关于numpy数组中元素单个选取或部分选取问题

作者：袖梨 2026-09-24

这篇文章主要介绍了关于numpy数组中元素单个选取或部分选取问题，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教

numpy数组中元素单个选取或部分选取

一维数组中选择部分元素输出，即数组名【【下标】】，是两个中括号！

二维数组选取一个元素，即数组名【行，列】，行列是从0开始的。

行列可以省略，行和列全部省略时，输出整个数组。

行省略，代表输出所有行；列省略，代表输出所有列。

可以指定输出某几行、某几列，即数组名【1:3，1:4】,输出1到2行且1到3列的所有元素，即输出二维数组。

import numpy as npans = np.array([1,2,3,4,5,6,7,8,9])    #一维数组a = np.array([1,2,3,4,5,6,7])    #一维数组b = np.array([[1,2,3],[4,5,6],[7,8,9]])    #二维数组#获取指定位置的元素print(ans[[2,3,5]])      #即为输出ans数组中下标为2，3，5的元素print(b[1,2])    #输出1行2列的元素，这里的行和列是从0开始的print(b[1,:])    #输出1行的所有元素，“：”就代表着输出所有元素print(b[:,2])    #输出2列的所有元素print(b[1:3,0:3])    #1到2行，0到2列的元素，“端点左闭右开”

numpy数组操作

引言

python中用list保存一组值，可以用来作为数组使用，由于列表的元素可以是任何对象，英雌列表中所保存的是对象的指针，为了保存一个简单的[1,2,3]，需要三个指正和三个整数对象，对于数值运算来说这种结果显然比较浪费你内存和CPU计算时间此外python还提供了一个array模块，array对象和列表不同，他直接保存数值，呵呵C语言的一位数据比较类似，但是由于它不支持多维，也没有各种运算函数，因此也不适合做数值运算numpy的诞生弥补了这些不足，numpy提供了ndarray对象：是存储单一数据类型的多维数组

numpy是高性能科学计算和数据分析的基础包，支持为读书族与矩阵运算包括：

一个强大的n为数组对象ndarray，具有适量算数运算和复杂广播能力的快速且节省时间的多维数组。用于对整组数据进行快速运算的标准数学函数对于读写磁盘数据的工具以及用于操作内存映射文件的工具线性代数，随机数生成以及傅里叶变换等功能

ndarray

N维数组对象ndarray是用于存放同类型元素的多维数组ndarray中的每个元素在内存中都有相容存储大小的区域ndarray中的每个元素是数据类型对象的对象简称dtype可以对数组进行索引和切片可以通过ndarray的方法和属性来访问和修改ndarray的内容

创建nadrray：创建数组最简单的办法就是使用array函数，它接受一切序列型的对象，然后产生一个含有传入数据的numpy数组，其中嵌套序列（等长列表组成的列表）将会被转化为一个多维数组

numpy.array(obkject, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

object 数组或嵌套的数列

dtype 数组元素的数据类型可选

copy 对象是否需要复制

order 创建数组的样式，c为行方向，F为列方向，A为任意方向

subok 默认返回一个与基类类型一致的数组

ndmin 指定生成数组的最小维度

import numpy as npa = [1,2,3,4]b = np.array(a)print(b)>>> array([1,2,3,4])c = np.array([[1,2],[3,4]])print(c)>>>>[[1,2][3,4]]

除了np.array之外，还有一些函数也可以新建数组：

zrrors和ones分别可以创建指定长度或者形状的全0或1数组empty可以创建一个没有任何具体值的数组

np.zeros(3) # 全0数组np.ones(3) # 全1数组np.zeros((3,3)) #全0二维数组 三行三列np.zeros((3,1))  # 0二维数组 三行一列np.zeros((1,3))np.ones((3,3))np.identity(3) #单位矩阵，三行三列

ndarray之创建数组

创建随机数

均匀分布

np.random.rand(10,10) 创建指定形状（示例为10行10列）的数组（范围在0-1之间）np.random.uniform(0,100) 创建指定范围内的一个数np.random.randint(0,100) 创建指定范围内的整数

