副本与视图

在Numpy中进行数组运算或者数组操作时，返回结果为数组的副本或视图。 在Numpy中，所有赋值运算不会为数组和数组中的任何元素创建副本。

使用 numpy.ndarray.copy()函数来创建一个副本。对副本中的数据进行修改不会影响到原始数据，因为它们存放的物理地址不同。数组切片操作返回的是原数组的视图，而非副本

索引与切片

数组索引机制指的是用方括号（[]）加序号的形式引用单个数组元素，它的用处很多，比如抽取元素，选取数组的几个元素，甚至为其赋一个新值。

整数索引

import numpy as np x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) print(x[2]) # 3 x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) print(x[2]) # [21 22 23 24 25] print(x[2][1]) # 22 print(x[2, 1]) # 22

切片操作

类似于List的切片操作，然而对List的切片操作得到的是原数组的副本，而Numpy对数据进行切片操作得到的是指向相同缓冲区的视图。

切片语法: (start:stop:step)

为了更好地理解切片语法，还应该了解不明确指明起始和结束位置的情况。如省去第一个数字，numpy 会认为第一个数字是0；如省去第二个数字，numpy 则会认为第二个数字是数组的最大索引值；如省去最后一个数字，它将会被理解为1，也就是抽取所有元素而不再考虑间隔。

利用 ：和负数进行切片

多位数组切片：通过逗号分隔不同维度，每个维度的切片操作是独立的

dots 索引

Numpy允许使用...来表示足够多的冒号来构建完整的索引列表 比如，如果 x 是 5 维数组：

x[1,2,...] 等于 x[1,2,:,:,:]x[...,3] 等于 x[:,:,:,:,3]x[4,...,5,:] 等于 x[4,:,:,5,:]

整数数组索引

方括号内可传入多个索引值，可以同时选择多个元素 可用于交换行、列的顺序或提取特定行、列构造新的数组

x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) r = np.array([[0, 0], [4, 4]]) c = np.array([[0, 4], [0, 4]]) y = x[r, c] print(y) # [[11 15] # [31 35]] # 获取了数组四个角的元素 切片也可以与整数数组相结合 import numpy as np x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) y = x[0:3, [1, 2, 2]] print(y) # [[12 13 13] # [17 18 18] # [22 23 23]] numpy.take(a, indices, axis=None, out=None, mode='raise') Take elements from an array along an axis.注意：使用切片得到的视图始终为原数组的子数组；而整数索引得到的是新的数组

布尔索引

可以通过一个布尔数组来索引目标数组 常用于筛选满足条件的数据

mport numpy as np x = np.array([1, 2, 3, 4, 5, 6, 7, 8]) y = x > 5 print(y) # [False False False False False True True True] print(x[x > 5]) # [6 7 8] x = np.array([np.nan, 1, 2, np.nan, 3, 4, 5]) y = np.logical_not(np.isnan(x)) print(x[y]) # [1. 2. 3. 4. 5.] x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) y = x > 25 print(y) # [[False False False False False] # [False False False False False] # [False False False False False] # [ True True True True True] # [ True True True True True]] print(x[x > 25]) # [26 27 28 29 30 31 32 33 34 35] numpy.logical_andx1, x2()numpy.logical_or(x1, x2)numpy.logical_not(x1, x2)numpy.logical_xor(x1, x2)为Numpy中的逻辑运算函数

数组迭代

除了for循环，Numpy中还可以用apply_along_axis（）进行数组的遍历 apply_along_axis(func1d, axis, arr)Apply a function to 1-D slices along the given axis.

import numpy as np x = np.array([[11, 12, 13, 14, 15], [16, 17, 18, 19, 20], [21, 22, 23, 24, 25], [26, 27, 28, 29, 30], [31, 32, 33, 34, 35]]) y = np.apply_along_axis(np.sum, 0, x) print(y) # [105 110 115 120 125] y = np.apply_along_axis(np.sum, 1, x) print(y) # [ 65 90 115 140 165] y = np.apply_along_axis(np.mean, 0, x) print(y) # [21. 22. 23. 24. 25.] y = np.apply_along_axis(np.mean, 1, x) print(y) # [13. 18. 23. 28. 33.] def my_func(x): return (x[0] + x[-1]) * 0.5 y = np.apply_along_axis(my_func, 0, x) print(y) # [21. 22. 23. 24. 25.] y = np.apply_along_axis(my_func, 1, x) print(y) # [13. 18. 23. 28. 33.]

关于Numpy中的axis：

axis=0为跨行（沿着行下标）的运算 axis=1为跨列（沿着列下标）的运算