numpy的Fancy Indexing和array比較詳解
一:Fancy Indexing
import numpy as np #Fancy Indexing x = np.arange(16) np.random.shuffle(x) print(x) #打印所有的元素 print(x[2])#獲取某個元素的值 print(x[1:3])#切片 print(x[3:9:2])#指定間距切片 index = [2,4,7,9] #索引數(shù)組 print(x[index])#獲取索引數(shù)組中的元素的值 ind = np.array([[0,2],[1,4]]) #索引二維數(shù)組 print(x[ind])##獲取索引二維數(shù)組中的元素的值 print("---------------------") X = x.reshape(4,-1) print(X) ind1 = np.array([1,3]) #行的索引 ind2 = np.array([2,0]) #列的索引 print(X[ind1,ind2]) print(X[:-2,ind2]) bool_index = [True,False,True,False] #True就取當前列,F(xiàn)alse就不取 print(X[:-1,bool_index])
Fancy Indexing 應用在一維數(shù)組
x = np.arange(16) x[3] # 3 x[3:9] # array([3, 4, 5, 6, 7, 8]) x[3:9:2] # array([3, 5, 7]) [x[3], x[5], x[7]] # [3, 5, 7] ind = [3, 5, 7] x[ind] # array([3, 5, 7]) ind = np.array([[0, 2], [1, 3]]) x[ind] """ array([[0, 2], [1, 3]]) """
Fancy Indexing 應用在二維數(shù)組
X = x.reshape(4, -1) """ array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15]]) """ row = np.array([0, 1, 2]) col = np.array([1, 2, 3]) # 1行2列,2行3列,3行4列 X[row, col] # array([ 1, 6, 11]) # 前2行 2,3,4列 X[:2, col] """ array([[1, 2, 3], [5, 6, 7]]) """ col = [True, False, True, True] X[0, col] # array([0, 2, 3])
二:array比較
import numpy as np x = np.arange(16) print(x) print(x < 3) #返回的是bool數(shù)組 print(x == 3) print(x != 3) print(x * 4 == 24 - 4 * x) print(x + 1) print(x * 2) print(x / 4) print(x - 10) print(np.sum(x<3))#返回小于3的元素個數(shù) print(np.any(x==0)) #只要向量x中有等于0的就返回true print(np.all(x==0)) #只有向量x中全部等于0才返回true print(x[x<5]) #因為x<5返回的是bool數(shù)組,我們?nèi)rue的元素的值 #二維的同樣支持 print("----------------------") X = x.reshape(4,-1) print(X) print(X<3) print(x == 3) print(np.sum(X<4)) print(np.count_nonzero(X<5)) #返回X中小于5的不等于0的個數(shù) print(np.any(X==0)) #只要向量x中有等于0的就返回true print(np.all(X==0)) #只有向量x中全部等于0才返回true print(np.sum(X<4,axis=1))#沿著列的方向,計算每行小于4的個數(shù) print(np.sum((X>3)&(X<10))) #計算X中大于3并且小于10的個數(shù) print(np.sum(~(X==0))) #計算X中不等于0的個數(shù) print(X[X[:,3]%3==0,:]) #因為X[:,3]%3==0返回的是一個向量,元素為true,false,false,true,所以最后取第一行和最后一行
到此這篇關(guān)于numpy的Fancy Indexing和array比較詳解的文章就介紹到這了,更多相關(guān)numpy Fancy Indexing和array比較內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
python?matplotlib實現(xiàn)條形圖的填充效果
這篇文章主要為大家詳細介紹了python?matplotlib實現(xiàn)條形圖的填充效果,文中示例代碼介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們可以參考一下2022-04-04Python Pandas學習之數(shù)據(jù)離散化與合并詳解
Pandas是python的一個數(shù)據(jù)分析包,該工具是為解決數(shù)據(jù)分析任務而創(chuàng)建的。本文將通過示例詳細為大家介紹一下Pandas的數(shù)據(jù)離散化與合并,需要的可以參考一下2022-02-02python base64 decode incorrect padding錯誤解決方法
這篇文章主要介紹了python base64 decode incorrect padding錯誤解決方法,本文使用把string補齊等號的方法解決了這個錯誤,需要的朋友可以參考下2015-01-01pytorch創(chuàng)建tensor函數(shù)詳情
這篇文章主要介紹了pytorch創(chuàng)建tensor函數(shù)詳情,文章圍繞tensor函數(shù)的相關(guān)自來哦展開詳細內(nèi)容的介紹,需要的小伙伴可以參考一下,希望對你有所幫助2022-03-03python實現(xiàn)BackPropagation算法
這篇文章主要為大家詳細介紹了python實現(xiàn)BackPropagation算法,具有一定的參考價值,感興趣的小伙伴們可以參考一下2017-12-12python2 與python3的print區(qū)別小結(jié)
這篇文章主要介紹了python2 與python3的print區(qū)別小結(jié),需要的朋友可以參考下2018-01-01