Python numpy之索引切片

盆友圈的小可爱
482 阅读6分钟

image.png

「这是我参与2022首次更文挑战的第6天，活动详情查看：2022首次更文挑战」

前言

我们前面已经对numpy ndarray进行深入学习了 numpy 内部结构。

  • numpy 相比 python list 区别是 numpy 具有 ndarray 数据结构，可以创建N维数组。
  • numpy 数据元素是同种类型的，所有每一个元素数据内存空间大小相同
  • numpy 数组可以直接引用到数据本身，而不用像Python list 存放的是对象的引用，然后再通过引用找到具体的数据对象，。
  • numpy 数组数据元素存储是一段连续的空间，极大的节省了内存消耗，而Python list 引用的数据对象的物理地址不是连续的。

如下图，我们可以看到 numpy 数组与Python list 清晰的比较

image.png

在我们之前学习Python list中，都知道列表可以通过元素位置-索引进行访问。同理，numpy 数组也同样与python list 类似，也是可以进行索引切片操作的。

我们在numpy 视图与副本中知道视图是与原数组共享数据，因此数组中进行索引切片，其实是返回的视图操作。

本期，我们将继续探索，numpy 数组索引切片的操作相关方法的学习，Let's go~

1. 索引概念

  • 什么是索引？

    在 Python 中，如list可以通过下标index访问指定位置的元素值，下标index就是索引。

    同理，在numpy 数组中，可以使用标准的Python 数组[obj] 语法进行索引。

    在进行索引切片操作时，numpy 内部是采取视图的形式进行的，当更改索引的内容时，将对原始数组的数据产生影响。因此，如果索引的值，如果要与原始数组数据相互独立，可以采用copy()副本形式拷贝一份完整数据。

  • 索引的分类

    按照数组中元素数据类型分类，可以四类：

    • 基本索引
    • 整数数组索引
    • 布尔索引
    • 花式索引

    其中，整数数组索引、布尔索引、花式索引是属于高级索引的

2. 基本索引

  • 单元素索引

    我们可以使用类似 python list[index] 形式来进行索引工作。默认index从0开始。

    同样，numpy 数组也可以支持 Python 列表一样从尾部开始进行负索引操作

    例如，我们使用nump.arange()方法创建一个数组，通过单元数索引如arr[7]可以得到数据7

    >>> import numpy as np
>>> arr1 = np.arange(10)
>>> arr1
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> arr1[7]
7
>>> arr1[-2]
8
>>> arr1[0]
0
>>>

    对于多维度的数组，我们可以使用 "," 来进行索引查找

    >>> import numpy as np
>>> arr2 = np.arange(15)
>>> arr2.shape = (3,5)
>>> arr2
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> arr2[2,3]
13
>>> arr2[-1,-1]
14
>>>

    对于多维的数组来说，我们填写的索引比多维数组维度小于时，是会按照row方式输出一个子维数组。

    >>> arr2[0]
array([0, 1, 2, 3, 4])
>>>

  • 单元素索引返回的是视图 or 副本？

    首先对于一维数组如上述数组arr1来说，我们通过索引如arr1[7] 会得到数值7，那么arr1[7]是属于arr1数组的数据吗？

    别急，我们还是按照之前metdata包含的指标，ndarray.flags.owndata 和 ndarray.base来看看真像是什么？

    >>> print(arr1.flags.owndata)
True
>>> print(arr1[7].flags.owndata)
True
>>> print(arr1.base)
None
>>> print(arr1[7].base)
None

    我们分别查看了 arr1 和 arr1[7] base和 flags.owndata 信息怎么都是一样的，因此arr1[7] 是与 arr1 原始数组相互独立的，是arr1 的副本

    同时我们来id()方法来验证一下arr1 和 arr1[7] 内存地址，果然也不一样的

    >>> id(arr1)
2182599900176
>>> id(arr1[7])
2182320408080
>>>

    是不是同理推理，arr2[1,3] 也是arr2的数据相互独立的，返回的也是arr1副本

    那么，arr2[0] 也是 arr2 的副本吗？

    同样我们获取base、flags.owndata三个参数看看

    >>> arr2[0]
array([0, 1, 2, 3, 4])
>>> print(arr2.base)
None
>>> print(arr2[0].base)
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
 >>> print(arr2.flags.owndata)
True
>>> print(arr2[0].flags.owndata)
False

    arr2[0].base 来源是 arr2 的，那么arr2[0] 与 arr2 是共享数据的，那么arr2[0]返回的是arr2的视图。

    同时对于多维数组来说，我们 arr2[2,3] 等价于 arr2[2][3],都是返回数值13。

    但是这样arr2[2][3] 较于 arr2[2,3] 效率上慢了许多。

    arr2[2] 是 arr2 的一个视图，返回一个一维数组，arr2[2]基础上会创建一个新的临时数组arr2[2][3]，最后得到一个单元素数值

3. 切片

  • 什么是切片？

    我们之前学习，Python 基本数据类型如列表、字符串，都使用过切片操作。因此，numpy 数组中也沿用了Python 内部的切片概念。

    numpy 数组与Python 索引一样，所有索引都是从0开始的，返回一个有效范围内的数组。

    基本切片的生成的数组始终都是原始数组的视图

    • 触发切片的条件

      1. obj 是一个由（star:stop:step）组成的slice 对象
      2. 与整数、或者切片对象和整数元组
      3. 可添加省略号对象（Ellipsis）和 维度方向（newaxis）对象

    • 切片的操作方法

      • 形式如i:j:k,i为起始索引，j为终止索引,k为步长
      • 使用slice方法

  • 使用 : 来进行切片

    可以像Python list一样使用:进行切片操作，同样支持正索引和负索引

    • 当i,j,k都为正整数时，进行正索引，如下栗子：

      >>> arr3 = np.arange(10)
>>> arr3
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> arr3[1:6:2]
array([1, 3, 5])

    • 当i为负数，k也负数走向更小的索引

      >>> arr3[-2:3:-2]
array([8, 6, 4])
>>>

    • 只设置i，则从i开始切片

      >>> arr3[1:]
array([1, 2, 3, 4, 5, 6, 7, 8, 9])

    • ::这与:和 表示选择沿该轴的所有索引

      >>> arr3[::]
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>>

  • 使用 slice() 索引

    我们也可以slice方法设置索引对象，从而对数组来进行索引切片操作

    >>> arr3[slice(1,6,2)]
array([1, 3, 5])
>>>

总结

本期，我们对 numpy 模块中基本索引切片相关方法进行学习。对于单元素索引中，对于一维数组的索引返回的对象是原始数组的副本，而对于多维数组来说，当索引少于其维度时，返回的索引对象是原始数组的视图。

对于，切片操作来说，不适用在高级索引。

以上是本期内容，欢迎大佬们点赞评论，下期见~

avatar
文章
阅读
粉丝