K mảng độc lập trong Python

Lập chỉ mục phần tử đơn #

Lập chỉ mục phần tử đơn hoạt động chính xác như vậy đối với các chuỗi Python tiêu chuẩn khác. Nó dựa trên 0 và chấp nhận các chỉ số âm để lập chỉ mục từ cuối mảng

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

Không cần thiết phải tách chỉ mục của từng thứ nguyên thành bộ dấu ngoặc vuông riêng

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Lưu ý rằng nếu một người lập chỉ mục cho một mảng nhiều chiều có ít chỉ số hơn số chiều, thì người đó sẽ nhận được một mảng chiều con. Ví dụ

>>> x[0]
array[[0, 1, 2, 3, 4]]

Tức là, mỗi chỉ mục được chỉ định sẽ chọn mảng tương ứng với phần còn lại của các thứ nguyên được chọn. Trong ví dụ trên, chọn 0 có nghĩa là kích thước còn lại của độ dài 5 không được chỉ định và những gì được trả về là một mảng có kích thước và kích thước đó. Cần lưu ý rằng mảng trả về là một view , i. e. , nó không phải là bản sao của bản gốc, nhưng trỏ đến cùng các giá trị trong bộ nhớ giống như mảng ban đầu. Trong trường hợp này, mảng 1-D ở vị trí đầu tiên [0] được trả về. Vì vậy, sử dụng một chỉ mục duy nhất trên mảng được trả về, dẫn đến một phần tử duy nhất được trả về. Đó là.

>>> x[0][2]
2

Vì vậy, lưu ý rằng

>>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
>>> x[1:7:2]
array[[1, 3, 5]]

Ghi chú

NumPy sử dụng lập chỉ mục theo thứ tự C. Điều đó có nghĩa là chỉ mục cuối cùng thường đại diện cho vị trí bộ nhớ thay đổi nhanh nhất, không giống như Fortran hoặc IDL, nơi chỉ mục đầu tiên đại diện cho vị trí thay đổi nhanh nhất trong bộ nhớ. Sự khác biệt này thể hiện khả năng nhầm lẫn lớn

cắt lát và sải bước #

Cắt lát cơ bản mở rộng khái niệm cắt lát cơ bản của Python thành N kích thước. Cắt cơ bản xảy ra khi obj là một đối tượng

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

Trường hợp lập chỉ mục đơn giản nhất với N số nguyên trả về một mảng vô hướng đại diện cho mục tương ứng. Như trong Python, tất cả các chỉ số đều dựa trên số không. đối với chỉ mục thứ i \[n_i\] , phạm vi hợp lệ là \[0 \le n_i < . Chỉ số âm được hiểu là đếm từ cuối mảng [i. e. , nếu where \[d_i\] is the i-th element of the shape of the array. Negative indices are interpreted as counting from the end of the array [i.e., if \[n_i < 0\] , điều đó có nghĩa là \[n_i + d_i\]].

Tất cả các mảng được tạo bằng cách cắt cơ bản luôn là lượt xem của mảng ban đầu.

Ghi chú

Việc cắt NumPy tạo ra một chế độ xem thay vì một bản sao như trong trường hợp các chuỗi Python tích hợp sẵn như chuỗi, bộ và danh sách. Phải cẩn thận khi trích xuất một phần nhỏ từ một mảng lớn, phần này trở nên vô dụng sau khi trích xuất, bởi vì phần nhỏ được trích xuất chứa tham chiếu đến mảng lớn ban đầu mà bộ nhớ của nó sẽ không được giải phóng cho đến khi tất cả các mảng dẫn xuất từ ​​nó được thu gom rác. Trong những trường hợp như vậy, nên sử dụng

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

Các quy tắc tiêu chuẩn của việc cắt chuỗi áp dụng cho việc cắt cơ bản trên cơ sở mỗi thứ nguyên [bao gồm cả việc sử dụng chỉ mục bước]. Một số khái niệm hữu ích cần nhớ bao gồm

