NumPy - 高级索引

高级索引提供了一种强大的方法，可以根据预定条件或准则从 NumPy 数组中选择特定元素。

虽然基本索引(例如 array[1:4])为您提供了原始数组的"视图"(对切片的修改会影响原始数据)，但高级索引始终会创建所选数据的副本。

它允许您从非元组序列的 ndarray、整数或布尔数据类型的 ndarray 对象或至少有一个项是序列对象的元组中选择元素。此方法有助于动态数据选择以及条件数据提取。

高级索引有两种类型 -

• 整数索引
• 布尔数组索引

整数索引

这允许您根据数组的 N 维索引，使用其确切位置(索引)从数组中选择特定元素。每个整数数组代表该维度的索引数量。

如果整数数组的数量与目标 ndarray 的维度相对应，则选择项目将变得简单直接。这就像在 x、y、z 位置选择项目一样。

示例:按索引选择元素

以下示例使用整数数组作为行和列，从数组的每一行中选择一个元素。选择包括第一个数组中 (0,0)、(1,1) 和 (2,0) 处的元素。以下是代码 -

import numpy as np
x = np.array([[1, 2], [3, 4], [5, 6]])
y = x[[0,1,2], [0,1,0]]
print(x)
print('新数组为:
', y)

以下是上述代码的输出 -

[[1 2]
[3 4]
[5 6]]
新数组为:
[1 4 5]

示例:选择角元素

在以下示例中，选择位于 4X3 数组角的元素。选择的行索引为 [0, 0] 和 [3,3]，而列索引为 [0,2] 和 [0,2]。

import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print('我们的数组是:
', x)
rows = np.array([[0,0],[3,3]])
cols = np.array([[0,2],[0,2]])
y = x[rows,cols]
print('此数组的角元素是:
', y)

以下是上述代码的输出代码 −

我们的数组是:
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
此数组的角元素是:
[[ 0 2]
[ 9 11]]

示例:访问特定分数

在此示例中，我们有一个二维数组，其中包含三个不同学生的分数，行表示三个学生的分数，三列表示三个不同科目(印地语、数学和英语)的分数。

现在，我们将了解如何访问学生 1 的印地语成绩和学生 2 的数学成绩。以下是代码 −

import numpy as np
marks = np.array([[85, 99, 88], [78, 93, 85], [86, 45, 90]])
specific_results = marks[[0, 1], [0, 1]]
print('分数:
', marks)
print('选定分数:
', specific_results)

以上代码的输出如下 -

分数:
[[85 99 88]
[78 93 85]
[86 45 90]]
选定分数:
[85 93]

示例:索引越界错误

在 NumPy 中，当你尝试使用超出数组维度有效范围的索引访问数组中的元素时，会发生索引错误(索引越界)。

让我们通过一个示例来理解这一点:一个数组包含 3 行，但代码尝试访问第 4 行(索引 3)，抛出了索引错误 -

import numpy as np
x = np.array([[0, 1], [2, 3], [4, 65]])
print('二维数组为:
', x)
print(x[3,1])

以下是上述代码的输出 -

二维数组为:
[[ 0 1]
[ 2 3]
[ 4 65]]
Traceback (most recent call last):
  File "/home/cg/root/22245/main.py", line 4, in 
    print(x[3,1])
IndexError: index 3 is out of bounds for axis 0 with size 3

布尔数组索引

NumPy 的布尔索引功能允许您选择满足特定条件的数组元素。它涉及创建一个布尔数组，其中每个元素都与 True 或 False 条件匹配。当布尔数组显示 True 时，将选择原始数组中的元素。

此方法非常适合使用逻辑条件(例如比较运算)过滤数据。它是从数组中提取特定值的强大工具。

示例:使用布尔数组选择特定元素

此代码演示了如何使用布尔数组作为掩码来从 NumPy 数组中选择特定元素。布尔数组指定最终数组中哪些元素应包含 (True) 或排除 (False)。

import numpy as np

arr = np.array([10, 20, 30, 40, 50])
bool_array = np.array([True, False, True, False, True])
selected_elements = arr[bool_array]

print("原始数组:", arr)
print("布尔数组:", bool_array)
print("选定元素:", selected_elements)

以上代码的输出如下 -

原始数组:[10 20 30 40 50]
布尔数组:[ True False True False True]
选定元素:[10 30 50]

示例:过滤大于 5 的项目

在此示例中，大于 5 的项目将通过布尔索引返回。

import numpy as np
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print('我们的数组是:
', x)
print('大于 5 的项目是:' , x[x > 5])

运行上述程序，结果如下:

我们的数组是:
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
大于 5 的项目是:[ 6 7 8 9 10 11]

示例:删除 NaN 值

在此示例中，使用 ~(补码运算符)省略 NaN(非数字)元素。

import numpy as np
a = np.array([np.nan, 1,2,np.nan,3,4,5])
print(a[~np.isnan(a)])

运行上述程序，结果如下:-

[1. 2. 3. 4. 5.]

示例:过滤复数

以下示例演示如何从数组中过滤掉复数。

import numpy as np
a = np.array([1, 2+6j, 5, 3.5+5j])
print(a[np.iscomplex(a)])

上述代码的输出如下:-

[2. +6.j 3.5+5.j]

示例:提取偶数

让我们看看如何使用布尔索引从数组中提取偶数 -

import numpy as np
x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
print('偶数为:', x[x % 2 == 0])

以下是上述代码的输出 -

偶数为:[2 4 6 8]