python三维数组找到某个元素的位置 numpy找到在数组中的位置

文章目录

• 一、通过索引访问数组元素

• 一维数组
• 二维数组

• 二、NumPy中的切片访问

• slice()函数
• 冒号分隔

• 三、二维数组的转置与展平

• transpose()函数 —— 转置
• ravel()方法 —— 降维
• flatten()函数 —— 降维
• shape() —— 显式变形

一、通过索引访问数组元素

一维数组

如果把数组名称当作访问数组的起始“指针”（pointer），那么索引就可以理解为偏离这个指针的偏移量（offset）。因此，正向索引时，第1个元素的索引是0（因为指针指向当前元素，不需要偏移，或者偏移量为0），第2个元素的索引是1（相对起始地址偏移量为1），以此类推。除此之外，数组同样支持反向索引，这时索引编号不存在直觉位置“差1”的情况，即方括号内的偏移量为-1表示倒数第1个元素，偏移量为-2表示倒数第2个元素，以此类推。

import numpy as np

one_dim = np.linspace(-0.5, 0.6, 12)
print("\n打印数组：\n{}".format(one_dim))
print("\n访问第一个元素：\n{}".format(one_dim[0]))
print("\n访问倒数第一元素\n{}".format(one_dim[-1]))
one_dim[0] = 1
print("\n对第一个元素赋值后打印数组\n{}".format(one_dim))

=================================================
打印数组：
[-0.5 -0.4 -0.3 -0.2 -0.1  0.   0.1  0.2  0.3  0.4  0.5  0.6]

访问第一个元素：
-0.5

访问倒数第一元素
0.6

对第一个元素赋值后打印数组
[ 1.  -0.4 -0.3 -0.2 -0.1  0.   0.1  0.2  0.3  0.4  0.5  0.6]

二维数组

相应地，访问二维数组时，需要通过两个索引来执行相应操作。访问二维数组的方式有两种，第一种是类似于C、C++一样，使用两个方括号，每个方括号对应一个维度信息。示例代码如下。

two_dim = np.array([[1, 2, 3],
                    [4, 5, 6],
                    [7, 8, 9]])
print("\n打印二维数组：\n{}".format(two_dim))
print("\n打印二维数组第0行第2列：\n{}".format(two_dim[0][2]))

====================================
打印二维数组：
[[1 2 3]
 [4 5 6]
 [7 8 9]]

打印二维数组第0行第2列：
3

事实上，NumPy提供了另一种更为简便的访问方式—把两个方括号合并，在一个方括号内分别给出两个维度信息，不同维度信息间用逗号（,）隔开。

print("\n使用numpy的two_dim[0, 2]方法打印：\n{}".format(two_dim[0, 2]))

================================
使用numpy的two_dim[0, 2]方法打印：
3

使用这种方法修改二维数组中的值：

two_dim[0, 2] = 100
print("\n打印修改之后的二维数组\n{}".format(two_dim))
===========================================
打印修改之后的二维数组
[[  1   2 100]
 [  4   5   6]
 [  7   8   9]]

二、NumPy中的切片访问

与Python中列表的操作类似，除了通过索引访问数组元素，在NumPy中还可以通过切片操作来访问和修改数组数据。通过切片操作，我们可以批量获取符合要求的元素。切片操作的核心是从原始数组中，按照给定规则提取出一个新的数组，对原始数组没有任何影响。

slice()函数

#################### 切片
a = np.arange(10)
# 创建切片对象
s = slice(0, 9, 2)
# 按照切片规则提取数据
b = a[s]
print(b)
print(a)
=========================
[0 2 4 6 8]
[0 1 2 3 4 5 6 7 8 9]

我们通过slice()函数实例化一个切片参数，它表示从索引0开始到索引9停止，间隔为2，最后输出的结果为由0～9之间的偶数所组成的数组。

冒号分隔

切片更为简便的使用方法是，直接通过冒号分隔切片参数，而无须使用slice()函数。这时，切片规则通常是这样的：数组名[start🔚step]。其中start表示起始索引（从0开始），end表示结束索引（至-1结束），step表示步长，步长为正时表示从左向右取值，步长为负时则反向取值。

print(a[0:9:2])
print(a)
===========================
[0 2 4 6 8]
[0 1 2 3 4 5 6 7 8 9]