正态分布

np.random.normal(1.75,0.1,(2,3)) 给定均值/标准差/维度的正态分布

创建随机数组

np.random.randint(0,50,5) # 随机数组，5个0-50之间的数字np.random.randint(0,50,(3,5)) #3行5列 供15个随机数，都在0-50之间np.random.rand(10) #10个结余[0,1)之间的随机数np.random.standard_noraml(5) #从标准正太分部中随机采样5个数字

ndarray的数组属性

用法说明b.size数组元素个数b.shape数组形状b.ndim数组维度b.dtype数组元素类型b.ltemsize数组元素字节大小

b.reshape()可以更改形状(3,2)变(2,3)或者其他

数组和标量之间的运算

数组很重要，因为它可以是我们不用编写循环即可对数据执行批量运算，这通常叫做矢量化，大小相同的数组之间的任何算数运算都会将运算应用到元素级，同样，数组与标量的算数运算也会将那个表两只传播到各个元素

arr = np.array([[1.,2.,3.],[4.,5.,6.]])print(arr)>>>array([[1., 2., 3.],       [4., 5., 6.]])print(1/array)>>>array([[1.        , 0.5       , 0.33333333],       [0.25      , 0.2       , 0.16666667]])print(arr-arr)>>>array([[0., 0., 0.],       [0., 0., 0.]])print(arr*arr)>>>array([[ 1.,  4.,  9.],       [16., 25., 36.]])print(arr*0.5)>>>array([[0.5, 1. , 1.5],       [2. , 2.5, 3. ]])

基本的索引和切片

选取数据子集或单个元素的方式很多以为数组很简单，从表面上看，他们跟python列表差不多一位数组跟列表最重要的区别在于，数组切片是原始数据的视图，这意味着数据不会被复制，数组视图上任何修改都会直接反应到原始数组上将一个表两只赋值给一个切片是，该值会自动传播到整个选取

arr = np.arange(10)print(arr[5])>>>5print(arr[5:8])>>>array([5,6,7])print(arr[5:8]=12)>>>array([0,1,2,3,4,12,12,12,8,9])arr_slice = arr[5:8]arr_slice[1] = 12345print(arr)>>>array([0,1,2,3,4,12,12345,12,8,9])arr_slice[:] = 64print(arr)>>>array([0,1,2,3,4,64,64,64,8,9])

在二维数组中，个所有位置上的元素不再是标量，而是一维数组可以对个元素进行递归访问，但这样有点麻烦传入一个以逗号隔开的所有列表来选取单个元素在多维数组中，如果省略了后面的索引，则返回对象会使一个维度低一点的ndarray

arr3d = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])print(arr3d)>>>array([[[ 1,  2,  3],        [ 4,  5,  6]],       [[ 7,  8,  9],        [10, 11, 12]]])print(arr3d[0])>>>array([[1, 2, 3],       [4, 5, 6]])print(arr3d[0][1])>>>array([4, 5, 6])

数学和统计方法

可以通过数组上的一组数学函数对整个数组或者某个轴向的数据进行统计计算

方法说明sum对数组中全部或轴向元素求和。零长度的数组的sum为0mean算数平均数，零长度的数组的mean为NANstd,var分别为标准差和方差，自由度可调（默认为n）min,max最小值和最大值argmin,argmax分别为最小值和最大值的索引cumsum所有元素的累加cumprod所有元素的累积

arr = np.random.randn(5,4) #5行4列的正太分部的数据print(arr.mean()) #这个值和下面方法的值相同print(np.mean(arr))print(arr.sum())

值得注意的是：

mean和sum这类的函数可以接受一个axis参数（用于计算该轴向上的统计值）

arr.mean(axis=1)arr.sum(0)

cumsum:按照所给定的周参数返回元素的梯形累积和，axis=0，按照行累加。axis=1，按照列累加

cumprod：按照所给定的周参数返回元素的梯形累积乘积，axis=0，按照行累积，axis=1按照列累积

arr = np.array([[0,1,2],[3,4,5],[6,7,8]])arr.cumsum(0)>>>array([[ 0,  1,  2],       [ 3,  5,  7],       [ 9, 12, 15]], dtype=int32)arr.cumprod(1)>>>array([[  0,   0,   0],       [  3,  12,  60],       [  6,  42, 336]], dtype=int32)