• Cú pháp lát cắt cơ bản là

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  5 trong đó i là chỉ mục bắt đầu, j là chỉ mục dừng và k là bước [ \[k\neq0\]]. This selects the m elements [in the corresponding dimension] with index values i, i + k, …, i + [m - 1] k where \[m = q + [r\neq0 . j - i = q k + r sao cho i + [m - 1] k < j. Ví dụ. and q and r are the quotient and remainder obtained by dividing j - i by k: j - i = q k + r, so that i + [m - 1] k < j. For example:

  >>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
  >>> x[1:7:2]
  array[[1, 3, 5]]
  

• Âm i và j được hiểu là n + i và n + j trong đó n là số phần tử trong chiều tương ứng. K âm làm cho bước tiến tới các chỉ số nhỏ hơn. Từ ví dụ trên

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

• Giả sử n là số phần tử trong thứ nguyên được cắt. Sau đó, nếu tôi không được cung cấp, nó sẽ mặc định là 0 cho k > 0 và n - 1 cho k < 0. Nếu j không được cung cấp, nó sẽ mặc định là n cho k > 0 và -n-1 cho k < 0. Nếu k không được cung cấp thì nó mặc định là 1. Lưu ý rằng

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  6 giống như

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  7 và có nghĩa là chọn tất cả các chỉ số dọc theo trục này. Từ ví dụ trên

  >>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
  >>> x[1:7:2]
  array[[1, 3, 5]]
  

  9

• Nếu số lượng đối tượng trong bộ lựa chọn nhỏ hơn N, thì

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  7 được giả định cho bất kỳ kích thước tiếp theo nào. Ví dụ

  >>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
  >>> x[1:7:2]
  array[[1, 3, 5]]
  

  1

• Một số nguyên i trả về các giá trị giống như

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  9 ngoại trừ số chiều của đối tượng được trả về bị giảm đi 1. Đặc biệt, một bộ lựa chọn với phần tử thứ p là một số nguyên [và tất cả các mục nhập khác

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  7] trả về mảng con tương ứng có kích thước N - 1. Nếu N = 1 thì đối tượng trả về là một mảng vô hướng. Những đối tượng này được giải thích trong Vô hướng .

• Nếu bộ lựa chọn có tất cả các mục nhập

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  7 ngoại trừ mục nhập thứ p là một đối tượng lát cắt

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  5, thì mảng được trả về có thứ nguyên N được hình thành bằng cách nối các mảng con được trả về bằng cách lập chỉ mục số nguyên của các phần tử i, i+k, …, i

• Cắt lát cơ bản với nhiều hơn một mục nhập không phải ____97 trong bộ dữ liệu cắt lát, hoạt động giống như ứng dụng cắt lát lặp đi lặp lại bằng cách sử dụng một mục nhập không phải

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  7 duy nhất, trong đó các mục nhập không phải

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  7 được lấy liên tiếp [với tất cả các mục nhập không phải

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  7 khác được thay thế bằng

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  7]. Do đó,

  >>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
  >>> x[1:7:2]
  array[[1, 3, 5]]
  

  98 hoạt động giống như

  >>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
  >>> x[1:7:2]
  array[[1, 3, 5]]
  

  99 trong chế độ cắt lát cơ bản

  Cảnh báo

  Điều trên không đúng với lập chỉ mục nâng cao

• Bạn có thể sử dụng phép cắt để đặt giá trị trong mảng, nhưng [không giống như danh sách], bạn không bao giờ có thể phát triển mảng. Kích thước của giá trị được đặt trong

  >>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
  >>> x[1:7:2]
  array[[1, 3, 5]]
  

  10 phải [có thể phát tới] cùng hình dạng với

  >>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
  >>> x[1:7:2]
  array[[1, 3, 5]]
  

  6

• Một bộ cắt lát luôn có thể được xây dựng dưới dạng obj và được sử dụng trong ký hiệu

  >>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
  >>> x[1:7:2]
  array[[1, 3, 5]]
  

  6. Các đối tượng lát cắt có thể được sử dụng trong cấu trúc thay cho ký hiệu

  >>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
  >>> x[1:7:2]
  array[[1, 3, 5]]
  

  13. Ví dụ:

  >>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
  >>> x[1:7:2]
  array[[1, 3, 5]]
  

  14 cũng có thể được triển khai dưới dạng

  >>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
  >>> x[1:7:2]
  array[[1, 3, 5]]
  

  15. Điều này có thể hữu ích để xây dựng mã chung hoạt động trên các mảng có kích thước tùy ý. Xem Xử lý số lượng chỉ số thay đổi trong chương trình để biết thêm thông tin.

