Python中数组切片的用法实例详解

python的数组切片操作很强大,但有些细节老是忘,故写一点东西记录下来,下面这篇文章主要给大家介绍了关于Python中数组切片用法的相关资料,文中通过示例代码介绍的非常详细,需要的朋友可以参考下

一、python中“::-1”代表什么？

在Python中::-1表示将字符或数字倒序输出（也称【反转】）。

举个栗子，当line = "abcde"时，使用语句line[::-1]，最后的运行结果为：‘edcba’。

二、python中“:”的用法

在Python中a[i:j]表示复制字符串或数字从a[i]到a[j-1]（也称【切片】）。 当切片中，i 或 j 的位置被“:”替换时，切片结果如下：

当i缺省时，默认为i=0，即 a[:3]相当于 a[0:3]；
当j缺省时，默认为j=len(a), 即a[1:]相当于a[1:10]；
当i,j都缺省时，a[::]就相当于完整复制一份a。

备注：上例中，假设 a = [0,1,2,3,4,5,6,7,8,9]。

参考：python中::-1代表什么？

在Python中：：-1表示将字符或数字倒序输出。举个栗子，当line = "abcde"时，使用语句line[::-1]，最后的运行结果为：'edcba'。下面请看详细解释。
一、反转
：：-1涉及到将数字或字符倒序输出
二、详解
1、i：j
a = [0,1,2,3,4,5,6,7,8,9]
b = a[i:j] 表示复制a[i]到a[j-1]，以生成新的list对象
b = a[1:3] 那么，b的内容是 [1,2]
当i缺省时，默认为0，即 a[:3]相当于 a[0:3]
当j缺省时，默认为len(alist), 即a[1:]相当于a[1:10]
当i,j都缺省时，a[:]就相当于完整复制一份a了
举个栗子：
line = "abcde"
line[:-1]
结果为：'abcd'
2、：：-1
b = a[i:j:s]这种格式呢，i,j与上面的一样，但s表示步进，缺省为1.
所以a[i:j:1]相当于a[i:j]
当s<0时，i缺省时，默认为-1. j缺省时，默认为-len(a)-1
所以a[::-1]相当于 a[-1:-len(a)-1:-1]，也就是从最后一个元素到第一个元素复制一遍。所以你看到一个倒序的东东。
举个栗子：
line = "abcde"
line[::-1]
结果为：'edcba'
line[:-1]其实就是去除了这行文本的最后一个字符（换行符）后剩下的部分。
实际上问题不难，你自己动手运行一下就会非常清楚。

三、python中数组切片

1、NumPy 数组正切片的规则：

python 中【切片】的意思是将元素从一个给定的索引带到另一个给定的索引。

我们像这样传递切片而不是索引：[start：end]。
我们还可以定义步长，如下所示：[start：end：step]。

备注：
如果我们不传递 start，则将其视为 0。如果我们不传递 end，则视为该维度内数组的长度。如果我们不传递 step，则视为 1。

numpy中一维数组切片：

a=np.array([1,2,3,4,5]) print(a) >>> array([1, 2, 3, 4, 5]) # 切片 print(a[0])#查询 >>> 1 print(a[1:3])#切片 >>> [2 3]

numpy中二维数组切片：

a = np.array([ [1,2,3,4], [5,6,7,8], [9,10,11,12] ]) print(a[0,3])#第一行，第四列 >>> 4 print(a[:,3])#第四列 >>> [ 4  8 12] print(a[0,:])#第一行 >>> [1 2 3 4] """ 对数组使用均值函数mean() """ print(a.mean(axis=1))#计算同一列下，每一行各数字的平均值 >>> [ 2.5  6.5 10.5] print(a.mean(axis=0))#计算同一行下，每一列各数字的平均值 >>> [5. 6. 7. 8.] import numpy as np arr = np.array([1, 2, 3, 4, 5, 6, 7]) print(arr[1:5]) # 裁切索引 1 到索引 5(不包括)的元素 >>> [2 3 4 5] print(arr[4:]) # 裁切数组中索引 4 到结尾的 >>> [5 6 7] print(arr[:4]) # 裁切从开头到索引 4（不包括）的元素 >>> [1 2 3 4]

2、NumPy 数组的负切片的规则：

使用减号运算符从末尾开始引用索引：[-start：-end]。

import numpy as np arr = np.array([1, 2, 3, 4, 5, 6, 7]) # 从末尾开始的索引 3 到末尾开始的索引 1，对数组进行切片： print(arr[-3:-1]) >>> [5 6]

3、NumPy 数组的使用【STEP步长】切片的规则：

使用 step 值确定切片的步长：[start: end: step]。

import numpy as np arr = np.array([1, 2, 3, 4, 5, 6, 7]) print(arr[1:5:2]) # 从索引 1 到索引 5，返回相隔的元素 >>> [2 4] print(arr[::2])# 返回数组中相隔的元素 >>> [1 3 5 7]

