numpy 學習彙總25
阿新 • • 發佈：2019-02-11
花式索引 2018/11/11 2018/11/24
==================================================================
說明
# 1）NumPy陣列可用切片進行索引
# 2）可用布林或整數陣列（掩碼）進行索引.這種方法稱為花式索引.
# .3）花式索引跟切片不一樣，它建立副本而不是檢視。
# 4) 新陣列與條件陣列形狀相同
# 5）索引陣列中索引元素應<行m a.shape(m,n)
用法：a[ [ bool or int]]
==================================================================
1.使用布林掩碼
例項1：
a1=np.arange(10, 20) # array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
a2=np.arange(10,22).reshape(3,4)#array([[10, 11, 12, 13],[14, 15, 16, 17],[18, 19, 20, 21]])
mask = (a1 % 2 == 0) # array([ True, False, True, False, True, False, True, False, True, False])
# b1= a1[mask] # 等價a[a%2==0]
b1=a1[a1 %2 ==0] # array([10, 12, 14, 16, 18])
b2=a2[a2%2==0] # array([10, 12, 14, 16, 18, 20])
這個屬性在賦值時非常有用：
a1[mask] = 0 # 所有偶數變成0
a #array([ 0, 11, 0, 13, 0, 15, 0, 17, 0, 19])
例項2：
#第二種布林索引方法近似整數索引；對陣列每個維度給一個一維布林陣列來選擇我們想要的切片。
a = np.arange(12).reshape(3,4)
b1 = np.array([False,True,True]) # first dim selection
b2 = np.array([True,False,True,False]) # second dim selection
a[b1,:] # selecting rows
# array([[ 4, 5, 6, 7],[ 8, 9, 10, 11]])
a[b1] # same thing
# array([[ 4, 5, 6, 7],[ 8, 9, 10, 11]])
a[:,b2] # selecting columns
# array([[ 0, 2],[ 4, 6],[ 8, 10]])
a[b1,b2] # array([ 4, 10])
注意：
# 一維陣列的長度必須和你想要切片的維度或軸的長度一致，
# 在例子中，b1是一個秩為1長度為三的陣列(a的行數)，b2(長度為4)與a的第二秩(列)相一致。
===================================================================
2.整數索引
a1=np.arange(10, 20) # array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
a2=np.arange(10,22).reshape(3,4)#array([[10, 11, 12, 13],[14, 15, 16, 17],[18, 19, 20, 21]])
# 2.1.使用整數陣列- #索引元素應<=行m a.shape(m,n)
b1=a1[[4,3, 2, 1]] # array([14, 13, 12, 11])
b2=a2[[2, 1,0]] #array([[18, 19, 20, 21],[14, 15, 16, 17],[10, 11, 12, 13]])
# 2.2.傳入多個索引陣列：1D 容易出錯
idx1 = np.array([[3, 4], [9, 7]]) #索引元素應<10
a1[idx1] #array([[13, 14],[19, 17]])
# a1[[3, 4], [9, 7]]/a1[[[3, 4], [9, 7]]]#錯誤用法
# 2.3.傳入多個索引陣列：2D 容易出錯
# idx2 = np.array([[1, 2], [2, 3]]) #
# a2[idx2] #錯誤用法
a2[[1,2],[2,3]]#array([16, 21]) #索引元素應前面<3，後面<4 終選元素(1,2),(2,3)
a2[[1,2]] #array([[14, 15, 16, 17],[18, 19, 20, 21]])
====================================================================
3.ix＿將兩個一維陣列轉換為一個用於選取方形區域的索引器：
ix_ 函式可以為了獲得 多元組 的結果而用來結合不同向量
# 例項1：1D
a1=np.arange(10, 20) # array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
a2=np.arange(10,22).reshape(3,4)#array([[10, 11, 12, 13],[14, 15, 16, 17],[18, 19, 20, 21]])
np.ix_([0, 1, 2],[1, 2, 3]) #(array([[0],[1],[2]]), array([[1, 2, 3]]))# 第1,2,3行，第2,3,4列區域
a1[ix1[0]]#array([[10], [11], [12]])
