NumPy学习指南：深入理解ndarray索引机制

NumPy 是 Python 中用于科学计算的基础库，其核心功能之一就是提供了强大的 N 维数组对象（ndarray）。本文将详细介绍 ndarray 的结构及其索引方式。

ndarray 对象简介

• ndarray 是 NumPy 中最基础的数据结构，用于存储同类型的多维数组数据。


• 每个元素在内存中占用相同的字节空间，确保了高效的存取速度。


• ndarray 内部包含一个指向实际数据的指针、数据类型描述符（dtype）、数组的形状（shape）以及跨度（stride）信息。

ndarray 的内部结构

• 数据指针：指向实际数据存储的位置。


• 数据类型（dtype）：描述数组中每个元素的数据类型和大小。


• 形状（shape）：一个元组，表示数组在各个维度上的大小。


• 跨度（stride）：一个元组，表示在每个维度上移动一个单位所需跨越的字节数。

创建 ndarray 的方法

• 空数组：使用 np.empty() 创建未初始化的数组。


• 零数组：使用 np.zeros() 创建所有元素均为 0 的数组。


• 一数组：使用 np.ones() 创建所有元素均为 1 的数组。


• 全值数组：使用 np.full() 创建所有元素均为指定值的数组。


• 单位矩阵：使用 np.eye() 创建单位矩阵。


• 从现有数组创建：使用 np.asarray() 将其他序列转换为 ndarray。


• 从缓冲区创建：使用 np.frombuffer() 从缓冲区创建数组。


• 从迭代器创建：使用 np.fromiter() 从迭代器创建数组。


• 从数值范围创建：使用 np.arange()、np.linspace() 和 np.logspace() 从数值范围创建数组。


• 随机数组：使用 np.random 模块生成随机数组。

ndarray 的索引与切片

• 基本索引：通过下标访问数组中的单个元素。


• 切片：类似于 Python 列表的切片操作，用于提取数组的一部分。


• 高级索引：包括整数数组索引、布尔索引和花式索引。

高级索引示例

• 整数数组索引：通过整数数组指定多个索引位置。



import numpy as np

x = np.array([[1, 2], [3, 4], [5, 6]])
t = np.array([[0, 1, 2], [0, 1, 0]])
y = x[[0, 1, 2], [0, 1, 0]]
print(y)  # 输出: [1 4 5]



• 布尔索引：通过布尔数组筛选符合条件的元素。



x = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]])
print(x[x > 5])  # 输出: [ 6  7  8  9 10 11]

a = np.array([np.nan, 1, 2, np.nan, 3, 4, 5])
print(a[~np.isnan(a)])  # 输出: [1. 2. 3. 4. 5.]

a = np.array([1, 2+6j, 5, 3.5+5j])
print('非复数:', a[~np.iscomplex(a)])  # 输出: 非复数: [1.+0.j 5.+0.j]
print('复数:', a[np.iscomplex(a)])     # 输出: 复数: [2.+6.j 3.5+5.j]



• 花式索引：通过任意数组形式的索引来访问数组。

广播机制

广播机制允许不同形状的数组之间进行算术运算，NumPy 会自动扩展较小的数组以匹配较大的数组形状。

丰富的函数支持

NumPy 提供了大量的数学函数和统计函数，支持各种数组操作，如求和、排序、统计等。