9,10,11,12]
])
print(a[0,3])#第js一行，第四列
>>>
4
print(a[:,3])#第四列
>>>
[ 4  8 12]
print(a[0,:])#第一行
>>>
[1 2 3 4]

"""
对数组使用均值函数mean()
"""
print(a.mean(axis=1))#计算同一列下，每一行各数字的平均值
>>>
[ 2.5  6.5 10.5]

print(a.mean(axis=0))#计算同一行下，每一列各数字的平均值
>>>
[5. 6. 7. 8.]

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[1:5]) # 裁切索引 1 到索引 5(不包括)的元素
>>>
[2 3 4 5]
print(arr[4:]) # 裁切数组中索引 4 到结尾的
>>>
[5 6 7]
print(arr[:4]) # 裁切从开头到索引 4（不包括）的元素
>>>
[1 2 3 4]

2、NumPy 数组的负切片的规则：

使用减号运算符从末尾开始引用索引：[-start：-end]。

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
# 从末尾开始的索引 3 到末尾开始的索引 1，对数组进行切片：
print(arr[-3:-1])
>>>
[5 6]

3、NumPy 数组的使用【STEP步长】切片的规则：

使用 step 值确定切片的步长：[start: end: step]。

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[1:5:2]) # 从索引 1 到索引 5，返回相隔的元素
>>>
[2 4]
print(arr[::2])# 返回数组中相隔的元素
>>>
[1 3 5 7]

3、NumPy 数组中 2-D 数组的切片规则：

从第二个元素开始，对从索引 1 到索引 4（不包括）的元素进行切片。 结果的示例如下：

import numpy as np
arr = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
print(arr[1, 1:4]) # 从第二个元素开始，对从索引 1 到索引 4（不包括）的元素进行切片
>>>
[7 8 9]

NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整数和切片的索引外，数组可以由整数数组索引、布尔索引及花式索引。

三、numpy中的整数数组索引

numpy中的整数数组索引的切片规则：

以下实例获取数组中(0,0)，(1,1)和(2,0)位置处的元素。

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

x = np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11]])
x
>>>
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])

# 切片模式一：输出结果写入单列表
rows = np.array([0,3,0,3])
cols = np.array([0,0,2,2])
y = x[rows,cols]
print(y)
>>>
[ 0  9  2 11]
# 切片模式二：输出结果写入二维数组
rows = np.array([[0,0],[3,3]])
cols = np.array([[0,2],[0,2]])
y = x[rows,cols]
print(y)
>>>
[[ 0  2]
 [ 9 11]]
# 切片模式二：输出结果写入2*3的数组
rows = np.array([[0,0,1],[3,2,3]])
cols = np.array([[0,2,1],[0,1,2]])
y = x[rows,cols]
print(y)
>>>
array([[0, 2, 1],
       [0, 1, 2]])

四、numpy中借助【切片 : 或 …与索引数组】组合进行复杂切片

借助切片 : 或 … 与索引数组组合。如下面实例：

a = np.array([[1,2,3],[4,5,6],[7,8,9]])
a
>>>
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
b = a[1:3,1:3]
b
>>>
array([[5, 6],
       [8, 9]])

c = a[1:3,[1,2]]
c
>>>
array([[5, 6],
       [8, 9]])
d = a[...,1:]   #  arr[..., 1] 等价于 arr[:, :, 1]
d
>>>
array([[2, 3],
       [5, 6],
       [8, 9]])

五、布尔索引

我们可以通过一个布尔数组来索引目标数组。

布尔索引通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。

一、以下实例获取大于 5 的元素：
import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print (x)
>>> 
[[ 0 1 2]
 [ 3 4 5]
 [ 6 7 8]
 [ 9 10 11]]
print (x[x &http://www.devze.comgt; 5]) # 现在我们会打印出大于 5 的元素
>>>
[ 6 7 8 9 10 11]

二、以下实例使用了 ~（取补运算符）来过滤 NaN。
import numpy as np
a = np.array([np.nan, 1,2,np.nan,3,4,5]) 
print (a[~np.isnan(a)])
>>> 
[ 1. 2. 3. 4. 5.]
三、以下实例演示如何从数组中过滤掉非复数元素。
import numpy as np
a = np.array([1, 2+6j, 5, 3.5+5j]) 
print (a[np.iscomplex(a)])
>>> 
[2.0+6.j 3.5+5.j]

六、花式索引

花式索引指的是利用整数数组进行索引。

花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。

1. 对于使用一维整型数组作为索引，如果目标是一维数组，那么索引的结果就是对应位置的元素；
2. 如果目标是二维数组，那么就是对应下标的行。

import numpy as np
x=np.arange(32).reshape((8,4))
print (x[[4,2,1,7]]) # 传入顺序索引数组

>>> 
[[16 17 18 19]
 [ 8 9 10 11]
 [ 4 5 6 7]
 [28 29 30 31]]
print (x[[-4,-2,-1,-7]]) # 传入倒序索引数组
>>> 
[[16 17 18 19]
 [24 25 26 27]
 [28 29 30 31]
 [ 4 5 6 7]]
print (x[np.ix_([1,5,7,2],[0,3,1,2])]) # 传入多个索引数组（要使用np.ix_）
>>> 
[[ 4 7 5 6]
 [20 23 21 22]
 [28 31 29 30]
 [ 8 11 9 10]]

原理：

np.ix_函数就是输入两个数组，产生笛卡尔积的映射关系

举个例子：

将输入数组[1,5,7,2]和数组[0,3,1,2]产生笛卡尔积，就是得到(1,0)，(1,3)，(1,1)，(1,2)；(5,0)，(5,3)，(5,1)，(5,2)；(7,0)，(7,3)，(7,1)，(7,2)；(2,0)，(2,3)，(2,1)，(2,2)；

就是按照坐标(1,0)，(1,3)，(1,1)，(1,2)取得 x所对应的元素4，7，5，6，(5,0)，(5,3)，(5,1)，(5,2)取得 x 所对应的元素20，23，21，22…以此类推。

import numpy as np 
x=np.arange(32).reshape((8,4))
print (x[np.ix_([1,5,7,2],[0,3,1,2])])
>>>
[[ 4  7  5  6]
 [20 23 21 22]
 [28 31 29 30]
 [ 8 11  9 10]]

总结

到此这篇关于Python中数组切片的用法详解的文章就介绍到这了,更多相关Python数组切片用法内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！