Công cụ lập chỉ mục thứ nguyên #

Có một số công cụ để tạo điều kiện dễ dàng kết hợp các hình dạng mảng với các biểu thức và trong các bài tập

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

>>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
>>> x[1:7:2]
array[[1, 3, 5]]

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

Điều này tương đương với

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

Mỗi đối tượng

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Điều này có thể hữu ích để kết hợp hai mảng theo cách mà nếu không sẽ yêu cầu các hoạt động định hình lại rõ ràng. Ví dụ

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Lập chỉ mục mảng số nguyên #

Lập chỉ mục mảng số nguyên cho phép lựa chọn các mục tùy ý trong mảng dựa trên chỉ mục N chiều của chúng. Mỗi mảng số nguyên đại diện cho một số chỉ số vào thứ nguyên đó

Các giá trị âm được cho phép trong các mảng chỉ mục và hoạt động như với các chỉ mục hoặc lát cắt đơn lẻ

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Nếu các giá trị chỉ mục nằm ngoài giới hạn thì một

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Khi chỉ mục bao gồm nhiều mảng số nguyên như kích thước của mảng được lập chỉ mục, việc lập chỉ mục sẽ đơn giản, nhưng khác với việc cắt

Các chỉ mục nâng cao luôn được phát và lặp lại thành một.

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Lưu ý rằng hình dạng kết quả giống hệt với hình dạng mảng lập chỉ mục [phát sóng]

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

Lập chỉ mục với các mảng chỉ mục đa chiều có xu hướng sử dụng bất thường hơn, nhưng chúng được cho phép và chúng hữu ích cho một số vấn đề. Chúng ta sẽ bắt đầu với trường hợp đa chiều đơn giản nhất

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Trong trường hợp này, nếu các mảng chỉ mục có hình dạng phù hợp và có một mảng chỉ mục cho mỗi chiều của mảng được lập chỉ mục, thì mảng kết quả có cùng hình dạng với các mảng chỉ mục và các giá trị tương ứng với chỉ mục được đặt cho mỗi chiều. . Trong ví dụ này, giá trị chỉ mục đầu tiên là 0 cho cả hai mảng chỉ mục và do đó, giá trị đầu tiên của mảng kết quả là

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

Nếu các mảng chỉ mục không có hình dạng giống nhau, sẽ có một nỗ lực phát chúng thành cùng một hình dạng. Nếu chúng không thể được phát đến cùng một hình dạng, một ngoại lệ sẽ được đưa ra

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Cơ chế quảng bá cho phép mảng chỉ số được kết hợp với vô hướng cho các chỉ số khác. Hiệu quả là giá trị vô hướng được sử dụng cho tất cả các giá trị tương ứng của các mảng chỉ số

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Chuyển sang cấp độ phức tạp tiếp theo, chỉ có thể lập chỉ mục một phần mảng với mảng chỉ mục. Phải suy nghĩ một chút để hiểu điều gì xảy ra trong những trường hợp như vậy. Ví dụ: nếu chúng ta chỉ sử dụng một mảng chỉ mục với y

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Nó dẫn đến việc xây dựng một mảng mới trong đó mỗi giá trị của mảng chỉ mục chọn một hàng từ mảng được lập chỉ mục và mảng kết quả có hình dạng kết quả [số phần tử chỉ mục, kích thước của hàng]

Nói chung, hình dạng của mảng kết quả sẽ là sự kết hợp của hình dạng của mảng chỉ mục [hoặc hình dạng mà tất cả các mảng chỉ mục được phát tới] với hình dạng của bất kỳ kích thước không sử dụng nào [những thứ không được lập chỉ mục] trong mảng được lập chỉ mục

