NumPy（索引、array合并与分割）

发表于 | 更新于: | 分类于 |
字数统计: 370字

一、Numpy索引

  1. 一维索引 

    1
    2
    3
    4
    5
    import numpy as np
    A = np.arange(3,15)
    # array([3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
             
    print(A[3])    # 6

  2. 二维索引 

    1
    2
    3
    4
    5
    6
    7
    8
    A = np.arange(3,15).reshape((3,4))
    """
    array([[ 3,  4,  5,  6]
           [ 7,  8,  9, 10]
           [11, 12, 13, 14]])
    """
             
    print(A[2])         # [11 12 13 14]

  • 二维索引取值 

    1
    print(A[1][1])      # 8

  • 切片操作 注：1:3表示对第2到第4进行切片输出（不包含第4） 

    1
    2
    print(A[1, 1])      # 8
    print(A[1, 1:3])    # [8 9]

二、array 合并

  1. np.vstack() 上下合并

  • vertical stack本身属于一种上下合并，即对括号中的两个整体进行对应操作。 

    1
    2
    3
    4
    5
    6
    7
    8
    9
    import numpy as np
    A = np.array([1,1,1])
    B = np.array([2,2,2])
             
    print(np.vstack((A,B)))    # vertical stack
    """
    [[1,1,1]
     [2,2,2]]
    """

  • 利用shape函数可以让我们很容易地知道A和C的属性，从打印出的结果来看，A仅仅是一个拥有3项元素的数组（数列），而合并后得到的C是一个2行3列的矩阵。 

    1
    2
    3
    C = np.vstack((A,B))      
    print(A.shape,C.shape)
    # (3,) (2,3)

  1. np.hstack() 左右合并 
    1
    2
    3
    4
    5
    6
    7
    D = np.hstack((A,B))       # horizontal stack

    print(D)
    # [1,1,1,2,2,2]

    print(A.shape,D.shape)
    # (3,) (6,)
  • 通过打印出的结果可以看出：D本身来源于A，B两个数列的左右合并，而且新生成的D本身也是一个含有6项元素的序列。