Numpy高級索引

學習目標

通過本課程，學員將掌握Numpy中布爾索引和花式索引的使用方法，能夠靈活運用這些高級索引技術進行復雜的數據操作和處理。

相關知識點

Numpy高級索引

學習內容

1 Numpy高級索引

1.1 布爾索引

布爾索引是Numpy中一種非常強大的索引方式，它允許根據條件來選擇數組中的元素。這種索引方式不僅提高了代碼的可讀性，還極大地簡化了數據篩選的過程。在布爾索引中，通常使用一個布爾數組來作為索引，這個布爾數組的每個元素都對應著原數組中的一個元素，布爾值為True的元素會被選中，而布爾值為False的元素則不會被選中。

1.1.1 基本概念

布爾索引的基本概念是通過一個條件表達式生成一個布爾數組，然后使用這個布爾數組來索引原數組。例如，如果有一個數組a，想要選擇所有大于5的元素，可以使用a > 5生成一個布爾數組，然后使用這個布爾數組來索引a。

import numpy as np# 創建一個數組
a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])# 生成布爾數組
bool_array = a > 5# 使用布爾數組索引原數組
selected_elements = a[bool_array]print(selected_elements)

1.2 多條件布爾索引

布爾索引不僅支持單個條件，還支持多個條件的組合。可以通過邏輯運算符&（與）、|（或）和~（非）來組合多個條件。例如，如果想要選擇所有大于5且小于10的元素，可以使用以下代碼：

import numpy as np# 創建一個數組
a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# 生成多條件布爾數組
bool_array = (a > 5) & (a < 10)# 使用布爾數組索引原數組
selected_elements = a[bool_array]print(selected_elements)

1.3 布爾索引的應用

布爾索引在數據處理中非常有用，特別是在數據清洗和數據篩選中。例如，假設有一個包含學生考試成績的數組，想要找出所有成績大于等于60分的學生，可以使用布爾索引：

import numpy as np
# 創建一個包含學生考試成績的數組
scores = np.array([55, 65, 75, 85, 95, 45, 55, 65, 75, 85])# 生成布爾數組
passing_scores = scores >= 60# 使用布爾數組索引原數組
passing_students = scores[passing_scores]print(passing_students)

1.4 花式索引

花式索引是Numpy中另一種高級索引方式，它允許使用一個整數數組來索引另一個數組。這種索引方式非常靈活，可以用于選擇數組中的任意元素，而不僅僅是連續的元素。花式索引的一個重要特點是，它返回的是一個新數組，而不是一個視圖。

1.4.1 基本概念

花式索引的基本概念是使用一個整數數組來指定要選擇的元素的索引。例如，如果有一個數組a，想要選擇索引為1、3和5的元素，可以使用以下代碼：

import numpy as np
# 創建一個數組
a = np.array([10, 20, 30, 40, 50, 60, 70, 80, 90, 100])# 創建一個整數數組，指定要選擇的元素的索引
index_array = np.array([1, 3, 5])# 使用整數數組索引原數組
selected_elements = a[index_array]print(selected_elements)

1.5 多維數組的花式索引

花式索引不僅適用于一維數組，還適用于多維數組。在多維數組中，可以使用多個整數數組來指定每個維度上的索引。例如，假設有一個二維數組b，想要選擇第0行的第1列和第2列的元素，以及第1行的第0列和第2列的元素，可以使用以下代碼：

import numpy as np
# 創建一個二維數組
b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 創建兩個整數數組，分別指定行索引和列索引
row_indices = np.array([0, 1])
col_indices = np.array([1, 2])# 使用整數數組索引原數組。【row_indices，col_indices】，先選行，后選列，定位到具體元素值。
selected_elements = b[row_indices, col_indices]print(selected_elements)

1.6 花式索引的應用

花式索引在數據處理中也非常有用，特別是在需要選擇不連續的元素時。例如，假設有一個包含多個城市溫度數據的二維數組，想要選擇特定城市的溫度數據，可以使用花式索引：

import numpy as np
# 創建一個包含多個城市溫度數據的二維數組
temperatures = np.array([[20, 25, 30], [22, 27, 32], [24, 29, 34]])# 創建一個整數數組，指定要選擇的城市索引。
city_indices = np.array([0, 2])# 使用整數數組索引原數組。【行（city_indices），列（無）】
selected_temperatures = temperatures[city_indices]print(selected_temperatures)

1.7 高級索引的應用場景

高級索引技術在數據科學和機器學習中有著廣泛的應用。以下是一些常見的應用場景：

1.7.1 數據清洗

在數據清洗過程中，經常需要根據某些條件來篩選數據。布爾索引和花式索引可以幫助高效地完成這些任務。例如，假設有一個包含用戶信息的數據集，想要刪除所有年齡小于18歲的用戶，可以使用布爾索引：

import numpy as np
# 創建一個包含用戶信息的數據集
users = np.array([[1, 25], [2, 17], [3, 30], [4, 16], [5, 22]])# 生成布爾數組，選擇年齡大于等于18歲的用戶
valid_users = users[users[:, 1] >= 18]print(valid_users)

1.7.2 數據分析

在數據分析中，經常需要根據某些條件來選擇數據進行分析。布爾索引和花式索引可以幫助快速地選擇所需的數據。例如，假設有一個包含股票價格的數據集，想要計算所有價格大于100的股票的平均價格，可以使用布爾索引：

import numpy as np
# 創建一個包含股票價格的數據集
stock_prices = np.array([120, 90, 150, 80, 110, 130])# 生成布爾數組，選擇價格大于100的股票
high_prices = stock_prices[stock_prices > 100]# 計算平均價格
average_price = np.mean(high_prices)print(average_price)

1.7.3 機器學習

在機器學習中，經常需要根據某些條件來選擇訓練數據或測試數據。布爾索引和花式索引可以幫助高效地完成這些任務。例如，假設有一個包含特征和標簽的數據集，想要選擇所有標簽為1的數據進行訓練，可以使用布爾索引：

import numpy as np
# 創建一個包含特征和標簽的數據集
data = np.array([[1.2, 2.3, 1], [2.1, 3.4, 0], [3.2, 4.5, 1], [4.1, 5.6, 0]])# 生成布爾數組，選擇標簽為1的數據
training_data = data[data[:, 2] == 1]print(training_data)

---

1. Numpy入門：數組操作與科學計算基礎
2. Numpy入門：多平臺安裝與基礎環境配置
3. Numpy數組創建與應用入門
4. Numpy數組屬性入門：形狀、維度與大小
5. Numpy數組索引與切片入門
6. Numpy數組操作入門：合并、分割與重塑
7. Numpy數學函數入門與實踐
8. Numpy數據分析基礎：統計函數應用
9. Numpy隨機數生成入門
10. Numpy線性代數基礎與實踐
11. Numpy文件操作入門：數組數據的讀取與保存
12. Numpy廣播機制入門與實踐
13. Numpy布爾索引與花式索引實戰
14. Numpy高效數據處理與優化
15. Numpy數據分析與圖像處理入門