Thí dụ

Từ mỗi hàng, một phần tử cụ thể sẽ được chọn. Chỉ mục hàng chỉ là

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Để đạt được một hành vi tương tự như cắt cơ bản ở trên, có thể sử dụng phát sóng. Chức năng

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

Thí dụ

Từ mảng 4x3, các phần tử góc phải được chọn bằng lập chỉ mục nâng cao. Do đó, tất cả các phần tử mà cột là một trong số

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x[0]
array[[0, 1, 2, 3, 4]]

Tuy nhiên, vì các mảng lập chỉ mục ở trên chỉ lặp lại chính chúng, nên có thể sử dụng quảng bá [so sánh các hoạt động như

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x[0]
array[[0, 1, 2, 3, 4]]

Việc phát sóng này cũng có thể đạt được bằng cách sử dụng chức năng

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x[0]
array[[0, 1, 2, 3, 4]]

Lưu ý rằng nếu không có lệnh gọi

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x[0]
array[[0, 1, 2, 3, 4]]

Sự khác biệt này là điều quan trọng nhất cần nhớ về lập chỉ mục với nhiều chỉ số nâng cao

Thí dụ

Một ví dụ thực tế về nơi lập chỉ mục nâng cao có thể hữu ích là đối với bảng tra cứu màu nơi chúng tôi muốn ánh xạ các giá trị của hình ảnh thành bộ ba RGB để hiển thị. Bảng tra cứu có thể có hình dạng [nlookup, 3]. Lập chỉ mục một mảng như vậy với một hình ảnh có hình dạng [ny, nx] với dtype=np. uint8 [hoặc bất kỳ loại số nguyên nào miễn là các giá trị nằm trong giới hạn của bảng tra cứu] sẽ dẫn đến một mảng hình dạng [ny, nx, 3] trong đó bộ ba giá trị RGB được liên kết với mỗi vị trí pixel

Lập chỉ mục mảng Boolean#

Lập chỉ mục nâng cao này xảy ra khi obj là một đối tượng mảng kiểu Boolean, chẳng hạn như có thể được trả về từ các toán tử so sánh. Một mảng chỉ số boolean duy nhất thực tế giống hệt với

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Nếu

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x = np.array[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]
>>> x[1:7:2]
array[[1, 3, 5]]

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Một trường hợp sử dụng phổ biến cho việc này là lọc các giá trị phần tử mong muốn. Ví dụ: người ta có thể muốn chọn tất cả các mục từ một mảng không phải là

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x[0]
array[[0, 1, 2, 3, 4]]

Hoặc muốn thêm một hằng số cho tất cả các phần tử âm

>>> x[0]
array[[0, 1, 2, 3, 4]]

Nói chung, nếu một chỉ mục bao gồm một mảng Boolean, kết quả sẽ giống với việc chèn

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Nếu chỉ có một mảng Boolean và không có mảng lập chỉ mục số nguyên, điều này rất đơn giản. Chỉ cần cẩn thận để đảm bảo rằng chỉ mục boolean có chính xác số thứ nguyên mà nó được cho là hoạt động với

Nói chung, khi mảng boolean có ít kích thước hơn mảng được lập chỉ mục, điều này tương đương với

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

>>> x[0]
array[[0, 1, 2, 3, 4]]

Ở đây, hàng thứ 4 và thứ 5 được chọn từ mảng được lập chỉ mục và được kết hợp để tạo thành mảng 2 chiều

Thí dụ

Từ một mảng, chọn tất cả các hàng có tổng nhỏ hơn hoặc bằng hai

>>> x[0]
array[[0, 1, 2, 3, 4]]

Kết hợp nhiều mảng lập chỉ mục Boolean hoặc một Boolean với một mảng lập chỉ mục số nguyên có thể được hiểu tốt nhất bằng phép loại suy

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

Thí dụ

Sử dụng lập chỉ mục boolean để chọn tất cả các hàng cộng với một số chẵn. Đồng thời, các cột 0 và 2 nên được chọn với chỉ mục số nguyên nâng cao. Sử dụng chức năng