a1[ix1[1]]#array([[11, 12, 13]])
#例項2：2D
a2[ix1] #array([[11, 12, 13], [15, 16, 17],[19, 20, 21]])# 第1,2,3行，第2,3,4列區域
a2[[0,1,2]][:,[1,2,3]]# 等價於上面
a2[[0,1,2]][[1,2]] #array([[14, 15, 16, 17],[18, 19, 20, 21]]) 先選取前3行，然後在從結果總選擇第2,3行
# 例項3：如果你想要用所有向量a、b和c元素組成的三元組來計算 a+b*c ：
a = array([2,3,4,5])
b = array([8,5,4])
c = array([5,4,6,8,3])
ax,bx,cx = ix_(a,b,c)
ax
# array([[[2]],
# [[3]],
# [[4]],
# [[5]]])
bx
# array([[[8],
# [5],
# [4]]])
cx
# array([[[5, 4, 6, 8, 3]]])
ax.shape, bx.shape, cx.shape # ((4, 1, 1), (1, 3, 1), (1, 1, 5))
result = ax+bx*cx
result
# array([[[42, 34, 50, 66, 26],
# [27, 22, 32, 42, 17],
# [22, 18, 26, 34, 14]],
# [[43, 35, 51, 67, 27],
# [28, 23, 33, 43, 18],
# [23, 19, 27, 35, 15]],
# [[44, 36, 52, 68, 28],
# [29, 24, 34, 44, 19],
# [24, 20, 28, 36, 16]],
# [[45, 37, 53, 69, 29],
# [30, 25, 35, 45, 20],
# [25, 21, 29, 37, 17]]])
result[3,2,4] # 17
a[3]+b[2]*c[4]# 17
# 例項4：你也可以實行如下簡化：
def ufunc_reduce(ufct, *vectors):
vs = ix_(*vectors)
r = ufct.identity
for v in vs:
r = ufct(r,v)
return r
# 然後這樣使用它：
ufunc_reduce(add,a,b,c)
# array([[[15, 14, 16, 18, 13],
# [12, 11, 13, 15, 10],
# [11, 10, 12, 14, 9]],
# [[16, 15, 17, 19, 14],
# [13, 12, 14, 16, 11],
# [12, 11, 13, 15, 10]],
# [[17, 16, 18, 20, 15],
# [14, 13, 15, 17, 12],
# [13, 12, 14, 16, 11]],
# [[18, 17, 19, 21, 16],
# [15, 14, 16, 18, 13],
# [14, 13, 15, 17, 12]]])
# 這個reduce與ufunc.reduce(比如說add.reduce)相比的優勢在於它利用了廣播法則，
# 避免了建立一個輸出大小乘以向量個數的引數陣列。:
=====================================================================
4.多維的索引，每一維的索引陣列必須有相同的形狀。
a = np.arange(12).reshape(3,4)
# array([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11]])
i = np.array( [[0,1], [1,2]] ) # indices for the first dim of a
j = np.array( [[2,1], [3,3]] ) # indices for the second dim
a[i,j] # i and j must have equal shape
# array([[ 2, 5],
# [ 7, 11]])
a[i,2]
# array([[ 2, 6],
# [ 6, 10]])
a[:,j]
# array([[[2, 1],
# [3, 3]],
#
# [[6, 5],
# [7, 7]],
#
# [[10, 9],
# [11, 11]]])
# 可把i和 j放到序列中：然後通過list索引
l = [i,j]
a[l] # equivalent to a[i,j]
# array([[ 2, 5],[ 7, 11]])
# 可把i和 j放到序列中：然後通過tuple索引
a[tuple(s)] # same as a[i,j]
# array([[ 2, 5],[ 7, 11]])
注意：
不能把i 和j放在陣列中，因為這個陣列將被解釋成索引a的第一維
s = np.array( [i,j] )
a[s] # not what we want
==================================================================
5.可以使用陣列索引作為目標來賦值：
a[[9, 7]] = -100
小心如果你想用Python的 += 結構，可能結果並非你所期望：
a = arange(5)
a[[0,0,2]]+=1
a # array([1, 1, 3, 3, 4])
# 即使0在索引列表中出現兩次，索引為0的元素僅僅增加一次。這是因為Python要求a+=1 和 a=a+1 等同。
==================================================================