Python中numpy如何索引

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:PyThon学习网教学中心。