3、NumPy 数组中 2-D 数组的切片规则：

从第二个元素开始，对从索引 1 到索引 4（不包括）的元素进行切片。 结果的示例如下：

import numpy as np arr = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]]) print(arr[1, 1:4]) # 从第二个元素开始，对从索引 1 到索引 4（不包括）的元素进行切片 >>> [7 8 9]

NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整数和切片的索引外，数组可以由整数数组索引、布尔索引及花式索引。

三、numpy中的整数数组索引

numpy中的整数数组索引的切片规则：

以下实例获取数组中(0,0)，(1,1)和(2,0)位置处的元素。

import numpy as np x = np.array([[1,2],[3,4],[5,5]]) y = x[[0,1,2],[0,1,0]] print(y) >>> [1 4 5]

x = np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11]]) x >>> array([[ 0,  1,  2], [ 3,  4,  5], [ 6,  7,  8], [ 9, 10, 11]]) # 切片模式一：输出结果写入单列表 rows = np.array([0,3,0,3]) cols = np.array([0,0,2,2]) y = x[rows,cols] print(y) >>> [ 0  9  2 11] # 切片模式二：输出结果写入二维数组 rows = np.array([[0,0],[3,3]]) cols = np.array([[0,2],[0,2]]) y = x[rows,cols] print(y) >>> [[ 0  2] [ 9 11]] # 切片模式二：输出结果写入2*3的数组 rows = np.array([[0,0,1],[3,2,3]]) cols = np.array([[0,2,1],[0,1,2]]) y = x[rows,cols] print(y) >>> array([[0, 2, 1], [0, 1, 2]])

四、numpy中借助【切片 : 或 …与索引数组】组合进行复杂切片

借助切片 : 或 … 与索引数组组合。如下面实例：

a = np.array([[1,2,3],[4,5,6],[7,8,9]]) a >>> array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) b = a[1:3,1:3] b >>> array([[5, 6], [8, 9]]) c = a[1:3,[1,2]] c >>> array([[5, 6], [8, 9]]) d = a[...,1:]   #  arr[..., 1] 等价于 arr[:, :, 1] d >>> array([[2, 3], [5, 6], [8, 9]])

五、布尔索引

我们可以通过一个布尔数组来索引目标数组。

布尔索引通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。

一、以下实例获取大于 5 的元素： import numpy as np x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]]) print (x) >>> [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11]] print (x[x > 5]) # 现在我们会打印出大于 5 的元素 >>> [ 6 7 8 9 10 11] 二、以下实例使用了 ~（取补运算符）来过滤 NaN。 import numpy as np a = np.array([np.nan, 1,2,np.nan,3,4,5]) print (a[~np.isnan(a)]) >>> [ 1. 2. 3. 4. 5.] 三、以下实例演示如何从数组中过滤掉非复数元素。 import numpy as np a = np.array([1, 2+6j, 5, 3.5+5j]) print (a[np.iscomplex(a)]) >>> [2.0+6.j 3.5+5.j]

六、花式索引

花式索引指的是利用整数数组进行索引。

花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。

对于使用一维整型数组作为索引，如果目标是一维数组，那么索引的结果就是对应位置的元素；
如果目标是二维数组，那么就是对应下标的行。

import numpy as np x=np.arange(32).reshape((8,4)) print (x[[4,2,1,7]]) # 传入顺序索引数组 >>> [[16 17 18 19] [ 8 9 10 11] [ 4 5 6 7] [28 29 30 31]] print (x[[-4,-2,-1,-7]]) # 传入倒序索引数组 >>> [[16 17 18 19] [24 25 26 27] [28 29 30 31] [ 4 5 6 7]] print (x[np.ix_([1,5,7,2],[0,3,1,2])]) # 传入多个索引数组（要使用np.ix_） >>> [[ 4 7 5 6] [20 23 21 22] [28 31 29 30] [ 8 11 9 10]]

原理：

np.ix_函数就是输入两个数组，产生笛卡尔积的映射关系

举个例子：

将输入数组[1,5,7,2]和数组[0,3,1,2]产生笛卡尔积，就是得到(1,0)，(1,3)，(1,1)，(1,2)；(5,0)，(5,3)，(5,1)，(5,2)；(7,0)，(7,3)，(7,1)，(7,2)；(2,0)，(2,3)，(2,1)，(2,2)；
就是按照坐标(1,0)，(1,3)，(1,1)，(1,2)取得 x所对应的元素4，7，5，6，(5,0)，(5,3)，(5,1)，(5,2)取得 x 所对应的元素20，23，21，22…以此类推。

import numpy as np x=np.arange(32).reshape((8,4)) print (x[np.ix_([1,5,7,2],[0,3,1,2])]) >>> [[ 4  7  5  6] [20 23 21 22] [28 31 29 30] [ 8 11  9 10]]