三、Numpy基础：数组元素查询、修改

一、索引

• 取值的顺序是从外围到最里面的元素位置，依次写入。

1.1、单值索引

import numpy as np
a = np.arange(16).reshape(2,2,4)
print("原数组：
",a)
print("单值索引值：
",a[1][1][2])
>>>
原数组：
 [[[ 0  1  2  3]
  [ 4  5  6  7]]

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

1.2、花式索引

• 可以通过数组，数组中写明元素位置，来索引出多个需要的元素

import numpy as np
a=np.arange(25).reshape(5,5)#定义一个5*5的二维数组
print("原数组：
",a)
print("花式索引多值（外层取行值）：
",a[[3, 3, 1, 4]])#注意这里一定传入的是数组格式
print("花式索引多值（二次取值，先行后列）：
",a[[0,2,2,4],[0,2,4,4]])#注意这里一定传入的是数组格式
>>>
原数组：
 [[ 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（外层取行值）：
 [[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（外层取行值）：
 [ 0 12 14 24]

1.3、布尔索引

• 可以通过设置筛选条件生成布尔数组，在通过布尔数组反向索引出符合条件的结果

import numpy as np
a=np.random.random((4,4))#生成4×4的二维数组
b=a>0.5#生成以a>0.5为筛选条件的布尔数组
print(b)
print(a[b])#根据布尔数组将原值取出，变成一维数组
>>>
[[ 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_()

• 与花式索引相比，ix_()可以以轴为单位进行遍历，而非花式索引中的单点遍历

import numpy as np
a=np.arange(24).reshape(4,6)#生成4×4的二维数组
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("原数组：
",a)
print("花式索引：
",b)
print("索引器索引：
",c)
print("c等值于d：
",d)
>>>
原数组：
 [[ 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等值于d：
 [[ 9 11]
 [21 23]]

　　

二、切片

• numpy切片方式与python默认方式一致
• 切片下来的内容与原数组共享同一片内存空间

import numpy as np
a = np.arange(16).reshape(2,2,4)
print("原数组：
",a)
print("取一个值：
",a[1][1][2])
print("切片范围取值：
",a[1][1][2:4])
print("更大范围的切片遍历：：
",a[0][:][0:4])
>>>
原数组：
 [[[ 0  1  2  3]
  [ 4  5  6  7]]

 [[ 8  9 10 11]
  [12 13 14 15]]]
取一个值：
 14
切片范围取值： 
[14 15]　　
更大范围的切片遍历：
 [[0 1 2 3] [4 5 6 7]]

 三、元素修改

• 通过索引和切片得到的变量直接赋值即可修改