继上篇讲过numpy切片问题后，今天就numpy索引问题，小编为大家带来详尽解析。
我们都知道，使用numpy可以存储和处理大型矩阵，必然需要学会使用矩阵的表示。矩阵中对应元素如何索引等。在此之前，我们已经学过线性代数中矩阵的表示，a[2][3]即表示第3行第4列的元素。那么，在numpy中也一样。
一维索引
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
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]
A[2]对应的就是矩阵A中第三行(从0开始算第一行)的所有元素。
二维索引
当我们需要表示具体某个元素时，就需要使用到二维索引。依然使用上述例子。
print(A[1][1]) # 8 print(A[1,1]) # 8
对一定范围内的元素进行切片操作：
print(A[1, 1:3]) # [8 9] for row in A: # 对行操作 print(row) """ [3 4 5 6] [ 7 8 9 10] [11 12 13 14] """ for column in A.T: # 对列操作 print(column) """ [ 3 7 11] [ 4 8 12] [ 5 9 13] [ 6 10 14] """
注意：上述表示方法 A.T 即对A进行转置，再将得到的矩阵逐行输出即可得到原矩阵的逐列输出。
关于迭代输出的问题
import numpy as np A = np.arange(3,15).reshape((3,4)) print(A.flatten()) # [ 3 4 5 6 7 8 9 10 11 12 13 14] for item in A.flat: print(item) # 3 # 4 …… # 14
这一脚本中的flatten是一个展开性质的函数，将多维的矩阵进行展开成1行的数列。而flat是一个迭代器，本身是一个object属性。
numpy的切片和索引方法到这里就全部分享给大家了。更多Python学习推荐:。