>>> x = np.arange[10]
>>> x[2]
2
>>> x[-2]
8

>>> x[0]
array[[0, 1, 2, 3, 4]]

Nếu không có lệnh gọi

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Hoặc không có

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x[0]
array[[0, 1, 2, 3, 4]]

Thí dụ

Sử dụng mảng boolean 2-D có hình [2, 3] với bốn phần tử True để chọn các hàng từ mảng 3-D có hình [2, 3, 5] dẫn đến kết quả 2-D có hình [4, 5]

>>> x[0][2]
2

Kết hợp lập chỉ mục nâng cao và cơ bản#

Khi có ít nhất một lát cắt [

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x[-2:10]
array[[8, 9]]
>>> x[-3:3:-1]
array[[7, 6, 5, 4]]

Trong trường hợp đơn giản nhất, chỉ có một chỉ mục nâng cao duy nhất kết hợp với một lát cắt. Ví dụ

>>> x[0][2]
2

Trên thực tế, hoạt động của mảng lát và chỉ mục là độc lập. Thao tác cắt lát trích xuất các cột có chỉ số 1 và 2, [i. e. cột thứ 2 và thứ 3], tiếp theo là thao tác mảng chỉ mục trích xuất các hàng có chỉ số 0, 2 và 4 [i. e hàng thứ nhất, thứ ba và thứ năm]. Điều này tương đương với

>>> x[0][2]
2

Ví dụ, một chỉ mục nâng cao duy nhất có thể thay thế một lát cắt và mảng kết quả sẽ giống nhau. Tuy nhiên, nó là một bản sao và có thể có cách bố trí bộ nhớ khác. Một lát là tốt hơn khi nó có thể. Ví dụ

>>> x[0][2]
2

Cách dễ nhất để hiểu sự kết hợp của nhiều chỉ số nâng cao có thể là suy nghĩ về hình dạng kết quả. Có hai phần đối với thao tác lập chỉ mục, không gian con được xác định bởi chỉ mục cơ bản [không bao gồm số nguyên] và không gian con từ phần lập chỉ mục nâng cao. Cần phân biệt hai trường hợp kết hợp chỉ số

• Các chỉ mục nâng cao được phân tách bằng một lát,

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  2 hoặc

  >>> x[-2:10]
  array[[8, 9]]
  >>> x[-3:3:-1]
  array[[7, 6, 5, 4]]
  

  3. Ví dụ

  >>> x.shape = [2, 5]  # now x is 2-dimensional
  >>> x[1, 3]
  8
  >>> x[1, -1]
  9
  

  28

• Các chỉ số nâng cao đều nằm cạnh nhau. Ví dụ:

  >>> x.shape = [2, 5]  # now x is 2-dimensional
  >>> x[1, 3]
  8
  >>> x[1, -1]
  9
  

  29 nhưng không phải

  >>> x.shape = [2, 5]  # now x is 2-dimensional
  >>> x[1, 3]
  8
  >>> x[1, -1]
  9
  

  30 vì

  >>> x.shape = [2, 5]  # now x is 2-dimensional
  >>> x[1, 3]
  8
  >>> x[1, -1]
  9
  

  31 là một chỉ số nâng cao về vấn đề này

Trong trường hợp đầu tiên, các kích thước do hoạt động lập chỉ mục nâng cao xuất hiện đầu tiên trong mảng kết quả và các kích thước không gian con sau đó. Trong trường hợp thứ hai, các thứ nguyên từ các hoạt động lập chỉ mục nâng cao được chèn vào mảng kết quả tại cùng một vị trí như trong mảng ban đầu [logic sau là thứ làm cho việc lập chỉ mục nâng cao đơn giản hoạt động giống như cắt]

Thí dụ

Giả sử

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Thí dụ

Đặt

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

>>> x.shape = [2, 5]  # now x is 2-dimensional
>>> x[1, 3]
8
>>> x[1, -1]
9

Thí dụ

Cắt lát có thể được kết hợp với các chỉ số boolean được phát sóng

>>> x[0][2]
2