numpy数组的索引方式,numpy查找元素索引

　　上一篇文章讲了numpy切片问题之后，今天我就给大家详细分析一下numpy索引问题。

　　众所周知，使用numpy可以存储和处理大型矩阵，所以要学会使用矩阵表示。如何索引矩阵中的相应元素等。在此之前，我们已经学习了线性代数中矩阵的表示，a[2][3]表示第三行第四列的元素。所以，在numpy也是一样。

　　一维索引

　　将numpy作为np导入

　　A=np.arange(3，15)

　　#数组([3，4，5，6，7，8，9，10，11，12，13，14])

　　打印(A[3]) # 6

　　A=np.arange(3，15)。整形((3，4))

　　数组([[ 3，4，5，6]

　　[ 7, 8, 9, 10]

　　[11, 12, 13, 14]])

　　打印(A[2])

　　# [11 12 13 14]

　　A[2]对应于矩阵a的第三行(从0开始的第一行)中的所有元素。

　　二维索引

　　当我们需要表示一个特定的元素时，我们需要使用二维索引。还是用上面的例子。

　　打印(A[1][1]) # 8

　　print(A[1，1]) # 8

　　对特定范围内的元素进行切片：

　　打印(A[1，1:3]) # [8 9]

　　对于A: #线操作中的行

　　打印(行)

　　[3 4 5 6]

　　[ 7 8 9 10]

　　[11 12 13 14]

　　对于在列上操作的A.T: #中的列

　　打印(列)

　　[ 3 7 11]

　　[ 4 8 12]

　　[ 5 9 13]

　　[ 6 10 14]

　　注意：上面的表达方法A.T是将A转置，然后将得到的矩阵逐行输出，得到原矩阵的列输出。

　　关于迭代输出的问题

　　将numpy作为np导入

　　A=np.arange(3，15)。整形((3，4))

　　打印(A.flatten())

　　# [ 3 4 5 6 7 8 9 10 11 12 13 14]

　　对于A.flat:中的项目

　　打印(项目)

　　# 3

　　# 4

　　……

　　# 14

　　这个脚本中的Flatten是一个扩展函数，它将多维矩阵扩展成一个单行序列。而flat是迭代器，是对象属性。

　　Numpy的切片和索引方法都在这里分享。更多Python学习推荐：PyThon学习网教学中心。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。