需要注意的是，通过冒号分隔切片参数来进行切片操作时，假设方括号内索引值后面加上一个冒号，则表示从该索引开始，后面的所有项都将被提取。如a[2:]表示从第3个元素开始直到最后的所有元素，全部提取（这里索引是从0开始的，下同）。

print(a[2:])
==============
[2 3 4 5 6 7 8 9]

如果使用了两个参数，那么冒号前面的参数为start，后面的参数为stop，提取出的数值为两个索引值之间的项（取值区间左闭右开，不包括结束索引），默认步长为1时可以省略。示例如下。

print(a[2:-2])
===========================
[2 3 4 5 6 7]

切片的步长step可取负值。当step=−1时，start: end: −1表示从start开始逆序读取至end结束（不包含end）。考虑最特殊的一种例子，当切片方式为“::-1”时就完成了逆序读取。代码如下所示。

print(a[::-1])
=========================
[9 8 7 6 5 4 3 2 1 0]

三、二维数组的转置与展平

transpose()函数 —— 转置

我们可以通过transpose()方法将二维数组转置，代码如下。但这种转置仅仅得到原有二维数组的视图，原始数组并没有发生变化。

two_dim = np.array([[1, 2, 3],
                    [4, 5, 6],
                    [7, 8, 9]])
print("\n对二维数组进行转置：\n{}".format(two_dim.transpose()))
print("\n使用大写T也可以完成转置：\n{}".format(two_dim.T))
print("\n对原数组无影响：\n{}".format(two_dim))
===========================================
对二维数组进行转置：
[[1 4 7]
 [2 5 8]
 [3 6 9]]

使用大写T也可以完成转置：
[[1 4 7]
 [2 5 8]
 [3 6 9]]

对原数组无影响：
[[1 2 3]
 [4 5 6]
 [7 8 9]]

ravel()方法 —— 降维

有时候，我们需要将多维数组降维成一维数组，这时我们可以利用ravel()方法来完成这个功能，示例代码如下。同样地，ravel()返回的仅仅是原始数组的视图而已，原始数组本身并没有发生变化。

print("\n对数组进行降维：\n{}".format(two_dim.ravel()))
print("\n对原数组无影响：\n{}".format(two_dim))
===========================================
对数组进行降维：
[1 2 3 4 5 6 7 8 9]

对原数组无影响：
[[1 2 3]
 [4 5 6]
 [7 8 9]]

flatten()函数 —— 降维

flatten()函数同样可以完成将多维数组展平成一维数组的操作。不同于ravel()返回的是原始数组的视图，flatten()会重新分配内存，完成一次从原始数据到新内存空间的深拷贝，但原始数组并没有发生任何变化。

print("\n对数组flatten降维：\n{}".format(two_dim.flatten()))
print("\n对原数组无影响：\n{}".format(two_dim))
=============================================
对数组flatten降维：
[1 2 3 4 5 6 7 8 9]

对原数组无影响：
[[1 2 3]
 [4 5 6]
 [7 8 9]]

shape() —— 显式变形

two_dim.shape = (1, -1)
print("\n对数组进行shape降维：\n{}".format(two_dim))
==============================
对数组进行shape降维：
[[1 2 3 4 5 6 7 8 9]]

我们重新定义了一个二维数组的形状，等号右边是一个元组，元组中第一个元素“1”，表明新的数组形状是“1行”的，第二个元素“-1”表示列数由系统自动推导出来，在上述代码中，它就是9，因为元素总数为9，其中一个维度为1，很容易推算出另外的维度信息。
对于N维数组，当N-1维尺寸确定后，用“-1”标记剩余维度，表示让系统推算剩余维度尺寸，这种做法在高维数组操作中（如深度学习框架TensorFlow）很常用，因此该技巧值得掌握。