如下帶你走進 @ 機器人時代
Discover 點選上面藍色文字，關注我們
NumPy中數組的切片和索引與list的操作類似：
import numpy as np
#一維數組切片
a = np.arange(12)
#生成切片對象
s = slice(1,10,2)
p=a[1:10:2]
q=a[3]
m=a[:9]
#從索引2開始到索引9停止，間隔時間為2
print(a[s])
print(a[p])
print(a[q])
print(a[m])
輸出結果：
[1 3 5 7 9]
[1 3 5 7 9]
3
[0 1 2 3 4 5 6 7 8] 下面我們來看看多元數組的操作：
s=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12],[13,14,15]])
print('列印全部\n',s[0:])
print('從第2行開始切\n',s[1:])
print('從第2行到第4行切出來，不含第4行\n',s[1:3])
輸出結果：
列印全部
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]
[13 14 15]]
從第2行開始切
[[ 4 5 6]
[ 7 8 9]
[10 11 12]
[13 14 15]]
從第2行到第4行切出來，不含第4行
[[4 5 6]
[7 8 9]] 還可以用...（省略号）來寫：
#多元數組的切片
s=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12],[13,14,15]])
print('列印全部\n',s[0:])
# print('從第2行開始切\n',s[1:])
# print('從第2行到第4行切出來，不含第4行\n',s[1:3])
print('列印第3列\n',s[...,2]) #列印第3列
print('列印第3行\n',s[2,...]) #列印第3行
print('列印第2列以後的全部\n',s[...,1:])
輸出結果：
列印全部
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]
[13 14 15]]
列印第3列
[ 3 6 9 12 15]
列印第3行
[7 8 9]
列印第2列以後的全部
[[ 2 3]
[ 5 6]
[ 8 9]
[11 12] 數組的索引除了以上方法外，還有整數數組索引、布爾索引及花式索引。
下面代碼展示了數組索引的方式：
s=np.array(
[[1,2,3],
[4,5,6],
[7,8,9],
[10,11,12],
[13,14,15]
])
#擷取數組中 (0,0)，(1,1) 和 (3,1) 位置處的元素
y = s[[0,1,3], [0,1,1]]
print (y)
#擷取數組中的四個角的元素
rows = np.array([[0,0],[4,4]])#行索引
cols = np.array([[0,2],[0,2]])#列索引
x = s[rows,cols]
print ('這個數組的四個角元素是：')
print (x)
輸出結果：
[ 1 5 11]
這個數組的四個角元素是：
[[ 1 3]
[13 15]] 使用...與：号進行切片：
d = np.array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
#對行列分别進行切片
e = d[1:4,1:3]
print('d[1:4,1:3]方法\n',e)
#行使用基礎索引，對列使用進階索引
f = d[1:4,[1,2]]
#顯示切片後結果
print ('d[1:4,[1,2]]方法\n',f)
#對行使用省略号
x=d[...,1:]
print('d[...,1:]方法\n',x)
輸出結果：
d[1:4,1:3]方法
[[ 4 5]
[ 7 8]
[10 11]]
d[1:4,[1,2]]方法
[[ 4 5]
[ 7 8]
[10 11]]
d[...,1:]方法
[[ 1 2]
[ 4 5]
[ 7 8]
[10 11]] 我們來看看布爾索引的方法：
#布爾索引
x = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
print ('原數組是：')
print (x)
# 列印出大于 5 的元素
print ('大于 5 的元素是：\n')
print (x[x > 5])
#使用 ~（取補運算符）來過濾 NaN
print ('過濾掉是NaN的元素：\n')
a = np.array([np.nan, 1,2,np.nan,3,4,5])
print (a[~np.isnan(a)])
#從數組中過濾掉非複數元素
print ('過濾掉不是複數的元素：')
a = np.array([1, 2+6j, 5, 3.5+5j])
print (a[np.iscomplex(a)])
輸出結果：
原數組是：
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
大于 5 的元素是：
[ 6 7 8 9 10 11]
過濾掉是NaN的元素：
[1. 2. 3. 4. 5.]
過濾掉是複數的元素：
[2. +6.j 3.5+5.j] 在多條件布爾索引的時候，如果條件是x[x>5 & x<10]，運作時會報錯，解決辦法如下：
x = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11]])
print('原數組：\n', x)
print('大于5且小于10的元素：')
print('條件加小括号：')
print(x[(x > 5) & (x < 10)])
print('使用np.logical_and方法：')
print(x[np.logical_and(x > 5, x < 10)])
print('使用np.all方法：')
print(x[np.all([x > 5, x < 10],axis=0)])
輸出結果：
原數組：
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
大于5且小于10的元素：
條件加小括号：
[6 7 8 9]
使用np.logical_and方法：
[6 7 8 9]
使用np.all方法：
[6 7 8 9] 部分案例來自網絡，感謝網友的大力分享。
花式索引也可以了解為整數數組索引，但是它們之間又略有不同。
x=np.arange(32).reshape((8,4))
#生成8行4列的二維數組
print(x)
#分别對應 第4行資料、第2行資料
# 第1行資料、第7行資料項
print ('索引結果：\n',x[[4,2,1,7]])
#注意索引數組也是一個二維數組
輸出結果：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]
[16 17 18 19]
[20 21 22 23]
[24 25 26 27]
[28 29 30 31]]
索引結果：
[[16 17 18 19]
[ 8 9 10 11]
[ 4 5 6 7]
[28 29 30 31]] 如果需要同時對列進行索引，要注意添加np.ix_:
x=np.arange(32).reshape((8,4))
# #生成8行4列的二維數組
=np.arange(32).reshape((8,4))
print (x[np.ix_([1,5,7,2],[0,3,1,2])])
輸出結果如下：
[[ 4 7 5 6]
[20 23 21 22]
[28 31 29 30]
[ 8 11 9 10]] 其中 [1,5,7,2] 代表行索引，而 [0,3,1,2] 表示與行索引相對應的列索引值，也就是行中的元素值會按照列索引值排序。比如，第一行元素，未排序前的順序是 [4,5,6,7]，經過列索引排序後變成了 [4,7,5,6]。
np.ix_ 函數就是輸入兩個數組，産生笛卡爾積的映射關系。笛卡爾乘積是指在數學中，兩個集合 X 和 Y 的笛卡爾積（Cartesian product），又稱直積，表示為 X×Y，第一個對象是X的成員而第二個對象是 Y 的所有可能有序對的其中一個成員。
如果 np.xi_ 中輸入兩個清單，則第一個清單存的是待提取元素的行标，第二個清單存的是待提取元素的列标，第一個清單中的每個元素都會周遊第二個清單中的每個值，構成新矩陣的一行元素。
如果你在開發辦公室自動化程式時，操作excel表格資料時，這些索引方法就可以大派用場，讓你省去很多麻煩。
堅持學習，這樣每天都能進步一點點！！
往期回顧：
- 來來來，送你一個金牌銷售機器人，7X24小時不休，不要工資免費用！
- RPA技術在旅行社銷售業務中如何鳳凰涅槃？？
- 【工資翻三倍】系列：一招搞定九宮圖檔切割機器人，讓你的朋友圈更加炫酷！
本文引用和摘錄相關内容，請聯系侵删。
- END -
最後，文章有幫助到你的話【點贊在看】
激勵我們分享更多的幹貨！
![簡單文檔分類——樸素貝葉斯算法樸素貝葉斯算法簡單文檔分類執行個體步驟總結樸素貝葉斯分類調用(sklearn)[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)